CN108828957B - 基于切换机制的飞行器全局有限时间神经网络控制方法 - Google Patents
基于切换机制的飞行器全局有限时间神经网络控制方法 Download PDFInfo
- Publication number
- CN108828957B CN108828957B CN201810948465.8A CN201810948465A CN108828957B CN 108828957 B CN108828957 B CN 108828957B CN 201810948465 A CN201810948465 A CN 201810948465A CN 108828957 B CN108828957 B CN 108828957B
- Authority
- CN
- China
- Prior art keywords
- formula
- neural network
- design parameter
- design
- control
- 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 61
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims description 34
- 230000003044 adaptive effect Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 8
- 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
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000007786 learning performance Effects 0.000 abstract description 4
- 238000012938 design process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于切换机制的飞行器全局有限时间神经网络控制方法,属于飞行器控制领域,用于解决飞行器全局神经网络控制问题。该方法首先将飞行器纵向模型解耦为高度子***和速度子***,针对高度子***采用反步法控制,针对速度子***采用PID控制。对高度子***,引入切换机制实现有效逼近域内神经网络控制和逼近域外鲁棒控制之间的切换,同时基于跟踪误差和建模误差对神经网络权重进行更新,提高神经网络的学习性能,在此基础上给出鲁棒设计方案,可实现***跟踪误差的有限时间收敛。本发明保证飞行器神经网络控制始终在有效逼近域内工作,实现闭环***全局稳定性,保证实际工程应用的性能要求。
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切换机制的飞行器全局有限时间神经网络控制方法,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。神经网络可对未知动力学和模型不确定性进行逼近,被广泛应用于飞行器控制,但目前大多数方法假设神经网络在整个区域内一直可进行有效逼近为前提进行控制器设计,这就使得闭环***只能保证半全局稳定性,在实际应用中难以保证该前提。《Global neural dynamic surface tracking control of strict-feedback systemswithapplication to hypersonic flight vehicle》(Bin Xu,Chenguang Yang,YongpingPan,《IEEETransactions on Neural Networks and Learning Systems》,2015,26(10):2563-2575)一文针对高超声速飞行器纵向通道模型设计动态面控制,基于切换机制实现神经网络控制和鲁棒控制的切换,可保证闭环***全局稳定性,但该设计仅基于跟踪误差进行神经网络权重更新,并且不能实现跟踪误差的快速有限时间收敛。
发明内容
要解决的技术问题
针对目前飞行器神经网络控制方法较少考虑在控制过程中神经网络逼近是否一直有效的问题,本发明设计了一种基于切换机制的飞行器全局有限时间神经网络控制方法,该方法利用切换机制实现有效逼近域内神经网络控制和有效逼近域外鲁棒控制之间的切换,保证神经网络在有效逼近域内工作,实现闭环***的全局稳定性,同时基于跟踪误差和建模误差对神经网络权重进行更新,提高神经网络的学习性能,在此基础上给出鲁棒设计方案,可实现***跟踪误差的有限时间收敛。
技术方案
一种基于切换机制的飞行器全局有限时间神经网络控制方法,其特征在于步骤如下:
步骤1:考虑飞行器纵向通道动力学模型:
所述的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,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;
力、力矩以及各系数的表达式分别为:
T=TΦ(α)Φ+T0(α)≈(β1Φ+β2)α3+(β3Φ+β4)α2+(β5Φ+β6)α+(β7Φ+β8),
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,和β(·)均表示气动参数;
步骤2:定义高度跟踪误差为eh=h-hd,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;
