基于PEM法和GA的无人直升机模型辨识

无人直升机的数学模型是设计先进控制系统的基础,首先采用机理建模的方法分析了直升机的飞行力学特性,加入旋翼运动,并得到了参数化状态空间模型。辨识之前对实验数据进行野值识别,剔除,补正,滤波,去趋势项等处理,利用预报误差法进行系统辨识,再运用遗传算法对预报误差辨识结果进行优化,验证结果表明,达到辨识和优化的目的。     

基于RBF神经网络的加速度传感器动态补偿研究

提出一种应用径向基函数(RBF)神经网络进行加速度传感器动态性能补偿方法.介绍动态补偿原理以及算法,并将其与BP神经网络法和系统辨识法进行比较.该方法利用加速度传感器的动态标定数据,采用RBF神经网络搜索和优化补偿模型参数.结果表明,这种补偿模型误差小,比用系统辨识法有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度.     

光电跟踪伺服系统的自适应差分进化算法辨识

为了获得准确的光电跟踪伺服系统的模型,采用自适应差分进化算法对光电跟踪伺服系统进行辨识研究,该算法根据辨识误差平方和自动调整变异、交叉因子。在输入为正弦离散数字信号下辨识系统的离散模型。为了验证算法的有效性,在频域内与扫频法辨识的一、二阶模型和系统实际输出比较研究。实验结果表明:在相同正弦离散信号条件下,辨识输出与系统实际输出基本一致,与扫频法的RMSE相比减小了20.33%,二阶模型在高频段偏离系统实际输出稍大些,一阶系统输出与系统实际输出基本一致。研究结果表明,自适应差分进化算法计算量小,方法简便,辨识准确,在光电跟踪伺服控制领域具有一定的工程应用价值。     

一种基于神经网络的超稳定自适应控制算法

提出了一种用于控制复杂非线性系统的超稳定自适应控制算法。使用波波夫超稳定性原理设计控制器。用神经网络在线辨识系统的建模误差及不确定性因素，辨识结果作为补偿信号以实现系统的鲁棒控制。对一双输入双输出非线性系统的仿真结果表明，所提出的超稳定自适应控制算法具有较好的性能。     

不确定非线性多智能体系统的最优协同控制

针对不确定非线性多智能体系统的最优协同控制问题,提出了基于辨识-评价结构的在线自适应最优控制方案。由于存在不确定性,针对每一个智能体,分别使用一个辨识神经网络用于估计多智能体系统的动态,以及一个评价神经网络用于近似耦合哈密顿-雅可比方程的解,继而导出最优协同控制律。基于辨识-评价结构,辨识神经网络和评价神经网络可以同步调整权值。通过李雅普诺夫(Lyapunov)直接法同时保证辨识神经网络和评价神经网络的权值误差一致最终有界,及闭环系统的稳定。最后通过仿真验证了所提方案的有效性。     

基于小波神经网络的惯性导航系统故障检测原理

本文首先介绍了小波神经网络原理,它是将规范正交的小波函数作为基函数网络中的基函数,得到了所谓的小波神经网络。然后介绍了惯性导航系统的故障分析及分类,最后提出了一种基于小波神经网络的非线性观测器的故障检测方法,它是将小波神经网络离线学习和在线学习相结合,获取惯性导航系统输入输出的非线性动力学特性,进而从实际输出与小波神经网络的估计输出中得到预报误差,把它作为残差进行逻辑判决。     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

一种用于非线性复杂系统辨识的自适应模糊神经网络

该文提出一种用于复杂的非线性未知系统辨识的混合神经网络模型自适应模糊神经网络(AFNN)。AFNN网络结构简洁,具有通用逼近的特性,能够克服由于突变点的存在而对系统辨识所带来的误差,提高整个系统的辨识精度。对空空导弹攻击区辨识的仿真结果验证了AFNN网络的有效性。     

