CN108762098B - 基于复合学习的非最小相位飞行器神经网络控制方法 - Google Patents
基于复合学习的非最小相位飞行器神经网络控制方法 Download PDFInfo
- Publication number
- CN108762098B CN108762098B CN201810950482.5A CN201810950482A CN108762098B CN 108762098 B CN108762098 B CN 108762098B CN 201810950482 A CN201810950482 A CN 201810950482A CN 108762098 B CN108762098 B CN 108762098B
- Authority
- CN
- China
- Prior art keywords
- representing
- formula
- neural network
- design
- angle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000002131 composite material Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000000844 transformation Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005312 nonlinear dynamic Methods 0.000 abstract description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000000354 decomposition reaction Methods 0.000 abstract 1
- 241000272517 Anseriformes Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于复合学习的非最小相位飞行器神经网络控制方法,首先将飞行器纵向通道模型分解为速度子***和高度子***,针对速度子***采用PID控制,针对高度子***采用反步法控制。对高度子***,基于输出重定义使不稳定的内动态变为渐进稳定的内动态,对输出重定义后的***内动态进行坐标转换,推导出用于控制器设计的俯仰角指令;针对***存在的未知非线性动力学采用神经网络进行估计,设计建模误差信号并结合跟踪误差给出复合学习算法,提高神经网络对非线性动力学的逼近性能。本发明利用输出重定义实现内动态稳定,基于复合学习神经网络估计飞行器不确定动力学,可为非最小相位飞行器控制提供新的思路。
Description
技术领域
本发明涉及一种飞行器控制方法,特别是涉及一种基于复合学习的非最小相位飞行器神经网络控制方法,属于飞行器控制领域。
背景技术
面对军用和民用领域对飞行器技术提出的新需求,现代飞行器飞行包络不断扩大,飞行器创新的构型设计及复杂的飞行环境,导致飞行器动力学具有复杂非线性和强不确定性等特点,飞行器升降舵与气动力之间存在耦合,导致飞行器呈现出非最小相位特性。非最小相位特性使得动态逆设计无法直接应用,目前大多通过加入鸭翼操纵面补偿升降舵对升力的影响,使***变为最小相位***,但鸭翼的加入会使***气动热加剧。《Adaptiverestricted trajectory tracking for a non-minimum phase hypersonic vehiclemodel》(Lisa Fiorentini,Andrea Serrani,Automatica,2012,48(7):1248-1261)一文针对高超声速飞行器非最小相位模型,采用输出重定义方法对线性参数化模型进行自适应鲁棒控制器设计,但实际中线性参数化模型不易获取,不利于工程应用。
发明内容
要解决的技术问题
针对非最小相位飞行器控制问题,本发明设计了一种基于复合学习的非最小相位飞行器神经网络控制方法。该方法基于输出重定义方法使不稳定的内动态变为渐进稳定的内动态,对输出重定义后的***内动态进行坐标转换,推导出俯仰角指令。针对输入输出子***,基于反步法框架采用神经网络估计***未知非线性动力学,设计建模误差信号并结合跟踪误差信号给出复合学习算法,提高神经网络对非线性动力学的逼近性能,最后将控制输入反馈到***的动力学模型中,实现输出的有效跟踪。
技术方案
一种基于复合学习的非最小相位飞行器神经网络控制方法,其特征在于步骤如下:
步骤1:考虑具有非最小相位特性的飞行器纵向通道动力学模型:
所述动力学模型由五个状态量X=[V,h,γ,α,q]T和两个控制输入U=[δe,Φ]T组成;其中,V表示速度,h表示高度,γ表示航迹倾角,α表示攻角,q表示俯仰角速度,δe表示舵偏角,Φ表示节流阀开度;T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度;
相关的力、力矩及参数定义如下: 其中表示动压,ρ表示空气密度, 均表示气动参数,表示平均气动弦长,zT表示推力矩臂长,S表示气动参考面积;
步骤2:针对速度子***(1),定义速度跟踪误差为:
式中,Vd表示速度指令;设计节流阀开度Φ为:
式中,kpV>0,kiV>0和kdV>0为设计参数;
步骤3:针对高度子***(2)-(5),定义高度跟踪误差设计航迹角指令γd为:
其中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh>0和ki>0为设计参数;
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
其中,表示高度参考指令的二阶微分;