取x1=γ,x2=θ,x3=q,其中θ=α+γ,因为Tsinα远远小于L,在控制器设计过程中近似忽略;姿态子***(3)-(5)写为以下严格反馈形式:
其中,fi,i=1,3是根据飞行器模型得到的未知平滑非线性函数,满足其中是已知函数;gi=ωgiθgi,i=1,3是根据飞行器模型得到的未知平滑非线性函数,ωgi未知,θgi已知,满足其中和是已知常数;
设计切换函数为:
其中,
其中,λi2>λi1>0,i=1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界由设计者给定,b>0和τk>0为设计参数;
步骤3:定义航迹角跟踪误差为:
e1=x1-γd (11)
设计俯仰角虚拟控制量为:
式中, 表示g1的估计值,表示的估计值,表示根据(9)设计的切换函数,k1>0,l1>0和0<υ1<1为设计参数;设计自适应神经网络控制和鲁棒控制为:
式中,表示f1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,为设计参数;
设计一阶滤波器为:
式中,表示通过滤波器(15)后获得的信号,为滤波后得到的信号的微分信号,α2>0为设计参数;
定义建模误差为:
其中由下式得到:
式中,B1>0为设计参数;
设计自适应律为:
式中,γ1>0,γz1>0和为设计参数;
设计自适应律为:
式中,Γ1>0和为设计参数;
定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
式中,k2>0,l2>0和0<υ2<1为设计参数;
设计一阶滤波器为:
式中,表示通过滤波器(22)后获得的信号,为滤波后得到的信号的微分信号,α3>0为设计参数;
定义俯仰角速率跟踪误差为:
设计舵偏角如下:
式中, 表示g3的估计值,表示的估计值,表示根据(9)设计的切换函数,k3>0,l3>0和0<υ3<1为设计参数;设计自适应神经网络控制和鲁棒控制为:
式中,表示f3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,为设计参数;
定义建模误差为:
其中由下式得到:
式中,B3>0为设计参数;
设计自适应律为:
式中,γ3>0,γz3>0和为设计参数;
设计自适应律为:
式中,Γ3>0和为设计参数;
步骤4:定义速度跟踪误差为:
式中,Vd为速度指令;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切换机制的飞行器全局有限时间神经网络控制方法,与现有技术相比有益效果为:
(1)本发明基于切换机制实现有效逼近域内神经网络控制与有效逼近域外鲁棒控制之间的切换,使神经网络始终在有效逼近域内工作,可保证闭环***全局稳定性。
(2)本发明所提出的切换机制充分考虑神经网络输入信息,可实现切换函数在0~1的平滑切换,减少控制能量的消耗。
(3)本发明给出基于跟踪误差和建模误差相结合的复合学习方法,可有效提高逼近域内神经网络的学习性能。
(4)本发明给出鲁棒设计方案,可实现***跟踪误差的有限时间收敛。
附图说明
图1是本发明基于切换机制的飞行器全局有限时间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:一种基于切换机制的飞行器全局有限时间神经网络控制方法,通过以下步骤实现:
(a)考虑飞行器纵向通道动力学模型:
所述的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,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。
(b)定义高度跟踪误差为eh=h-hd,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。
取x1=γ,x2=θ,x3=q,其中θ=α+γ,因为Tsinα远远小于L,在控制器设计过程中近似忽略。姿态子***(3)-(5)写为以下严格反馈形式:
其中,fi,i=1,3是根据飞行器模型得到的未知平滑非线性函数,满足其中是已知函数;gi=ωgiθgi,i=1,3是根据飞行器模型得到的未知平滑非线性函数,ωgi未知,θgi已知,满足其中和是已知常数。
设计切换函数为:
其中,
其中,λi2>λi1>0,i=1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界由设计者给定,b>0和τk>0为设计参数。
(c)定义航迹角跟踪误差为:
e1=x1-γd (11)
设计俯仰角虚拟控制量为:
式中, 表示g1的估计值,表示的估计值,表示根据(9)设计的切换函数,k1>0,l1>0和0<υ1<1为设计参数。设计自适应神经网络控制和鲁棒控制为:
式中,表示f1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,为设计参数。
设计一阶滤波器为:
式中,表示通过滤波器(15)后获得的信号,为滤波后得到的信号的微分信号,α2>0为设计参数。
定义建模误差为:
其中由下式得到:
式中,B1>0为设计参数。
设计自适应律为:
式中,γ1>0,γz1>0和为设计参数。
设计自适应律为:
式中,Γ1>0和为设计参数。
定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
式中,k2>0,l2>0和0<υ2<1为设计参数。
设计一阶滤波器为:
式中,表示通过滤波器(22)后获得的信号,为滤波后得到的信号的微分信号,α3>0为设计参数。
定义俯仰角速率跟踪误差为:
设计舵偏角如下:
