具有积分限制的单神经元PID控制算法

提出了一种抗积分饱和的变参数PID单神经元二次性能寻优算法.在 PID结构简单的基础上,兼有神经元自适应修正能力和二次性能寻优的特点,当积分出现饱和时,通过控制逻辑自动抑制偏差的积分,从而提高了变参数PID算法的鲁棒适应性.以某双轴发动机喷口为被控对象,对模型参数以50%的变化进行了控制性能的仿真.结果表明:变参数PID单神经元二次性能寻优算法具有较强的鲁棒稳定性和鲁棒性能,动态过程的最大超调量被抑制在5%以内,动态调节时间仅为0.6s.所提出的性能寻优PID算法可以满足航空发动机的控制需求.      

基于异步事件流的空间点目标跟踪方法

在当前的空间态势感知领域,针对快速移动的空间点目标的检测与跟踪,传统的基于帧的视觉传感器表现出了一定的局限性,难以满足日益增长的任务需求.因此,基于神经形态学的事件相机,凭借其高时间分辨率和高动态范围,已成为目前的研究焦点.提出一种基于异步事件流的空间点目标跟踪方法.通过单层脉冲神经元滤除其中的噪声,并得到候选目标;采用最近邻运动轨迹关联对候选目标进行持续跟踪,从而得到每个候选目标的运动轨迹;通过特征权重虚警滤除去除候选目标中的虚警目标,保留实际的空间点目标的运动轨迹.在实验阶段,分别使用CeleX-V事件相机测量事件数据和公共空间目标事件数据集(EBSSA数据集)验证了所提出算法的有效性.实验结果显示,在灵敏度和信息量两项指标上,相较于文中提到的基于事件的空间目标跟踪方法具有一定的优势,证明了基于异步事件流的空间点目标跟踪方法能够准确地从原始事件流数据中检测出一个或多个空间点目标,并获取其运动轨迹.     

基于Adaline网的航空发动机自适应控制

根据发动机模型非线性、关系式呈隐性和具有不确定性的工作特点，提出了一种基于Adaine网的发动机自适应控制方案，该方案中的神经网络辩识器和神经网络控制器均采用两层线性Adaline网，权值采用Widrow-Hoff δ学习规则更新。仿真结果表明这种方法具有方案简单、稳定性好、实时性好等优点，可在全飞行包线内对发动机进行在线控制。     

基于神经网络的涡轮泵多故障诊断

针对液体火箭发动机的涡轮泵系统中，常出现多故障同时发生的现象，分析了涡轮泵常见故障的特征表现，建立了涡轮泵系统的标准故障模式，在此基础上，提出了采用建立并行BP神经网络进行多故障诊断分类的方法，结果表明，并行BP神经网络结构简单，学习诊断速度快，对单一故障的诊断分类优于基本BP网络，且能对并发故障进行诊断分类。     

时滞对象的神经网络Smith预测控制

针对系统的时滞问题提出一种新的控制系统，将神经网络Smith预估器与神经元控制器通过预测误差有效结合在一起，起到预测控制目的。在神经网络Smith预估器中采用优于BP网络的IRN网络，仿真的结果表明系统的实时控制速度有了明显地提高。     

“神经元”和法国未来空中作战系统

由法国牵头，瑞典、意大利、希腊和瑞士等国参加的多国“神经元”无人作战飞机技术验证机项目已经有了很大的进展，最后的设计方案在今年4月通过了审查，这意味着飞机的外形设计已经冻结，一些部件已经开始生产，整架飞机预计在2011年第一季度下线，首飞预计在2012年3月，整个飞行试验计划可能要进行约18个月。     

基于神经元的瓦楞横切机实时控制系统设计

对基于瓦楞横切机的交流伺服控制系统进行数学建模并进行理论分析。为解决瓦楞机上位机操作系统实时性能差的缺点并提高控制系统的控制精度,系统采用“Windows+RTX”作为瓦楞机的上位机软件运行平台。DSP作为目标嵌入式,利用双口RAM实现数据交互,控制系统采用神经元PID的控制算法,使控制系统具有良好的自学习能力、响应速度快、超调量小等优点。试验结果表明,采用此方案,控制系统自动化程度高、切割精度高、性能稳定。     

非线性系统的神经元自适应PID控制

针对一类具有时滞的非线性系统,提出了一种神经元自适应PID控制方法.根据被控对象响应的控制品质要求,利用神经元的权值在线调整功能,可以实时调整控制系统的PID参数,克服了经典PID控制算法中参数不易实时在线调整的缺点.仿真结果显示了该设计方法的有效性.     

一种无人机姿态智能PID控制研究

姿态控制是无人机自主飞行控制的基础，其控制律设计结果对无人机飞行特性的影响至关重要。它决定了无人机是否能够满足自主飞行要求。为了解决在整个飞行包线中都能获得好的控制效果．本文引入了仿人智能比例，积分和单神经元控制等智能控制方法，设计出了一种用于无人机姿态控制的智能PID控制器。控制品质主要表现为响应快、精度高、超调量小，能进行稳定的大范围调适，鲁棒性强。仿真研究表明，这种控制器算法简单．易于实现，且比常规P1D控制器具有更强的鲁棒性和自适应能力。     

一种基于粗糙集理论的粗糙神经网络构造方法

提出在BP神经网络中使用粗糙集理论网络的设计，由于粗糙集理论有强大的数值分析能力,而BP神经网络具有准确的逼近收敛能力和较高的精度，所以通过两者的结合，可以得到一种可理解性好，计算简单，收敛速度快的神经网络模型，这种神经网络的算法的主要过程为：首先利用粗糙集能力去发现给定数据集的一些规则，然后根据这些规则构造神经网络稳含层的神经元个数，最后用BP算法迭代求了网络的各种参数，完成网络的设计，本文最后给出了一个三维非线性函数的实例进一步验证了网络的正确性。