基于自结构动态递归模糊神经网络的无人机姿态控制*

针对无人机非线性、强耦合等特点,提出了基于该自结构动态递归模糊神经网络的姿态控制系统,给出了基于Lyapunov函数的系统稳定性证明。对四层模糊神经网络进行了优化和改进,设计了自结构动态递归模糊神经网络,该网络可以根据系统状态在线更新权值、创建/删除节点、优化网络结构。仿真表明：该控制方法的突出优点是,在兼顾考虑了系统中的不确定性因素、非线性因素及外部干扰并存的情况下,保证系统的稳定性和跟踪性能;同时此网络结构比固定结构的模糊神经网络响应速度快,因此更具优越性。     

机电设备故障诊断预测维修系统

结合为海军某舰艇研制的“××舰机电设备故障诊断预测维修系统”，介绍预测维修系统数据库构成，报警线的确定和实际舰艇应用情况．     

模糊神经网络在机载相机稳像中的应用

针对解决微型飞行器空中拍摄的图像抖动问题,采用自组织递归区间二型模糊神经网络的函数逼近及泛化能力对微型飞行器上的相机振动规律进行模拟,预测机载相机的振动矢量.该自组织递归区间二型模糊神经网络的初始规则数为零,所有规则都是通过结构和参数同时在线学习来产生,网络结构学习采用的是在线区间二型模糊群集,提高自组织递归区间二型模糊神经网络的稳定性及计算精度.仿真结果表明:将自组织递归区间二型模糊神经网络与双BP神经网络进行对比,利用自组织递归区间二型模糊神经网络对微型飞行器相机振动矢量进行预测的精度高.     

面向一致性样本的属性约简

作为粗糙集理论的一个核心内容,属性约简致力于根据给定的约束条件删除数据中的冗余属性。基于贪心策略的启发式算法是求解约简的一种有效手段,这一手段通常使用数据中的全部样本来度量属性的重要度从而进一步得到约简子集。但实际上,不同样本对于属性重要度计算的贡献是不同的,有些样本对重要度贡献不高甚至几乎没有贡献,且当数据中的样本数过大时,利用全部样本进行约简求解会使得时间消耗过大而难以接受。为了解决这一问题,提出了一种基于一致性样本的属性约简策略。具体算法大致由3个步骤组成,首先,将满足一致性原则的样本挑选出来;其次,将这些选中的样本组成新的决策系统;最后,利用启发式框架在新的决策系统中求解约简。实验结果表明:与基于聚类采样的属性约简算法相比,所提方法能够提供更高的分类精度。     

基于zigbee和SPI总线技术的WSN节点设计

介绍了一种无线传感器网络通用节点的设计方案,节点通信采用短距离无线通信协议ZigBee,通过SPI接口实现单片机和ZigBee芯片的通讯。本文给出了系统的硬件结构及软件设计的方案,并从硬件和软件两方面考虑了节点的功耗问题。     

四旋翼微型飞行器的区间二型模糊神经网络自适应控制

针对四旋翼微型飞行器控制系统中存在不确定性、外界干扰等影响控制精度的问题,提出了基于区间二型模糊神经网络(IT_IIFNN)的四旋翼微型飞行器自适应控制方案.首先,根据四旋翼微型飞行器的动力学模型,设计了基于IT_IIFNN的四旋翼微型飞行器自适应控制器,该控制器由两部分构成,其中IT_IIFNN用来在线逼近系统不确定性;鲁棒补偿器用来实时补偿IT_IIFNN的逼近误差以及外界干扰.其次,利用Lyapunov稳定理论证明此飞行器控制系统闭环稳定性.最后,通过四旋翼微型飞行器样机来验证IT_IIFNN自适应控制器的优越性.验证结果显示,在加入风速为1.5 m/s的外界干扰条件下,跟踪误差可近似达到10-2.结果表明,IT_IIFNN自适应控制器具有良好的跟踪精度、稳定性及鲁棒性.     

邻域决策错误率的局部约简方法研究

传统基于邻域决策错误率的属性约简准则是针对总体分类精度的提升而设计的,未能展现因约简而引起的各类别精度变化情况。针对这一问题,引入局部邻域决策错误率以及局部属性约简的概念,其目的是提升单个类别的分类精度。在此基础上,进一步给出了求解局部邻域决策错误率约简的启发式算法。在8个UCI数据集上的实验结果表明,局部约简不仅是提高各个类别精度的有效技术手段,而且也解决了因全局约简所引起的局部分类精度下降问题。     

重要度集成的属性约简方法研究

启发式算法在求解约简的过程中逐步加入重要度最高的属性,但其忽视了数据扰动将会直接引起重要度计算的波动问题,从而造成约简结果的不稳定。鉴于此,提出了一种基于集成属性重要度的启发式算法框架。首先,在原始数据上进行多重采样;然后,在每次循环过程中分别计算各个采样结果上的属性重要度并对这些重要度进行集成;最后,将集成重要度最大的属性加入到约简中去。利用邻域粗糙集方法进行的实验结果表明,基于集成重要度的属性约简算法不仅能够获取更加稳定的约简,而且利用所生成的约简能够得到一致性较高的分类结果。     

增益自适应滑模控制器在微型飞行器飞行姿态控制中的应用

针对微型飞行器的姿态角摄动引起的系统不确定性及外界干扰等问题,提出了基于区间二型模糊神经网络辨识的增益自适应模糊控制器.首先,给出了微型飞行器姿态动力学模型.然后,采用区间二型模糊神经网络对滑模控制器中由于姿态角摄动引起的系统不确定性进行在线辨识,通过增益自适应滑模控制器中的校正控制项对辨识误差及负载干扰进行补偿.最后,通过设计李亚普诺夫函数,得到闭环系统一致稳定条件下的区间二型模糊神经网络参数在线调整的自适应律及滑模增益自适应律.仿真对比表明,与传统的增益自适应滑模控制器和基于一型模糊神经网络辨识的滑模控制器及相比,本文提出的控制器不仅对系统的不确定性因素及外界干扰具有较强的鲁棒性,而且稳定误差小,跟踪精度高.     

模糊神经网络在自适应双轴运动控制系统中的应用

为了更好地提高工艺加工平台的精确度,结合自适应控制与区间二型模糊神经网络理论设计了一个双轴运动控制系统.该系统通过控制两个场向永磁同步电机来定位X-Y双轴运动转子的位置,从而跟踪预设的蝶形曲线.针对由区间二型模糊神经网络的有限规则产生的不可避免的逼近误差和优化的参数向量等集中不确定性因素,设计了自适应集中不确定性估计律...