式中, 表示g3的估计值,表示的估计值,表示根据(9)设计的切换函数,k3>0,l3>0和0<υ3<1为设计参数。设计自适应神经网络控制和鲁棒控制为:
式中,表示f3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,为设计参数。
定义建模误差为:
其中由下式得到:
式中,B3>0为设计参数。
设计自适应律为:
式中,γ3>0,γz3>0和为设计参数。
设计自适应律为:
式中,Γ3>0和为设计参数。
(d)定义速度跟踪误差为:
式中,Vd为速度指令。设计节流阀开度Φ为:
式中,kpV>0,kiV>0和kdV>0为设计参数。
(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。
参照图1,本发明基于切换机制的飞行器全局有限时间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。
力、力矩以及各系数的表达式分别为:
T=TΦ(α)Φ+T0(α)≈(β1Φ+β2)α3+(β3Φ+β4)α2+(β5Φ+β6)α+(β7Φ+β8),
β1=-3.7693e5,β2=-3.7225e4,β3=2.6814e4,β4=-1.7277e4,
β5=3.5542e4,β6=-2.4216e3,β7=6.3785e3,β8=-1.0090e2,
zT=8.36,
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)定义高度跟踪误差eh=h-hd,设计航迹角指令γd为:
式中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh=0.5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,表示高度参考指令的二阶微分。
取x1=γ,x2=θ,x3=q,其中θ=α+γ,因为Tsinα远远小于L,在控制器设计过程中近似忽略。姿态子***(3)-(5)写成以下严格反馈形式:
式中,g1=ωg1θg1,g3=ωg3θg3,其中和未知,和已知。
(c)设计切换函数为:
其中
式中,λi2>λi1>0,i=1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界,b=2和τk=1。
定义航迹角跟踪误差为:
e1=x1-γd (11)
设计俯仰角虚拟控制量为:
式中,k1=2,l1=3和υ1=0.3, 表示g1的估计值,表示的估计值,表示根据(9)设计的切换函数,紧子集边界为λ11=0.55,λ12=1。设计自适应神经网络控制和鲁棒控制为:
式中,表示f1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,
设计一阶滤波器为:
式中,表示通过滤波器(15)后获得的信号,为滤波后得到的信号的微分信号,α2=0.005。
定义建模误差为:
其中由下式得到:
式中,B1=5。
设计自适应律为:
式中,γ1=1,γz1=1和
设计自适应律为:
式中,Γ1=2和
定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
式中,k2=3,l2=3和υ2=0.3。
设计一阶滤波器为:
式中,表示通过滤波器(22)后获得的信号,为滤波后得到的信号的微分信号,α3=0.005。
定义俯仰角速率跟踪误差为:
设计舵偏角如下:
式中,k3=3,l3=4和υ3=0.3, 表示g3的估计值,表示的估计值,表示根据(9)设计的切换函数,紧子集边界为λ31=0.55,λ32=1。设计自适应神经网络控制和鲁棒控制为:
式中,表示f3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,
定义建模误差为:
其中由下式得到:
式中,B3=5。
设计自适应律为:
式中,γ3=1,γz3=1和
设计自适应律为:
式中,Γ3=10-8和
(d)定义速度跟踪误差为:
式中,Vd为速度指令。设计节流阀开度Φ为:
式中,kpV=5,kiV=0.001和kdV=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。
本发明首先将飞行器纵向模型解耦为高度子***和速度子***,针对高度子***采用反步法控制,针对速度子***采用PID控制。对高度子***,引入切换机制实现有效逼近域内神经网络控制和逼近域外鲁棒控制之间的切换,同时基于跟踪误差和建模误差对神经网络权重进行更新,提高神经网络的学习性能,在此基础上给出鲁棒设计方案,可实现***跟踪误差的有限时间收敛。本发明保证飞行器神经网络控制始终在有效逼近域内工作,实现闭环***全局稳定性,保证实际工程应用的性能要求。
Claims (1)
1.一种基于切换机制的飞行器全局有限时间神经网络控制方法,其特征在于步骤如下:
步骤1:考虑飞行器纵向通道动力学模型:
所述的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,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;
力、力矩以及各系数的表达式分别为:
T=TΦ(α)Φ+T0(α)≈(β1Φ+β2)α3+(β3Φ+β4)α2+(β5Φ+β6)α+(β7Φ+β8),
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,和β(·)均表示气动参数;