将姿态子***的输出由航迹角γ重定义为俯仰角θ,其中θ=α+γ;定义航迹角误差为姿态子***(3)-(5)进一步写为内动态子***:
和输入输出子***:
其中,f1和f3是根据飞行器模型得到的未知平滑非线性函数,g12、g22、g13和g23是根据飞行器模型得到的已知项;
步骤4:定义坐标变换设计η2为:
其中,
定义航迹角误差的积分η1,由下式得到:
设计俯仰角指令为:
θcmd=-kθη1+γd (14)
式中,kθ∈(0,1]为设计参数;
定义俯仰角跟踪误差为:
设计俯仰角速度虚拟控制量为:
式中,k1>0为设计参数,
俯仰角速度误差动力学如下:
式中,表示未知非线性函数,表示已知项;
用神经网络逼近未知非线性函数
其中,表示的估计值,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,ε1表示神经网络逼近误差;
设计舵偏角如下:
式中,k2>0和为设计参数,为鲁棒项用于消除逼近误差带来的影响;
定义建模误差为:
其中由下式得到:
式中,β1>0为设计参数;
设计自适应律为:
式中,γ1>0,γz1>0和ξ1>0为设计参数;
设计更新律为:
式中,ρ1>0和δ1>0为设计参数;
步骤5:根据得到的舵偏角δe和节流阀开度Φ,返回到飞行器动力学模型(1)-(5),对高度和速度进行跟踪控制。
有益效果
本发明提出的一种基于复合学习的非最小相位飞行器神经网络控制方法,与现有技术相比有益效果为:
(1)本发明可直接针对非最小相位飞行器进行控制设计,不需要额外增加鸭翼操纵面,可避免气动热问题。
(2)本发明基于输出重定义方法,使不稳定的内动态变为渐进稳定的内动态,对输出重定义后的***内动态进行坐标转换,推导出控制器设计所需要的俯仰角指令。
(3)本发明给出了基于跟踪误差和建模误差相结合的复合学习方法,可提高神经网络对未知非线性动力学的逼近性能,进而提高***的跟踪性能。
附图说明
图1是本发明基于复合学习的非最小相位飞行器神经网络控制方法的流程图。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明解决其技术问题采用的技术方案是:一种基于复合学习的非最小相位飞行器神经网络控制方法,通过以下步骤实现:
(a)考虑具有非最小相位特性的飞行器纵向通道动力学模型:
所述运动学模型由五个状态量X=[V,h,γ,α,q]T和两个控制输入U=[δe,Φ]T组成;其中,V表示速度,h表示高度,γ表示航迹倾角,α表示攻角,q表示俯仰角速度,δe表示舵偏角,Φ表示节流阀开度;T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度。
(b)将动力学进行功能解耦为速度子***(1)和高度子***(2)-(5)。针对速度子***,定义速度跟踪误差为:
式中,Vd表示速度指令。设计节流阀开度Φ为:
式中,kpV>0,kiV>0和kdV>0为设计参数。
(c)针对高度子***,定义高度跟踪误差设计航迹角指令γd为:
其中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh>0和ki>0为设计参数。
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
其中,表示高度参考指令的二阶微分。
将姿态子***的输出由航迹角γ重定义为俯仰角θ,其中θ=α+γ。定义航迹角误差为姿态子***(3)-(5)进一步写为内动态子***:
和输入输出子***:
其中,f1和f3是根据飞行器模型得到的未知平滑非线性函数,g12、g22、g13和g23是根据飞行器模型得到的已知项。
(d)定义坐标变换设计η2为:
其中,
定义航迹角误差的积分η1,由下式得到:
设计俯仰角指令为:
θcmd=-kθη1+γd (14)
式中,kθ∈(0,1]为设计参数。
定义俯仰角跟踪误差为:
设计俯仰角速度虚拟控制量为:
式中,k1>0为设计参数,
俯仰角速度误差动力学如下:
式中,表示未知非线性函数,表示已知项。
用神经网络逼近未知非线性函数
其中,表示的估计值,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,ε1表示神经网络逼近误差。
设计舵偏角如下:
式中,k2>0和为设计参数,为鲁棒项用于消除逼近误差带来的影响。
定义建模误差为:
其中由下式得到:
式中,β1>0为设计参数。
设计自适应律为:
式中,γ1>0,γz1>0和ξ1>0为设计参数。
设计更新律为:
式中,ρ1>0和δ1>0为设计参数。
(e)根据得到的舵偏角δe和节流阀开度Φ,返回到飞行器动力学模型(1)-(5),对高度和速度进行跟踪控制。
实施例:
参照图1,本发明基于复合学习的非最小相位飞行器神经网络控制方法应用于高超声速飞行器,通过以下步骤实现:
(a)建立非最小相位高超声速飞行器纵向通道动力学模型:
其中,V表示速度,γ表示航迹倾角,h表示高度,α表示攻角,q表示俯仰角速度,δe表示舵偏角,Φ表示节流阀开度;T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度。
相关的力、力矩及参数定义如下:
其中表示动压,ρ表示空气密度,表示平均气动弦长,zT表示推力矩臂长,S表示气动参考面积。
(b)将动力学进行功能解耦为速度子***(1)和高度子***(2)-(5)。针对速度子***,定义速度跟踪误差为:
式中,Vd表示速度指令。设计节流阀开度Φ为:
式中,kpV=5,kiV=0.001和kdV=0.001。
(c)针对高度子***,定义高度跟踪误差设计航迹角指令γd为:
式中,hd为高度参考指令,为高度参考指令的一阶微分,kh=0.5和ki=0.1。
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
