基于切换模型的无人直升机偏航通道系统辨识方法?

针对直升机偏航通道中舵机控制量的饱和非线性问题,提出基于切换模型的无人直升机偏航通道系统辨识方法。首先分析无人机偏航通道的特征,建立包含饱和单元的切换模型。其次通过扫频实验采集辨识所需的数据,并在频域下采用遗传算法辨识得到切换模型的所有参数。再根据实验数据分析辨识模型的残差序列,得到系统的残差模型,并利用该残差模型修正辨识得到的无人机偏航通道模型,进一步提高模型的准确度。最后通过实验数据分析文中模型的准确性,并利用该模型设计无人机飞行控制器。实验结果也证明模型的有效性。     

遥控模型直升机分通道模型辨识方法研究

设计了嵌入式控制系统,研究了小型遥控直升飞机在悬停状态的模型辨识方法.按照遥控直升机的4个控制输入(纵向周期变距、横向周期变距、总距、以及尾距),直升机的运动可分解为俯仰、倾斜、升降和航向4个通道,分别采用分通道飞行实验数据,通过Matlab辨识工具,得到了遥控直升机在悬停状态下各通道的单榆入单输出控制模型.飞行实验数据的验证结果表明,分通道数学模型可以很好地反映相应通道的动态特性,对实现遥控直升机自动驾驶控制具有重要的应用价值.     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发,提出了一种基于RBF神经网络学习算法,用于对非线性对象模型的拟合与辩识,并将此方法用于实际非线性模型的学习与辩识。结果表明,基于RBF的神经网络可快速完成对样本的学习与拟合,对具有连续特性的线性与非线性模型,具有快速实时的学习速度和优良的学习性能。     

用神经网络建立非线性系统模型研究

本文针对多层网络结构，运用递推预报误差（ＲＰＥ）算法对离散非线性系统进行辨识研究，作为应用实例，本文对一个工业实际进行了神经网络动态建模，研究结果表明，神经网络方法是用于带有非线性特性工业过程建模的有效方法。     

三自由度直升机模型辨识与控制

针对三自由度直升机,通过物理分析得到俯仰、横滚和偏航3个通道的模型结构,根据3个通道的不同特点使用不同的方法分别辨识3个通道的传递函数模型,并利用所辨识的模型对3个通道分别设计控制器。闭环控制实验结果表明基于辨识得到的模型所设计的控制器能够实现满意的控制性能。     

基于函数链神经网络的非线性系统稳态模型辨识及应用

利用函数链神经网络的非线性映射能力和快速收敛特性，将良好的推广能力视为网络评价函数的约束条件，以改善网络的泛化特性，提高系统的稳态辨识精度，仿真和实际应用结果表明，具有收敛快，辨识精度高，所需样本少等优点。该方法在ＳＯ３磺化过程非线性系统建模中得到应用。     

基于贝叶斯方法的神经网络非线性模型辨识

研究了基于贝叶斯推理的多层前向神经网络训练算法,以提高网络的泛化性能。在网络目标函数中引入表示网络结构复杂性的惩罚项,以便能够在训练优化过程中降低网络结构的复杂性,达到避免网络过拟合的目的。训练过程中使用显式的概率分布假设对模型进行分析和推断,根据融入先验分布的假设和依据,获取网络参数和正则化参数的后验条件概率,并基于后验分布的贝叶斯推理得出最优化参数。利用上述算法训练前向网络,对一个微型锅炉对象进行了模型辨识,通过测试,证明所辨识出的对象模型能够较好地表现出对象的动态行为,且具有较好的泛化性能。     

基于神经网络的超声波电机模型辨识

超声波电机存在着死区、迟滞等复杂的非线性特性.采用传统的系统辨识方法难以直接对该系统进行辨识,因此,根据超声波电机的静态、动态特性,提出了一种改进的BP神经网络以建立关于该电机的一种新的模型.通过引入迟滞算子构造扩张输入空间,将迟滞的多值映射转换为一一映射.提出了变斜率与带死区的神经元,以便于描述电机的死区特性.在训练神经网络时引入了广义梯度,以近似非光滑点处的梯度.最后给出了相应的实验结果,训练、泛化结果证明该建模方法是有效的.     

非线性倒立摆系统的神经网络辨识

基于四种非线性系统模型,对典型的不稳定、非线性、强耦合的倒立摆系统建立了神经网络辨识结构,并对辨识结果进行了简单的比较,讨论了隐含元个数的选择对模型辨识精度的影响。结果表明神经网络对于非线性倒立摆系统的辨识是有效的。     

基于神经网络的传感器非线性静态特性模型辨识

本文介绍了近几年来利用ANN可以任意精度逼近任意复杂的非线性函数的特性,所进行的传感器非线性静态特性模型辨识的研究,分析了各种模型与算法的特点及应用,提出了展望。     

基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数,在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络,得到一个精确的模糊模型,从而实现参数辨识,通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于T-S模糊模型的神经网络的系统辨识

