自组织模糊CMAC神经网络及其非线性系统辨识

 针对CMAC的特点,提出了联想度的概念,并由此设计了一种自组织模糊 CMAC神经网络( SOFC-MAC)及其学习算法,证明了SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快,逼近精度高及局部泛化能力等特点。歼击机系统特征模型辨识仿真验证表明了该方法的有效性。     

ROBUST ADAPTIVE BANK-TO-TURN MISSILE AUTOPILOT DESIGN USING FUZZY CMAC NEURAL NETWORKS

ＲＯＢＵＳＴＡＤＡＰＴＩＶＥＢＡＮＫ┐ＴＯ┐ＴＵＲＮＭＩＳＳＩＬＥＡＵＴＯＰＩＬＯＴＤＥＳＩＧＮＵＳＩＮＧＦＵＺＺＹＣＭＡＣＮＥＵＲＡＬＮＥＴＷＯＲＫＳＺｈａｎｇＹｏｕａｎ（张友安）,ＣｕｉＰｉｎｇｙｕａｎ（崔平远）,ＷａｎｇＳｈｏｕｂｉｎｇ（王守斌...     

导弹块对角控制器的组合设计法

利用小脑关节模型控制器 ( CMAC)神经网络辨识了导弹控制系统的几个重要空气动力参数,证明了估计误差、权误差有界,然后用解析逆解设计方法、模糊神经网络变结构控制方法设计了块对角控制器。仿真结果显示了该算法的有效性。     

提高电动加载系统输出平滑的CMAC复合控制

CMAC(Cerebellar Model Articulation Controller)和PD(Proportional Derivative)复合控制算法有时因输出不平滑会引起加载电机抖动而影响控制效果.通过对该输出不平滑问题进行分析,提出了一种新的提高输出平滑性的改进CMAC复合控制算法,该方法通过新的权值更新公式,在权值更新时直接达到减小误差和提高输出平滑性的目的.仿真和实验结果表明:改进后的算法能够有效提高输出平滑性,降低了21％的稳态误差,且保证在加载时有良好的稳定性和抗干扰能力.     

BTT导弹的神经网络自适应反馈线性化控制

提出基于反馈线性化理论的BTT导弹自动驾驶仪设计方法。并提出由俯仰过载命令产生攻角命令的方法。应用CMAC神经网络构成一种自适应反馈线性化方案,使具有不确定性的实际系统获得要求的跟踪性能。闭环系统的稳定性由李雅普诺夫稳定性理论得到保证。该方法适合于控制导弹作全空域飞行。     

先进战斗机的鲁棒自适应反步控制

为解决反步法在虚拟控制求导时存在计算膨胀的缺陷问题,提出了一种自适应反步控制算法.采用CMAC神经网络在线学习系统不确定性以及各阶虚拟控制量的导数信息,从而避免了系统阶次较高时引起的计算膨胀问题,并且该控制算法在实际控制输入前加入低通滤波器,避免了不连续输入可能引起的抖振问题.Lyapunov稳定性分析表明,该控制方法...     

基于CMAC与PID并行控制的舵伺服系统的优化设计

针对导弹飞行中的舵伺服系统所存在的不确定性和非线性时变等特点,采用常规控制系统难以适应这种不确定性,文中提出采用现代控制理论与经典相结合的方法——自适应神经网络CMAC与PID并行控制对舵机伺服系统进行优化设计。首先,在分析舵系统基础上,设计出了具有一定适应性的舵伺服系统的总体方案;然后,建立了基于CMAC与PID并行控制的舵系统控制器;最后,经MATLAB仿真,结果表明并行控制能够较好适应多种不确定性;并能够快速准确的对舵机进行跟踪控制。     

基于改进的CMAC的电动加载系统复合控制

 由于电动加载系统的非线性和时变性,特别是在运动干扰下传统的前馈控制方法很难得到满意的控制效果。针对电动加载系统的非线性及多余力矩强扰动的特点,依据神经网络的非线性逼近和自学习特性,提出了基于改进小脑模型关联控制器(CMAC)的复合控制策略,结合改进的CMAC与PID实现复合控制,由CMAC实现前馈控制,PID控制实现反馈控制,既保证了快速实时,又进一步减小了多余力矩干扰。改进的CMAC利用存储单元的先前学习次数作为可信度,消除了常规前馈型CMAC的过学习现象。文中建立了电动加载系统的数学模型,给出了具体的控制结构和算法。系统的动态仿真表明,该方法可有效地抑制多余力矩,改善电动加载系统的动态加载性能,有很强的鲁棒性。     

基于CMAC的伺服系统控制研究

针对高精度伺服系统中存在的非线性和各种不确定性因素,提出了基于小脑模型神经网络的复合控制方法,控制器由前馈控制器、比例微分控制器(PD)和小脑模型神经网络控制器(CMAC)构成,该方法在传统的PD+前馈控制方法上加入了CMAC神经网络算法的快速学习,精确逼近的优点,既保证了快速实时跟踪,又进一步提高了跟踪精度。实验结果证明,用CMAC控制方法后系统的跟踪精度比PD＋前馈控制方法提高近一个数量级,同时该方法对摩擦引起的波形畸变有很好的抑制作用,仿真和实验研究表明了该方法的可行性和有效性,并能满足实时性要求,对提高伺服系统的高精度动态跟踪性能有很好的工程参考价值。