其中,为高度参考指令的二阶微分。
将姿态子***的输出航迹角γ重定义为俯仰角θ,其中θ=α+γ。定义航迹角误差为将姿态子***(3)-(5)进一步写为内动态子***:
和输入输出子***:
其中,
(d)定义坐标变换设计η2为:
其中,
定义航迹角误差的积分η1,由下式得到:
设计俯仰角指令为:
θcmd=-kθη1+γd (14)
式中,kθ=0.9。
定义俯仰角跟踪误差为:
设计俯仰角速度虚拟控制量为:
式中,k1=2,
俯仰角速度误差动力学如下:
式中,表示未知非线性函数,表示已知项。
用神经网络逼近未知函数
其中,表示的估计值,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,ε1表示神经网络逼近误差。
设计舵偏角如下:
式中,k2=0.8和为鲁棒项用于消除逼近误差带来的影响。
定义建模误差为:
其中由下式得到:
式中,β1=2。
设计自适应律为:
式中,γ1=5,γz1=1和ξ1=0.001。
设计更新律为:
式中,ρ1=0.01和δ1=0.001。
(e)根据得到的舵偏角δe和节流阀开度Φ,返回到高超声速飞行器的动力学模型(1)-(5),对高度和速度进行跟踪控制。
该方法首先将飞行器纵向通道模型分解为速度子***和高度子***,针对速度子***采用PID控制,针对高度子***采用反步法控制。对高度子***,基于输出重定义使不稳定的内动态变为渐进稳定的内动态,对输出重定义后的***内动态进行坐标转换,推导出用于控制器设计的俯仰角指令;针对***存在的未知非线性动力学采用神经网络进行估计,设计建模误差信号并结合跟踪误差给出复合学习算法,提高神经网络对非线性动力学的逼近性能。本发明利用输出重定义实现内动态稳定,基于复合学习神经网络估计飞行器不确定动力学,可为非最小相位飞行器控制提供新的思路。
Claims (1)
1.一种基于复合学习的非最小相位飞行器神经网络控制方法,其特征在于步骤如下:
步骤1:考虑具有非最小相位特性的飞行器纵向通道动力学模型:
所述动力学模型由五个状态量X=[V,h,γ,α,q]T和两个控制输入U=[δe,Φ]T组成;其中,V表示速度,h表示高度,γ表示航迹倾角,α表示攻角,q表示俯仰角速度,δe表示舵偏角,Φ表示节流阀开度;T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度;
相关的力、力矩及参数定义如下: 其中表示动压,ρ表示空气密度, 均表示气动参数,表示平均气动弦长,zT表示推力矩臂长,S表示气动参考面积;
步骤2:针对速度子***(1),定义速度跟踪误差为:
式中,Vd表示速度指令;设计节流阀开度Φ为:
式中,kpV>0,kiV>0和kdV>0为设计参数;
步骤3:针对高度子***(2)-(5),定义高度跟踪误差设计航迹角指令γd为:
其中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh>0和ki>0为设计参数;
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
其中,表示高度参考指令的二阶微分;
将姿态子***的输出由航迹倾角γ重定义为俯仰角θ,其中θ=α+γ;定义航迹角误差为姿态子***(3)-(5)进一步写为内动态子***:
和输入输出子***:
其中,f1和f3是根据飞行器模型得到的未知平滑非线性函数,g12、g22、g13和g23是根据飞行器模型得到的已知项;
步骤4:定义坐标变换设计η2为:
其中,
定义航迹角误差的积分η1,由下式得到:
设计俯仰角指令为:
θcmd=-kθη1+γd (14)
式中,kθ∈(0,1]为设计参数;
定义俯仰角跟踪误差为:
设计俯仰角速度虚拟控制量为:
式中,k1>0为设计参数,
俯仰角速度误差动力学如下:
式中,表示未知非线性函数,表示已知项;
用神经网络逼近未知非线性函数
其中,表示的估计值,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,ε1表示神经网络逼近误差;
设计舵偏角如下:
式中,k2>0和为设计参数,为鲁棒项用于消除逼近误差带来的影响;
定义建模误差为:
其中由下式得到:
式中,β1>0为设计参数;
设计自适应律为:
式中,γ1>0,γz1>0和ξ1>0为设计参数;
设计更新律为:
式中,ρ1>0和δ1>0为设计参数;
步骤5:根据得到的舵偏角δe和节流阀开度Φ,返回到飞行器动力学模型(1)-(5),对高度和速度进行跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810950482.5A CN108762098B (zh) | 2018-08-20 | 2018-08-20 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810950482.5A CN108762098B (zh) | 2018-08-20 | 2018-08-20 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108762098A CN108762098A (zh) | 2018-11-06 |
CN108762098B true CN108762098B (zh) | 2019-11-01 |
Family
