磁悬浮柔性转子系统变学习速率单神经元PID控制

磁悬浮轴承柔性转子系统的转速范围较大,固定的控制参数很难同时保证系统所需的低频和高频特性。本文在一般单神经元PID控制的基础上,将转速信号引入磁悬浮轴承数字控制器,在不同转速段选择不同的学习速率以调节控制参数得到合适的磁悬浮轴承的刚度和阻尼。试验结果表明,变学习速率单神经元自适应PID控制能够明显减小转子在各阶临界转速时的振幅,有助于磁悬浮轴承柔性转子系统的安全稳定运行。     

神经元最优状态反馈控制及其在登月问题中的应用研究

以非线性系统自学习最优控制算法为基础，提出了一种基于人工神经元网络的非线性状态反馈最优控制策略，使非线性不确定性的被控系统能通过自学习实现某种最优的非线性反馈控制，本文对该控制策略在登月软着陆问题中应用进行仿真研究，验证了该控制策略的可行性和有效性。     

基于FPGA的柔性机械臂多路无刷直流电机控制系统设计

针对柔性机械臂一般为超冗余机械臂,需要多个无刷直流电机驱动各个关节的运动,传统的数字信号处理（DSP）芯片、单片机用户接口有限,无法同时驱动十几个无刷直流电机运动,并且采用传统的PID算法控制精度较低,不适应于高精度柔性负载的控制。本文提出采用现场可编程逻辑门阵列（FPGA）芯片实现柔性机械臂多路无刷直流电机的控制,设计出改进型神经元自适应PID控制器,有效提高各关节电机的位置跟踪精度和抗柔性负载扰动能力,同时完成了规划位置的直线插补、多路电机母线电流采集、多路电机旋变位置信号采集处理。并在柔性机械臂原理样机中进行了验证,设计的驱动控制器能使得每个关节电机定位精度优于0.2°,各关节的无刷直流电机同步性、协调性良好。     

神经网络系统及其在工程中的应用

神经网络以并行处理，分布式信息存贮、良好的自适应性、极强的训练功能、联想功能和容错功能在图象处理，模式识别及信号分析等各工程领域得到了广泛的应用，本文概述了神经网络系统的基本结构、网络程度的主要特点和文本菜单、图形菜单的运行程式。最后给出在工程中应用的实例。     

复合固体推进剂燃烧性能模拟计算的神经网络方法

在总结已有燃烧模型的基础上，重点考虑压强、氧化剂的重均粒径、氧化剂的质量浓度三种主要影响因素，提出了一种基于误差反传（ＢＰ）神经网络的复合固体推进剂燃烧性能模拟计算方法，计算结果和实验值吻合较好，这为推进剂配方的计算机辅助设计提供了一种新方法。     

基于单神经元自适应PID控制的航天器大角度姿态机动

针对航天器大角度姿态机动，提出了一种新的单神经元自适应比例积分差(PID)控制器设计方法。基于误差二次型最优理论推导出相应的单神经元输入权值参数调整算法，并用Lyapunov稳定性理论分析了控制系统的稳定性。所设计的控制器结构简单、计算量小、鲁棒性好，能更好地适应航天器模型的不确定性，易于在轨实现。数学仿真结果验证控制器有效。     

基于卡尔曼滤波的航空发动机单神经元自适应控制

针对航空发动机多任务、多变量、高精度和一体化控制的需求,提出了一种基于卡尔曼滤波的单神经元自适应控制方法。该方法在单神经元自适应控制算法的基础上,增加了对控制量和发动机反馈量的滤波,提高了响应速度,精度较高。仿真结果证明,该方法对过程噪声和测量噪声具有很强的克服能力,所需计算量较小,能满足发动机控制对实时性的要求。     

火箭弹电动舵机模糊单神经元PID控制算法

针对制导火箭弹电动式舵机,为提高其响应速度和精度,文章在模糊PID控制基础上,提出了模糊单神经元PID控制方法。首先,建立了火箭弹舵机系统模型;然后,将模糊推理、单神经元自学习算法和PID控制相结合,建立智能控制系统,以实现对舵机输入指令的精确、快速响应。经仿真实验表明:在此智能控制下,舵机位置在阶跃响应的调节时间、超调量以及正弦跟踪上相对于传统模糊PID控制均得到有效改进,具有良好的动静态性能、自适应性和稳定性。     

基于小波过程神经网络的飞机发动机状态监视

 针对飞机发动机状态监视问题，提出了小波过程神经网络模型。其隐层和输出层为过程神经元，隐层激活函采用小波函数。该模型结合了过程神经网络可以处理连续输入信号的特点及小波变换良好的时频局域化性质，有更强的学习能力和更高的预测精度。文中给出了相应的学习算法，并以飞机发动机状态监视中排气温度裕度的预测为例，分别利用3层前向过程神经网络和小波过程神经网络进行预测。结果表明，小波过程神经网络结构更简单，收敛速度更快，优于过程神经网络，因而为飞机发动机状态监视提供了一种有效的方法。     

舵面电动加载系统的自适应CMAC复合控制

针对无人机舵面电动加载系统具有非线性及多余力矩的特点,提出了一种自适应CMAC(Cerebellar Model Articulation Controller)神经网络与自适应神经元控制器并联构成复合控制结构.该控制策略以系统的指令输入和实际输出作为CMAC的激励信号,以系统的当前控制误差作为CMAC的训练信号.提出了利用误差在线自适应调整学习率的方法,消除了常规前馈型CMAC的过学习和不稳定现象.建立了无人机舵面电动加载系统的数学模型,给出了具体的控制结构和算法.仿真结果表明:该方法有效抑制了加载系统的多余力矩,增强了系统的稳定性,明显改善了舵面电动加载系统的动态性能.