基于T-S模糊模型,提出了利用神经网络实现非线性系统的辨识。首先,利用一种无监督的聚类算法分析输入输出数据生成初始的结构模型,确定系统的模糊空间和模糊规则数,构造神经网络辨识模型前提参数,使前提参数自适应变化,有较好的自学习能力和优化能力,采用最小二乘法取得结论参数。仿真结果验证了该方法是有效和可行的。     

小型无人直升机横纵向模型参数辨识方法

针对小型无人直升机具有多变量、非线性和强耦合的特点,提出一种基于参数辨识的横纵向通道动力学建模方法.该方法根据直升机小扰动运动学方程和小型无人直升机空气动力学特点,推导了小型无人直升机横纵向通道动力学模型.在悬停条件下通过对模型进行简化,得到小型无人直升机横纵向通道待辨识线性耦合模型.根据飞行实验数据,通过采用多变量最小二乘方法估计出该耦合模型的未知参数.模型预测数据和实际飞行数据的比较结果表明,所建模型能充分反映该小型无人直升机在悬停状态下的横纵向通道动力学特性,具有较高精度且结构相对简单,可作为自主飞行控制器设计的参考模型.     

基于脉冲神经网络模型的车辆车型识别

准确提取各种运动目标的特征并将它们加以分类识别,是近年来图像处理和人工智能研究中的热点之一.针对识别运动车辆车型需求,提出了在利用脉冲神经网络模型对运动车辆进行边缘提取的基础上提取运动目标的不变线矩特征,再用这些特征训练神经网络对车型进行识别的方法.试验结果表明该模型能准确的提取运动目标的特征,从而提高分类的效果.在今...     

Non-linear Control of Heave for an Unmanned Helicopter Using a Neural Network

This paper describes a new non-linear control technique applied to the heave control of an unmanned rotorcraft. First a hybrid plant model consisting of exactly known dynamics is combined with a black-box representation of the unknown dynamics. Desired trajectories are calculated to smoothly achieve a sequence of random step changes in desired height according to certain optimal criterion and plant limitations. Control inputs are then determined using the MATLAB^® optimisation toolbox to achieve those desired trajectories for the plant heave model. Finally, a neural network is trained to mimic the control inputs resulting from the optimisation process. The neural network controller produces trajectories closely resembling the results from the optimisation process but with a much reduced computation time. Flight test results of control of the heave dynamics of a helicopter confirm the neural network controller’s ability to operate in high disturbance conditions and outperform a proportional-derivative (PD) controller.     

An Improved Dynamic Process Neural Network Prediction Model Identification Method

Dynamic system parameter recognition is a contextual test of the N.N. training process's simplification and mitigation values with data imbalances. The parameters need to be the cause, and theoretical analysis to explain the problem's methodological roots suggests improving the standard neural network model. Neural Network (N.N.) is used successfully for simulation system parameters as training data. When comparing the process to direct computation duplication, the significant reduction using N.N. reduces the calculation time for each prediction from 1-30 minutes to reduce accuracy in the fraction of seconds. The impact of the changes on the training principles on this work system's performance will be fundamental. This approach modeling is not the system responsible for tracking all datasets in N.N. time-series predictions but instead identifying target system factors. Its structure is known to have come with changes in the learning process towards parametric improvements. Predictive ability is excellent due to the short window of forecast prediction. A highly flexible modeling framework's characteristics allow policymakers to develop the objectives and resources within the constraints of planning vector control programs and case monitoring strategy adjustments.     

基于OFRBF-Elman网络的UUV动力学模型辨识

水下无人航行器(UUV)是具有较强非线性的复杂动态系统,而神经网络具有理论上逼近任意非线性的能力;为了提高UUV的动力学模型精度,运用了基于输出反馈的RBF-Elman(OFRBF-Elman)神经网络的系统辨识方法,即对Elman神经网络进行改进,将网络输出进行延时反馈,作为输入与隐层进行联接;将径向基函数作为隐层节点的激活函数,并以线性最小二乘法调整隐层到输出层的连接权值;然后,将该方法应用于UUV空间六自由度的动力学模型辨识中;最后,通过仿真证明了该网络结构的辨识算法具有很好的逼近能力和快速的训练速度。     

文本分类的神经网络模型

给出一种与文档段落结构相关联的文本分类神经网络模型。描述神经网络的训练算法,包括正向传播算法和反向修正算法。对于算法的主要步骤,给出了更详细计算方法。最后给出了神经网络模型性能测试结果。     

基于BP算法的系统辨识

讨论BP算法用于系统辨识时样本数的选取对训练速率的影响,确立一种选取每一时刻学习样本数的标准,在此标准下,既能保证训练网络的相对性,又能大大加快其收敛速度。     

基于GA 的小型无人直升机航向模型进化辨识

分析了小型无人直升机的航向模型结构,建立了结构可变的用分式形式表示的参数化传递函数模型． 设计了一种基于遗传算法（GA）的方法对所建模型结构进行辨识,可同时得到系统模型结构和参数．基于安全性和 方便性考虑,制作了一款地面飞行实验台架,采集和预处理了用于辨识和验证的实验数据．最后根据辨识结果说明 了所用算法的可行性．