ID=63967366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810950482.5A Active CN108762098B (zh) | 2018-08-20 | 2018-08-20 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108762098B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859602B (zh) * | 2021-01-11 | 2022-03-18 | 电子科技大学 | 一种非最小相位***输出重定义方法 |
CN114489095B (zh) * | 2021-12-11 | 2023-12-26 | 西北工业大学 | 一种应用于变体飞行器的类脑脉冲神经网络控制方法 |
CN114296352B (zh) * | 2021-12-31 | 2022-10-04 | 北京理工大学 | 一种高超声速飞行器的全局镇定控制方法及*** |
CN117687308B (zh) * | 2024-02-02 | 2024-04-19 | 北京理工大学 | 基于固定时间神经网络观测器的变体飞行器容错控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6332105B1 (en) * | 1999-05-21 | 2001-12-18 | Georgia Tech Research Corporation | Neural network based automatic limit prediction and avoidance system and method |
GB2423377A (en) * | 2002-12-09 | 2006-08-23 | Georgia Tech Res Inst | Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system. |
CN103365296A (zh) * | 2013-06-29 | 2013-10-23 | 天津大学 | 一种四旋翼无人飞行器非线性输出反馈飞行控制方法 |
CN104765272A (zh) * | 2014-03-05 | 2015-07-08 | 北京航空航天大学 | 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法 |
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN106094860A (zh) * | 2016-08-29 | 2016-11-09 | 广西师范大学 | 四旋翼飞行器及其控制方法 |
CN106647781A (zh) * | 2016-10-26 | 2017-05-10 | 广西师范大学 | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 |
CN107368091A (zh) * | 2017-08-02 | 2017-11-21 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
CN107450584A (zh) * | 2017-08-29 | 2017-12-08 | 浙江工业大学 | 一种基于固定时间滑模的飞行器自适应姿态控制方法 |
CN107450324A (zh) * | 2017-09-05 | 2017-12-08 | 西北工业大学 | 考虑攻角约束的高超声速飞行器自适应容错控制方法 |
CN107479383A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050137724A1 (en) * | 2003-10-10 | 2005-06-23 | Georgia Tech Research Corporation | Adaptive observer and related method |
-
2018
- 2018-08-20 CN CN201810950482.5A patent/CN108762098B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6332105B1 (en) * | 1999-05-21 | 2001-12-18 | Georgia Tech Research Corporation | Neural network based automatic limit prediction and avoidance system and method |
GB2423377A (en) * | 2002-12-09 | 2006-08-23 | Georgia Tech Res Inst | Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system. |
CN103365296A (zh) * | 2013-06-29 | 2013-10-23 | 天津大学 | 一种四旋翼无人飞行器非线性输出反馈飞行控制方法 |
CN104765272A (zh) * | 2014-03-05 | 2015-07-08 | 北京航空航天大学 | 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法 |
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN106094860A (zh) * | 2016-08-29 | 2016-11-09 | 广西师范大学 | 四旋翼飞行器及其控制方法 |
CN106647781A (zh) * | 2016-10-26 | 2017-05-10 | 广西师范大学 | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 |