两维转镜的等效动态控制误差模型辨识

两维转镜的动态控制误差是影响激光制导武器对抗闭环半实物仿真试验精度的重要误差源,建立准确的控制误差模型是系统精度分析的基础。对于转镜的动态控制误差分析建模问题,常采用经典的频域设计法建立控制系统的传递函数来分析其控制误差,建模过程复杂且难以建立准确的模型,提出了一种过程辨识的方法,分析了辨识原理、辨识输入信号设计、模型阶次及模型参数的辨识方法等,在使用行列式比定阶法确定模型阶次的基础上,采用递推最小二乘法建立了转镜的等效动态控制误差模型。然后,根据转镜控制系统指标设计等效正弦信号对该模型进行了验证,结果表明:动态控制误差模型估计输出与实际仿真输出基本相同,估计误差均值为0,最大值仅为13,说明了建模的准确性,同时也为激光制导武器对抗闭环半实物仿真试验系统中其他仿真设备的建模提供了方法支持。     

基于RBF神经网络系统辨识研究

从神经网络系统辨识原理出发，利用Matlab神经网络工具箱中提供的一组输入输出数据对，应用RBF网络进行系统辨识，建立RBF神经网络辨识模型，模拟其输出曲线，井且对辨识结果做了对比分析，进而实现了RBF网络的最佳逼近性质。     

基于神经网络的HRG标度因数辨识方法

惯导系统要求半球谐振陀螺仪在其大的动态范围内具有较高精度,而传统的基于最小二乘拟合的半球谐振陀螺仪标度因数辨识方法所得到的标度因数精度不高,引起较大的导航误差。为提高半球谐振陀螺仪标度因数的辨识精度,文中提出了一种基于神经网络的标度因数辨识方法,利用神经网络误差反传的梯度下降动量学习算法,对半球谐振陀螺仪的标度因数进行辨识,通过试验验证了该方法的可行性,为提高半球谐振陀螺仪工作精度,减小惯导系统导航误差提供了依据。     

基于PSO_BP神经网络的射频功放行为模型

神经网络具有模拟任意非线性系统的优势。考虑到射频功放的非线性和记忆效应,在BP神经网络模型的基础上,提出一种基于PSO的BP神经网络射频功放行为模型。利用飞思卡尔(Freescale)半导体晶体管MRF6S21140器件模型及设计的电路,从ADS中导出输入输出数据,对模型进行了仿真实现,得出输出电压幅度的拟合曲线以及均方根误差,并与BP神经网络模型进行比较。仿真结果表明,所提模型具有较高的精度和较好的逼近能力,可以精确模拟功率放大器的特性,对系统仿真的构建具有重要的应用价值。     

基于模糊神经网络的目标识别

结合模糊推理和神经网络两种方法的优点,从网络的结构、工作过程、学习算法等方面,探讨了一种基于模糊神经网络(FNN)的目标识别方法。通过仿真结果证明,此方法确实可行。     

基于BP神经网络的说话人识别技术的实现

说话人识别就是从说话人的一段语音中提取出说话人的个性特征,通过对这些个人特征的分析和识别,从而达到对说话人进行辨认或者确认的目的。神经网络是一种基于非线性理论的分布式并行处理网络模型,具有很强的模式分类能力及对不完全信息的鲁棒性,为说话人识别技术提供了一种独特的方法。BP(Back-propagation Neural Network)是一种非循环多级网络训练算法,有输入层,输出层和N个隐含层组成。首先概述了语音识别技术,介绍了BP神经网络训练过程的7个步骤及其模型,如何建立BP神经网络模型。同时介绍了与其相关的特征参数的提取,神经网络的训练和识别过程,最后,通过编程在Linux系统下实现说话人身份的识别。     

Identification and control of continuous-time nonlinear systems via dynamic neural networks

In this paper, we present an algorithm for the online identification and adaptive control of a class of continuous-time nonlinear systems via dynamic neural networks. The plant considered is an unknown multi-input/multi-output continuous-time higher order nonlinear system. The control scheme includes two parts: a dynamic neural network is employed to perform system identification and a controller based on the proposed dynamic neural network is developed to track a reference trajectory. Stability analysis for the identification and the tracking errors is performed by means of Lyapunov stability criterion. Finally, we illustrate the effectiveness of these methods by computer simulations of the Duffing chaotic system and one-link rigid robot manipulator. The simulation results demonstrate that the model-based dynamic neural network control scheme is appropriate for control of unknown continuous-time nonlinear systems with output disturbance noise.     

基于BP神经网络辅助的车载组合导航算法研究

针对INS/GPS组合导航系统在GPS信号被遮挡时,GPS接收机失锁导致导航精度迅速下降的问题,提出了基于BP神经网络辅助的组合导航算法。即在GPS信号锁定的时候,采用卡尔曼滤波对INS/GPS信号进行数据融合得到实时的精确位置,同时利用组合导航输出信息对BP神经网络进行实时在线训练;一旦GPS失锁,利用之前训练好的神经网络对INS系统进行误差补偿,解决精度迅速下降问题。通过跑车实验证明,速度精度在0.2m/s以内,位置精度为25m以内,该算法对INS/GPS组合导航系统有效。     

基于Matlab的BP神经网络结构与函数逼近能力的关系分析

人工神经网络是一种非线性动态数学模型,广泛应用于非线性系统建模、系统辨识、函数逼近等方面。介绍BP网络的结构和学习过程,并介绍利用Matlab人工神经网络工具箱设计BP网络的步骤,在此基础上设计了BP网络以验证其函数逼近能力,仿真结果说明了BP网络具有很强的函数逼近能力。并分析BP网络结构和函数逼近能力的关系,得出网络的结构直接影响网络对函数的逼近能力和效果。     

利用改进的BP算法实现神经网络辨识仿真

系统辨识是控制系统设计的基础。基于多层前馈神经网络结构,采用一种改进的BP算法,利用二阶梯度变尺度模型,完成了神经网络非线性系统辨识。与传统的辨识方法比较,神经网络应用于非线性系统辨识具有泛化功能和很好的容错能力,是一种不依赖模型的自适应函数估计器。采用一种改进的BP算法有效地改善了系统收敛速度慢的问题,BP模型已成为神经网络的重要模型之一,从而为控制系统正确设计奠定理论基础。     

采用归一化最小均方误差准则的LM-BP算法

传统神经网络通常以最小均方误差(LMS)或最小二乘（RLS）为收敛准则,而在自适应均衡等一些应用中,使用归一化最小均方误差（NLMS）准则可以使神经网络性能更加优越。本文在NLMS准则基础上,提出了一种以Levenberg-Marquardt（LM）训练的神经网络收敛算法。通过将神经网络的误差函数归一化,然后采用LM算法作为训练算法,实现了神经网络的快速收敛。理论分析和实验仿真表明,与采用最速下降法的NLMS准则和采用LM算法的LMS准则相比,本文算法收敛速度快,归一化均方误差更小,应用于神经网络水印系统中实现了水印信息的盲提取,能更好的抵抗噪声、低通滤波和重量化等攻击,性能平均提高了4%。      

利用卷积-循环神经网络的串行序列空时分组码识别方法

针对多输入多输出(Multiple Input Multiple Output, MIMO)系统中的空时分组码识别(Space-Time Block Code, STBC)问题,本文提出了一种利用卷积-循环神经网络的串行序列空时分组码识别方法。将一维接收信号的实部和虚部分离后输入网络,利用卷积神经网络(CNN)提取其空间特征,结合循环神经网络(RNN)提取其深层时序特征,提高网络的特征表达能力;网络训练过程采用反向传播方法,通过计算输出与目标值的误差,将误差反向传回网络中并更新权值,完成网络的训练过程;将测试集数据输入训练好的网络中,实现对空时分组码的识别和区分。该方法将深度学习算法运用到串行序列空时分组码识别当中,训练完的网络可直接对单接收天线下的空时分组码进行识别,不需要重复计算信号的统计特征,避免了人为设计特征参数和检测阈值。该方法不需要知道信道和噪声的先验信息,适用于电子侦查等非协作通信情况。仿真实验表明,该算法能够有效地对串行序列空时分组码进行识别,并且在低信噪比下有较好的识别性能。