攻击机动目标的导弹三维变结构导引律

针对导弹采用变结构导引律攻击机动目标时,容易引起视线角速率抖动的问题,在变结构控制理论的基础上,利用RBF神经网络具有自主学习的能力,提出了一种基于RBF神经网络的变结构趋近律参数项在线自适应调节的三维导引律,克服了导引过程中变结构趋近律参数项不易确定的缺点,从而降低变结构控制的抖振,提高了导弹的命中精度。仿真结果表明,该导引律有很强的自适应能力和鲁棒性,满足导引要求。     

基于遗传算法的变结构导引律研究

末段导引律是导弹实现精确打击目标的关键技术,对导弹的制导精度有很大的影响。针对导弹打击机动目标的导引问题,基于变结构理论和父子混合遗传算法设计了一种变结构导引律,并采用了一种自适应趋近律和一种饱和函数代替符号函数的方法来降低系统的抖振。仿真结果表明,采用父子混合选择遗传算法的变结构导引律,能够搜索到全局最优解,具有较高的精度和鲁棒性,并且对导弹的法向过载要求较小,导引过程中导弹的法向过载变化趋势平稳,具有工程实用价值。     

带落角约束的均值聚类神经网络滑模制导律研究

为提高电视末制导炮弹对地面目标的命中精度,减小炮弹的落角误差,同时实现以期望落角命中目标,在分析带落角约束滑模制导律特点的基础上,针对RBF(Radial Basis Function)神经网络滑模制导律难以以期望落角命中目标的不足,提出了一种结合均值聚类与RBF神经网络的滑模制导律,使得神经网络在学习过程中能根据炮弹的实时飞行状态不断调整聚类中心,使中心值始终是目前飞行状态下的最优解,实现制导律的优化.对静目标与动目标算例的数值仿真表明:相比带落角约束的滑模控制,RBF神经网络滑模控制、均值聚类RBF神经网络滑模控制由于均值聚类的加入,求得的切换项增益能使炮弹以期望落角命中目标,且具有较强的鲁棒性.     

基于自适应干扰观测的连续有限时间末段突防制导律

为了提高突防导弹末段突防能力,且保证突防导弹对机动目标的打击精度,提出了一种新型突防制导律.首先,基于自适应干扰观测器估计目标加速度,所设计的观测器不仅可以在有限时间内估计出目标加速度,且无需已知目标加速度上界信息;其次,由制导误差与法向突防机动速度构造滑模面,通过机动衰减设计保证制导精度不受所附加突防机动的影响;再次...     

四旋翼ESO的RBF神经网络PID控制器研究

四旋翼飞行器因存在参数不确定性和环境干扰,会出现姿态不稳定的问题,而传统的PID控制对四旋翼的姿态稳定及机动性达不到控制需求.为此,提出了一种扩张状态观测器(ESO)的RBF神经网络PID控制器.首先,利用ESO的扩张特性和非线性函数对扰动进行估计和补偿,减少系统的误差;其次,将ESO对系统输出的估计值作为RBF神经网络的输入,使梯度信息更加精确,能够更好地优化增量PID的参数;最后,该神经网络的激励函数取高斯基函数,利用RBF神经网络的自适应性、自学习能力对模型控制参数进行调整.Matlab仿真实验表明,在未知干扰环境下,ESO的RBF神经网络PID控制器能够明显提高系统的抗干扰能力,且具有较小的超调量及较好的鲁棒性.     

大气层内拦截机动目标的变结构末制导律设计

针对大气层内的机动战术弹道导弹拦截,提出了一种具有强鲁棒性的变结构末制导律。首先,在纵向平面内建立了导弹与目标相对运动的非线性模型;然后根据预测导引的原理推导了制导方程,并选取制导误差作为滑动模态,将目标机动量视为扰动量,设计一种能够拦截螺旋机动目标的变结构末制导律,并通过Lyapunov稳定性定理确定变结构制导参数的范围。最后,通过与比例导引律进行仿真比较,结果表明该制导律对螺旋机动弹道目标具有较强的鲁棒性,且制导精度较高,验证了制导律的正确性和有效性。     

基于RBF的带落角约束的最优滑模导引律设计

根据防空导弹打击目标的作战特点,提出一种基于RBF网络的带终端落角约束的最优滑模变结构导引律。首先应用最优控制理论和变结构控制理论设计基于视线角和视线角速度的最优滑模变结构导引律,然后应用RBF网络对所设计导引律中的变结构项的增益进行调节。仿真结果表明,所提出的导引律不仅能减弱系统抖振,而且能够同时满足命中精度和命中期望角的要求,对目标机动具有很好的鲁棒性。     

基于状态观测器的变结构末制导律设计

本文针对仅有相对距离和视线角可测的导弹,设计了一种基于状态估计的变结构末制导律.将非线性项和目标机动视为新的状态变量实现对原相对运动方程进行的扩张,设计扩张状态观测器实现对不可测的相对距离变化率和视线角变化率的估计.基于扩张观测器的估计值,利用变结构控制理论设计了保证切向速度趋向于零的末制导律,从而实现导弹直接命中目标,并从理论上对制导回路的稳定性进行了证明.最后进行了数学仿真,仿真结果表明在设计的制导律脱靶量较小,验证了扩张观测器和制导律的可行性.     