CN107368091A (zh) * | 2017-08-02 | 2017-11-21 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
CN107450584A (zh) * | 2017-08-29 | 2017-12-08 | 浙江工业大学 | 一种基于固定时间滑模的飞行器自适应姿态控制方法 |
CN107450324A (zh) * | 2017-09-05 | 2017-12-08 | 西北工业大学 | 考虑攻角约束的高超声速飞行器自适应容错控制方法 |
CN107479383A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法 |
Non-Patent Citations (5)
Title |
---|
《Adaptive Dynamic Surface Control for a Hypersonic Aircraft Using Neural Networks》;Jongho Shin;《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》;20171010;第53卷(第5期);全文 * |
《Neural Control for Longitudinal Dynamics of Hypersonic Aircraft》;Bin Xu;《2013 International Conference on Unmanned Aircraft Systems (ICUAS)》;20130531;全文 * |
《RBF Neural Network based Adaptive Sliding Mode Control for Hypersonic Flight Vehicles》;Jianmin Wang;《Proceedings of 2016 IEEE Chinese Guidance, Navigation and Control Conference》;20160815;全文 * |
《基于RBF 神经网络自适应PID四旋翼飞行器控制》;李砚浓;《控制工程》;20160331;第23卷(第3期);全文 * |
《基于混合神经网络的鲁棒自适应飞行控制器的设计》;王丽;《电光与控制》;20161130;第23卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108762098A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111665857B (zh) | 基于复合智能学习的变体飞行器控制方法 | |
CN110377045B (zh) | 一种基于抗干扰技术的飞行器全剖面控制方法 | |
CN108762098B (zh) | 基于复合学习的非最小相位飞行器神经网络控制方法 | |
CN107479384B (zh) | 高超声速飞行器神经网络复合学习非反步控制方法 | |
CN108828957B (zh) | 基于切换机制的飞行器全局有限时间神经网络控制方法 | |
CN107450324B (zh) | 考虑攻角约束的高超声速飞行器自适应容错控制方法 | |
CN109062234B (zh) | 一种非最小相位飞行器复合学习滑模控制方法 | |
CN107479383B (zh) | 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法 | |
CN111679583B (zh) | 基于气动参数估计的变体飞行器自适应控制方法 | |
CN109144084B (zh) | 一种基于固定时间收敛观测器的垂直起降重复使用运载器姿态跟踪控制方法 | |
CN110908278B (zh) | 一种折叠翼飞行器的动力学建模与稳定控制方法 | |
CN107390531B (zh) | 参数学习有限时间收敛的高超声速飞行器控制方法 | |
CN109460050B (zh) | 一种针对变体无人机的复合分层抗干扰控制方法 | |
CN110568765A (zh) | 面向攻角跟踪的高超声速飞行器非对称输出受限控制方法 | |
CN112346470A (zh) | 一种基于改进自抗扰控制的四旋翼姿态控制方法 | |
CN110456636B (zh) | 基于不确定性上界估计的飞行器离散滑模自适应控制方法 | |
CN109828602B (zh) | 一种基于观测补偿技术的航迹回路非线性模型变换方法 | |
CN110187715B (zh) | 一种基于动态耦合分析的高超声速飞行器协调控制方法 | |
CN111273681B (zh) | 一种考虑攻角受限的高超声速飞行器高安全抗干扰控制方法 | |
CN107632518A (zh) | 基于高增益观测器的高超声速飞行器神经网络复合学习控制方法 | |
CN113778129A (zh) | 一种干扰补偿的高超声速变后掠翼飞行器跟踪控制方法 | |
CN110320794A (zh) | 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 | |
CN114721266B (zh) | 飞机舵面结构性缺失故障情况下的自适应重构控制方法 | |
Lee et al. | Linear parameter-varying control of variable span-sweep morphing aircraft | |
CN107479382A (zh) | 基于在线数据学习的高超声速飞行器神经网络控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |