基于模型预测控制的直升机轨迹跟踪控制

针对直升机在实际任务中对轨迹精确控制的实际需求,提出基于模型预测控制(model predictive control,MPC)的直升机轨迹跟踪算法.轨迹控制的整体方案采用分层的架构:底层对直升机的速度以及姿态进行调节,顶层通过实施MPC算法对底层的姿态和速度指令进行调度,以期实现直升机轨迹的精确控制.通过分段MPC方...     

基于神经网络的直升机风洞试验自动配平控制系统

针对原直升机风洞试验配平控制系统的缺点,提出将神经网络控制技术引入该配平系统的设想,具体设计了神经网络配平控制器,在MATLAB6.5 NN Toolbox上对其进行了训练仿真,并编程实现了网络操作模式.试验结果表明:系统设计是成功的,实现了手动与神经网络自动相结合的组合配平控制技术,从而提高了配平的自动化、智能化水平及数据精度.     

无人汽油直升机偏航角测量的设计与实现

为了提高无人直升机的控制性能,实现无人直升机的长距离稳定飞行,针对所采用的汽油动力无人直升机对航向角测量传感器的影响干扰,结合RS232和TWI通信方式,设计和实现基于HMC5883L三轴数字罗盘的偏航角的稳定测量;实验验证和实际飞行表明,此次设计所测量的偏航角数据准确,响应速度快,且不受汽油机电磁干扰的影响,具有很好的稳定性。     

直升机神经网络模型辨识研究

研究直升机飞控系统的控制问题,直升机是强耦合的非线性系统,直升机的模型的建立是研究整个飞控系统的基础.为改善飞行姿态误差,提高稳定性,建立其较为精确的动力学模型对于设计、验证飞行控制系统具有重要意义.根据直升机动力学方程的形式,建立了一种基于BP神经网络的非线性辨识模型,利用典型状态下的试飞数据作为样本,采用LM优化学习算法对神经网络进行训练,并用其他飞行状态的数据对模型进行验证.计算结果表明,证明所建立的神经网络模型具有较好的拟合精度与泛化能力,能够较好地反映直升机的动态特性,并为设计提供依据.     

基于神经网络的非线性模型预测控制

该文提出了一种基于神经网络的模型预测控制结构 ,并使用一个新的随机搜索优化算法来求解预测控制律 ,计算机仿真证明了所设计的控制算法的正确性和有效性     

基于偏航尾流模型的风场尾流主动控制

风场尾流效应不但会造成发电量损失,也会引起湍流增加进而对机组疲劳/极限寿命造成很大的影响。结合现场风场案例,本文在传统的尾流计算Jensen模型基础上,引入偏航对尾流扩散、强度和范围的影响,建立了新的偏航尾流模型,大幅度提高尾流预测的精度。最后,通过主动尾流控制,可以减小尾流影响,提升风场发电能力2-5%。     

基于神经网络模型的直接优化预测控制

针对具有时延的非线性系统提出了一种基于神经网络模型直接优于的预测控制。     

基于径向基函数神经网络与扩张状态观测器的无人直升机控制

针对具有系统不确定和外部干扰的无人直升机飞行控制问题,提出了一种基于神经网络和扩张状态观测器的控制方法.利用神经网络逼近系统的不确定性,引入扩张状态观测器对神经网络的逼近误差和系统外部干扰进行估计.基于神经网络和扩张状态观测器的输出,对无人直升机的主旋翼挥舞角、姿态角速率、姿态角、速度与位置系统分别进行了控制器设计,以增强系统鲁棒性和抗干扰能力.同时,引入动态面控制方法以避免对虚拟信号进行直接求导,并通过李雅普诺夫方法分析了闭环控制系统的稳定性.最后使用无人直升机数据进行仿真验证,结果表明设计的控制律能使无人直升机有效跟踪控制指令,具有良好的稳定性与鲁棒性.     

基于神经网络的广义预测控制

本文将神经网络快速计算的性能应用于广义预测控制中,以便克服广义预测控制算法的不足之处。仿真研究表明,这种方法实为改进控制算法性能的有效途径。     

基于神经网络非线性模型的扩展DMC预测控制

利用前馈神经网络建立对象的非线性预测模型，用多级阶跃响应建立平均线性模型。     

基于神经网络的股市预测

本文讨论了有关神经网络用于股市预测方面的问题，包括股市原始数据的预处理、训练样本的确定。提出了适合于描述股市动态特性和时序特性的网络模型及学习算法，并对上海股市作了实际的预测。实验结果表明本文提出的方法是可行的和有效的。     

