输入饱和与姿态受限的四旋翼无人机反步姿态控制

本文针对四旋翼无人机研究了鲁棒反步姿态控制策略.由于四旋翼无人机结构复杂,其非线性数学模型难以精确建立,因此在控制器设计过程中需要综合考虑模型不确定性、未知外部干扰、输入饱和以及姿态受限等因素.针对模型中的不确定项,使用神经网络进行逼近;对于外部未知干扰,使用非线性干扰观测器进行补偿;使用双曲正切函数逼近饱和函数,解决输入饱和问题;同时使用界限Lyapunov函数设计控制器,确保姿态满足限制条件.最后,设计四旋翼无人机反步姿态控制器,并根据Lyapunov稳定性定理证明了闭环控制系统的有界稳定.仿真结果表明了所研究控制方法的有效性.     

嵌入式大气数据系统Kriging算法模型

基于Kriging算法提出了一种嵌入式大气数据系统的计算模型.该模型以测压点压强为输入,攻角、偏航角和Ma等大气参数为输出.采用Kriging插值方法,建立了输入与输出间的映射关系,从而避免了迭代类方法反复迭代的过程,实现了高实时性.分别比较了取三、四和五个测压点时,以及取不同位置处测压点时,计算大气数据的精度.通过与神经网络模型比较,Kriging模型的精度明显优于神经网络模型.     

基于自适应神经网络的AUVs路径跟踪控制

为解决由于随时间变化水动力阻尼引起的参数变化和不确定性的问题,提出了基于径向基函数神经网络的未知评估算法,引入自适应算法以保证神经网络权值的最优评估.基于Lyapunov稳定性理论,设计一种自适应神经网络控制器以保证路径跟踪系统中所有误差状态都趋于稳定.为了验证该控制器的可行性,对系统施加如位置误差、方向误差等虚拟干扰,证明该控制器可将误差消减为零.另一方面,机器人在以恒定的速度行驶时,每个航点被指定一个适合半径的圆弧可以保证其有较高的精度.为了评估路径跟踪控制器的性能,提出直线型和直线加圆弧型路径方案.仿真结果表明,该控制器可以有效地消除机器人非线性和模型不确定性造成的干扰.     

震动信号识别传感器系统设计

设计了一种具有信号识别功能的震动传感器,用于监测地面运动引起的信号,实现安防区域24h无人监控.系统利用处理器实现信号识别算法,通过无线芯片将识别结果发送给数据控制系统中心,实现传感器信号识别和信息传输功能.实验测试结果表明:该系统能够在3s内有效地对25m距离内的人和车辆信号进行识别,正确识别率达96％;在10s内对100 m距离内的轮式车和履带式车识别,正确识别率达90％.     

双弯管法煤粉质量流量检测

双弯管法是一种基于弯管单相流测量原理的气固两相流固相质量流量测量方法,其测量结果与输入参数间非线性关系非常复杂,直接影响其测量精度.在双弯管法固相质量流量测量原理基础上,利用人工神经网络优良的非线性映射能力,建立了一种带有附加动量项的BP神经网络软测量模型,并在气固两相流测量实验平台上进行了实验研究.以实验数据为样本对双弯管法软测量模型进行训练,仿真结果与实验数据一致性较好,测量误差小于6％,为煤粉质量流量实时在线测量提供了一种行之有效的方法.     

基于人工鱼群优化BPNN的AUV目标识别方法

为了削弱复杂恶劣的环境对水下成像造成的不利影响及满足水下机器人目标识别任务实时性的需求,提出了基于人工鱼群算法(AFSA)优化BP神经网络的水下目标识别算法,通过构造组合不变矩对水下目标进行特征提取,提高了目标的聚类性能.引入具有全局寻优能力的AFSA,其在增加单纯神经网络收敛速度的同时避免算法陷入局部最优,进而建立了完整的基于人工鱼群神经网络的水下目标识别系统.在不同的水下目标中对该系统进行实验,通过比较提取的不同的目标图像,结果表明所建立系统具有较优的聚类性能和较高的识别精度.该方法用于水下目标识别是可行的、有效的.     

基于视频图像的火焰多特征检测

根据火灾发生时火焰的颜色、面积变化和火焰的纹理特征,提出一种基于视频图像的火焰多特征检测方法.着重介绍了对采集到的视频图像中的火焰进行颜色、面积变化的分析,并通过BP神经网络进行火焰纹理相似性的识别,以便得到更准确的火焰识别效果.     

基于FNN的轮式机器人路径跟踪研究

针对目前轮式机器人在路径跟踪时容易出现的偏离期望路径甚至打滑、侧翻失去控制等问题,对轮式机器人结构及其路径跟踪特点进行了分析,构建了轮式机器人运动学模型,设计了一种基于模糊神经网络(FNN)的行进路线和行驶速度分级控制的路径跟踪方法.第一级中模糊神经网络利用机器人位姿信息确定行进路线即转弯半径,第二级根据前方路径情况和转弯半径调节机器人行驶的角速度和线速度.仿真实验表明,所设计的模糊神经网络能够对所期望的路径进行快速准确地拟合,且鲁棒性强;轮式机器人路径跟踪过程稳定,不会出现失控现象.     

基于PSO-BP的红外温度传感器环境温度补偿

针对红外温度传感器的测温精度易受环境温度的影响,提出了一种基于粒子群优化（ PSO）GP （ PSO-GP）神经网络的温度补偿方法。所提出的PSO-GP算法解决了一般GP算法迭代速度慢、且易陷入局部最优的问题,以热电堆传感器的环境温度补偿为例,进行算法实现,并以单纯的GP算法做对照。仿真结果表明：提出的PSO-GP算法对环境温度有明显的补偿效果,且优于单纯的GP算法补偿。所构建的补偿模型具有较高的补偿精度和实用价值。     

基于敏感度方差重要性的RBF 神经网络结构优化算法

针对RBF 神经网络的结构设计问题, 提出一种基于输出敏感度方差重要性的结构优化算法. 首先, 检验网络隐层节点的输出敏感度在样本集上的方差是否与零有显著差异, 以此作为依据增加或删除相应的隐层节点; 然后,对调整后的网络参数进行修正, 使网络具有更好的拟合精度和收敛性; 最后, 对所提出的优化算法进行仿真实验, 结果表明, 所提出的算法可根据研究对象自适应地调整RBF 的网络结构, 具有良好的逼近能力和泛化能力.