随动模拟加载系统的自适应神经滑模控制

针对炮控系统随动模拟加载系统存在的摩擦、间隙、耦合等复杂非线性和参数时变等不确定性特征,提出了一种自适应神经滑模控制策略。对于系统中存在参数时变等不确定性,利用RBF神经网络自适应逼近不确定部分;另外,利用RBF神经网络动态调节切换函数的切换增益,改善系统的动态品质。采用Lyapunov理论推导出自适应律,在线估计神经网络权值和未知函数,并证明了系统稳定性。仿真表明,该控制策略能够较好地抑制干扰力矩,响应快,保证了系统静、动态的加载控制精度和鲁棒性。     

一种变结构垂直俯冲攻击制导律

针对空地导弹垂直俯冲攻击的要求,建立导弹-目标运动模型,设计了一种对脱靶量和终端攻击角度约束的变结构制导律.运用自适应滑模趋近律,将目标机动视为干扰,并采用准滑动模态控制削弱了抖振的影响.所得制导律形式简单、实用,且克服了被动寻的导弹不能测量弹-目相对距离变化率的约束.分析了4个制导参数对制导效果的影响,为制导参数的选...     

基于HBF神经网络的自适应观测器

传统的RBF(Radial Basis Function)神经元基函数通常把高斯类型与单一宽度作为每个神经元的激活函数,这些特性限制了网络神经元的性能,特别是在处理复杂的非线性建模问题上.为了克服这个限制,本文应用了具有类似RBF网络,但激活函数不同-超基函数HBF(Hyper Basis Function)的网络.结合RBF网络,分析了HBF网络的结构、基函数形式及基函数对网络的影响,利用决策树算法计算了网络中心.在此基础上,提出了一种基于HBF神经网络的自适应观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的稳定性;最后通过仿真验证了这种HBF神经网络观测器能很好地观测系统的状态值.     

一种可在线学习的变结构径向基函数网络及其在被动声纳目标识别中的应用

提出一种新颖的隐节点可调的变结构径向基函数,并应用进化规划最优地确定和调节变结构径向基函数网络隐层节点的数目及其核函数的中心和宽度,从而使网络具有在线学习和记忆新的目标模式的功能,并将该网络应用于被动声纳目标的识别和在线学习实验结果表明基于进化规划的变结构径向基函数网络不仅了网络的泛化能力,而且能够有效垢解决传统神经网络技术在被动声纳目标识别过程中在线学习会造成原有记忆遗忘的困难。     

贴片机X/Y轴快速高精度定位的实现

负载惯量和外界干扰是影响贴片机X,Y轴快速高精度定位的两个关键因素。本文针对负载惯量和外界干扰对控制性能的影响,提出了基于RBF神经网络的自适应滑模控制算法。利用RBF神经网络的万能逼近特性实现对外加干扰和被控对象模型信息的逼近,运用自适应控制算法计算前馈补偿量以补偿负载惯量和摩擦力对运动性能的影响,采用滑模控制算法以抑制其他不确定干扰对运动控制的影响。通过仿真分析可以得出,所采用的控制算法能够有效地补偿负载惯量和外界干扰对定位性能的影响,从而实现贴片机X,Y轴的快速高精度定位。     

Trajectory Switching Control of Robotic Manipulators Based on RBF Neural Networks

In this paper, we discuss the trajectory switching neural control problem for the switching model of a serial n-joint robotic manipulator. The key feature of this paper is to provide the dual design of the control law for the developed adaptive switching neural controller and the associated robust compensation control law. RBF Neural Networks (NNs) are employed to approximate unknown functions of robotic manipulators and a robust controller is designed to compensate the approximation errors of the neural networks and external disturbance. Via switched multiple Lyapunov function method, the adaptive updated laws and the admissible switching signals have been developed to guarantee that the resulting closed-loop system is asymptotically Lyapunov stable such that the joint position follows any given bounded desired output signal. Finally, we give a simulation example of a two-joint robotic manipulator to demonstrate the proposed methods and make a comparative analysis.     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

Neural Adaptive Compensation Control for a Class of MIMO Uncertain Nonlinear Systems with Actuator Failures

A neural adaptive compensation control scheme for a class of multi-input multi-ouput (MIMO) uncertain nonlinear systems with actuator failures is proposed based on prescribed performance bound (PPB) transient performance which characterizes the convergence rate and maximum overshoot of the tracking error. RBF neural networks are used to approximate the error of plant model, the control law proposed can guarantee the asymptotic output tracking and closed-loop signal bounds. The control scheme is applied to a twin otter aircraft longitudinal nonlinear dynamics model in the presence of unknown failures. Simulation results demonstrate the effectiveness of the proposed method.     

组合二进制偏移载波信号的伪码周期及组合码序列盲估计

针对在非协作通信以及低信噪比下组合二进制偏移载波(CBOC)信号伪码周期和组合码序列较难估计的问题,该文提出了2次谱算法与基于径向基函数(RBF)神经网络算法。对输入信号进行2次功率谱计算,可以得到CBOC信号的伪码周期。在此基础上,首先对接收的1周期组合码序列进行重叠分段,其次优化筛选出学习系数,对每段数据向量作为RBF神经网络的输入信号并进行有监督地调节,最后对每段数据向量多次输入并反复训练权值向量就可以恢复原组合码序列。仿真结果表明,利用2次谱可以在低信噪比下估计出伪码周期;在误码率低于1%的情况下,所提出的RBF神经网络相比于反向传播(BP)神经网络与Sanger神经网络,信噪比分别提高1 dB和3 dB,并且在同等条件下所需的数据组数较少。     

基于自适应投影学习算法的RBF神经网络多用户检测方法

自适应投影学习算法是一种简单有效的构造和训练径向基函数神经网络的方法,该方法能迭代地确定径向基函数的个数,中心的位置以及网络的权系数。本文将基于自适应投影学习算法的径向基函数神经网络应用于CDMA系统多用户检测,仿真表明:这种方法对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。