基于双向长短期记忆循环神经网络的网络流量预测

针对长短期记忆循环神经网络在对时间序列进行学习时存在早期特征记忆效果差、难以充分挖掘整个网络流量特征等问题,提出一种基于双向长短期记忆循环神经网络的网络流量预测方法,以提高网络流量预测的准确性。对网络流量序列进行双向学习,避免单向学习导致较早学习部分特征提取和记忆效果差的问题。同时双向学习可以充分挖掘网络流量天与天之间双向的特征,完整地学习到网络流量的整体特征。仿真实验结果表明,改进后的方法相比原方法具有更好的预测效果。     

基于PSO-BP神经网络的网络流量预测与研究

传统网络流量预测采用线性方法进行处理,不能很好地满足要求.根据互联网通信量的自相似性,提出一种基于BP网络的粒子群优化PSO-BP算法进行网络流量预测,用PSO算法对BP网络节点的初始权值进行优化,并利用历史记录训练BP网络,采用Matlab进行仿真.试验结果表明,PSO-BP算法加快了BP网络收敛速度,训练结果的均方误差函数mse在5%以内,提高了网络流量预测精度.     

基于网络状态预测的提前控制

高速网络的大带宽延迟乘积使其于传统反馈机制的ＡＢＲ难以对高可变ＶＢＲ快速响应,造成速率的不匹配。为了提高反馈控制方法的有效性,充分利用高优先级ＶＢＲ业务剩余的可用带宽,文中提出基于预测的提前控制模式,根据ＡＢＲ信源的不同反馈延迟对未来时间段ＶＢＲ占用带宽进行预测,并利用未来ＡＢＲ可用带宽估算值为相应的ＡＢＲ进行速率分配,从而实现速率的精确匹配。高速网络ＶＢＲ业务的强相关性使相对精确的时间序列预测成     

Tchebycheff正交神经网络的动态建模方法研究

本文提出一种正交神经网络的动态建模方法, 它充分利用了Tchebycheff多项式的非线性处理能力和Givens正交变换的有效处理大型稀疏 问题的优点,不仅能快速进行网络的训练,而且能对网络的结构进行优化,为非线性系统的 动态建模提供了一种有效方法．实验表明它是一种简单的、普遍适用的系统建模方法．     

基于小波分析和Hopfield的网络流量预测

针对传统单一的网络流量模型不能对网络流量的复杂特性进行精确模拟的问题,提出一种基于αTrous小波分析和Hopfield神经网络的组合模型对网络流量进行预测。首先对网络流量进行归一化处理并采用αTrous小波变换;然后对小波单支进行重构,并将低频成分送入AR模型高频成分送入Hopfield神经网络进行建模预测;最后对各分量进行合成得到预测值。仿真实验结果表明,该模型提高了预测精度,并且具有很好的网络适应性。     

边坡位移LMD-BP神经网络模型研究

结合局部均值分解LMD(Local mean decomposition)算法和BP神经网络算法,提出一种全新的局部均值分解——BP神经网络位移时序预测模型。通过把实际监测的位移值作为训练样本,利用局部均值分解算法对其进行高度的自适应分解,得到多个生产函数PF(Product function)分量;而后通过BP神经网络模型对每一个PF分量进行预测,再把各个PF分量预测值进行重构累加,即可得到位移的预测值。通过BP神经网络对相关参数进行优化,达到了对于预测精度的改善。将该模型应用到永久船闸高边坡的三个监测点上进行位移时序预测中,结果表明,预测精度较高,具有一定的科学依据,在边坡体位移时序预测领域中具有极大的潜在价值。     

基于时空相关性多任务神经网络的交通预测

传统的交通量预测多利用单点附近的交通流信息,未能拓展至区域网络.针对这种情况,提出一种基于时空相关性的高速路网短时交通量预测模型.模型利用实际路网的静态与动态数据计算路段间的等效距离,通过高斯加权函数选择最近邻.将相关路段的交通量预测作为目标预测的额外任务,通过构建多任务循环神经网络(MTL-RNN)模型实现目标路段交...     

基于Hermite神经网络的混沌时间序列预测

针对混沌时间序列的混沌性,提出一种改进的相空间重构方法——交集寻优法;针对传统的BP神经网络、RBF神经网络及AR模型对混沌时间序列预测效率和预测精度较低的缺点,提出两种不同的Hermite神经网络预测模型。以四阶蔡氏电路为模型,结合粒子群算法建立预测模型。仿真结果表明,利用交集寻优法进行相空间重构能很好地保留原系统的动力学特性,证实了该方法的有效性;Hermite神经网络较传统的预测模型精度更高,便于基于粒子群算法的Hermite神经网络预测方法的推广和应用。