质量矩导弹的神经网络及自适应非线性控制

本文对质量矩控制导弹的动力学方程简化和控制系统的设计进行了研究。详细阐述了所提出的控制方法，介绍了径向基单隐层神经网络进行误差补偿的算法原理，用Lyapunov理论证明了所采用方法的稳定性。在给出了质量矩导弹的六自由度动力学方程和简化后的方程后，用所提出的方法设计控制系统。通过仿真分析，得出了本文所提出的方法具有较好的误差补偿能力的结论。     

一种具有较强泛化能力的神经网络模型研究与应用

分析了影响神经网络模型泛化能力的因素。以电解铝过程中氧化铝浓度的神经网络软测量为例 ,提出了利用先验知识确定网络结构 ,采用特定实验保证样本数量和质量 ,离线训练加在线学习修正模型等措施 ,改善神经网络模型的泛化能力。现场应用表明这些措施是有效的。这样建立的神经网络模型准确 ,泛化能力强 ,为实现过程的先进控制提供了可靠保障     

神经网络在未来超分辨雷达中的应用

最新的技术发展已为研制超分辨雷达创造了条件。它能够突破普通雷达基于匹配滤波原理的分辨能力,而实现超分辨。超分辨雷达的巨大计算量通常来自求解非线性最小二乘问题时的多维搜索。本文针对这一问题,研究了雷达信号处理中的两个典型例子:(1)利用阵列处理检测个数已知而方向未知的雷达目标;(2)对波音727飞机进行超分辨距离多普勒成像。说明Hop-field神经网络通过集体运算能够求解各种困难的最优化问题,因而在未来的超分辨雷达中有广阔的应用前景。     

基于神经网络的导弹姿态控制系统故障诊断

本文提出了一种多层前向神经网络快速误差向后传播学习算法ＦＢＰ（ＦａｓｔｅｒｒｏｒＢａｃｋＰｒｏｐａｇａｔｉｏｎＬｅａｒｎｉｎｇＡｌｇｏｒｉｔｈｍ），通过某导弹姿态控制系统故障诊断的仿真研究，验证了ＢＰ（误差后向传播学习算法）和ＦＢＰ用于导弹姿态控制系统故障诊断的有效性，ＦＢＰ学习算法较之ＢＰ学习算法学习速度的快速性     

再入航天器的神经网络自适应控制

对于再入航天器来说 ,可恢复故障通常会导致总体控制权限的降低。本文将伪控制限制方法和神经网络自适应控制运用到再入航天器的制导与控制中。利用两个控制回路来实现控制目标。其中 ,外回路适用于力的扰动 ,而内回路适用于力矩的扰动。限制外回路以阻止对内回路动态特性的调整。在达到控制极限时 ,伪控制限制也可进行自适应调整。另外 ,本文还通过加入加速度计反馈元件以提高系统的性能     

多模式组合诊断技术在导弹导引头上的应用研究

阐明了四种类型的多模式组合诊断方法及其故障诊断的核心思想。以某导弹导引头的故障诊断为实例，详细描述了基于模糊理论、神经网络和粗糙集理论的三组合模式的诊断过程，并给出了诊断结果；介绍了我们研制的基于不确定性理论和专家系统组合的智能化故障诊断专家系统的应用。研究和应用实例表明：多模式组合诊断技术通用性和鲁棒性强。能够加快诊断速度。降低误诊率。尤其适合于复杂系统的故障诊断，具有很大的工程实用价值。     

基于BP算法的液压泵在线状态监测及故障诊断

以液压泵振动信号的５个时域信息；峰值，峰峰值，均方根值，方差和波形系数作为最小诊断参数组合，用ＢＰ神经网络进行信息融合，提出一液压泵的神经网络在线状态监测及故障诊断系统。     

智能旋翼的频域神经控制

 频域内的神经控制方法在振动主动控制中因其允许复杂的控制算法,适合于智能旋翼的控制。在建立频域智能旋翼系统模型的基础上,提出了频域内的智能旋翼神经控制方法。采用正交设计方法选取训练样本,建立频域神经模拟器,然后按照提出的算法进行控制。仿真结果表明提出的算法有效,并且具有较好的鲁棒性。     

基于BP人工神经网络的GPS／SINS组合导航算法

基于扩展Kalman滤波的GPS／SINS组合导航算法，需要对原始的非线性连续系统模型进行线性化和离散化处理，要求系统噪声和测量噪声为零均值的高斯白噪声，且易于出现滤波器发散。BP人工神经网络毋需对所求解的问题建模，能够很好地逼近系统非线性特性，获得较高精度的导航定位信息；还具有计算过程稳定，不涉及矩阵求逆，不需要迭代逼近，以及容易实现并行处理等优点。本文设计适用于GPS／SINS组合导航系统的BP网络模型，并在标准的BP算法基础上，采用共轭梯度法改进网络训练速度及精度。最后，通过仿真算例说明BP网络方法用于GPS／SINS组合导航计算的可行性。     

基于ANFIS的蒸汽发生器水位实时控制系统的设计

从蒸汽发生器的水位特性出发，对其水位高度控制原理进行了深入细致的研究。鉴于控制对象的模糊性、不确定性和非线性，采用自适应神经元模糊推理(Adaptive neuron fuzzy inference system，ANFIS)技术，建立了模糊控制规则库，实现了对蒸汽发生器水位的智能控制。本文详细阐述了ANFIS技术的结构、控制方式和系统的主要功能，完成了软、硬件的综合设计，并进行了仿真研究。控制系统的硬件采用了DSP芯片，以保证系统的实时性；软件采用了模糊一神经网络算法，以克服系统模型的不确定性。仿真结果表明，该控制系统工作稳定可靠，具有较高的控制精度和较强的鲁棒性。