步骤2:定义高度跟踪误差为eh=h-hd,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;
取x1=γ,x2=θ,x3=q,其中θ=α+γ,因为Tsinα远远小于L,在控制器设计过程中忽略;姿态子***(3)-(5)写为以下严格反馈形式:
其中,fi,i=1,3是根据飞行器模型得到的未知平滑非线性函数,满足其中是已知函数;gi=ωgiθgi,i=1,3是根据飞行器模型得到的未知平滑非线性函数,ωgi未知,θgi已知,满足其中和是已知常数;
设计切换函数为:
其中,
其中,λi2>λi1>0,i=1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界由设计者给定,b>0和τk>0为设计参数;
步骤3:定义航迹角跟踪误差为:
e1=x1-γd (11)
设计俯仰角虚拟控制量为:
式中, 表示g1的估计值,表示的估计值,表示根据(9)设计的切换函数,k1>0,l1>0和0<υ1<1为设计参数;设计自适应神经网络控制和鲁棒控制为:
式中,表示f1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,为设计参数;
设计一阶滤波器为:
式中,表示通过滤波器(15)后获得的信号,为滤波后得到的信号的微分信号,α2>0为设计参数;
定义建模误差为:
其中由下式得到:
式中,B1>0为设计参数;
设计自适应律为:
式中,γ1>0,γz1>0和为设计参数;
设计自适应律为:
式中,Γ1>0和为设计参数;
定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
式中,k2>0,l2>0和0<υ2<1为设计参数;
设计一阶滤波器为:
式中,表示通过滤波器(22)后获得的信号,为滤波后得到的信号的微分信号,α3>0为设计参数;
定义俯仰角速率跟踪误差为:
设计舵偏角如下:
式中, 表示g3的估计值,表示的估计值,表示根据(9)设计的切换函数,k3>0,l3>0和0<υ3<1为设计参数;设计自适应神经网络控制和鲁棒控制为:
式中,表示f3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,为设计参数;
定义建模误差为:
其中由下式得到:
式中,B3>0为设计参数;
设计自适应律为:
式中,γ3>0,γz3>0和为设计参数;
设计自适应律为:
式中,Γ3>0和为设计参数;
步骤4:定义速度跟踪误差为:
式中,Vd为速度指令;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 |
---|---|---|---|
CN201810948465.8A CN108828957B (zh) | 2018-08-20 | 2018-08-20 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810948465.8A CN108828957B (zh) | 2018-08-20 | 2018-08-20 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108828957A CN108828957A (zh) | 2018-11-16 |
CN108828957B true CN108828957B (zh) | 2019-11-05 |
Family
ID=64150385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810948465.8A Active CN108828957B (zh) | 2018-08-20 | 2018-08-20 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108828957B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320794A (zh) * | 2019-07-24 | 2019-10-11 | 西北工业大学 | 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 |
CN110308657A (zh) * | 2019-07-24 | 2019-10-08 | 西北工业大学 | 基于奇异摄动策略的弹性飞行器全局鲁棒智能控制方法 |
CN110888323A (zh) * | 2019-11-26 | 2020-03-17 | 大连理工大学 | 一种用于切换***智能优化的控制方法 |
CN111487866B (zh) * | 2020-04-09 | 2022-11-08 | 中北大学 | 基于混合事件触发的高超声速飞行器神经抗干扰控制方法 |
CN112327627B (zh) * | 2020-11-14 | 2022-06-21 | 西北工业大学 | 基于复合学习的非线性切换***自适应滑模控制方法 |
CN112379595B (zh) * | 2020-11-14 | 2022-06-21 | 西北工业大学 | 非线性严格反馈切换***复合干扰学习控制方法 |
CN113093539B (zh) * | 2021-03-29 | 2022-08-09 | 西北工业大学 | 基于多模态划分的宽域飞行鲁棒自适应切换控制方法 |
CN113110540B (zh) * | 2021-04-14 | 2023-01-13 | 西北工业大学 | 基于时标分解的弹性体飞行器全局有限时间控制方法 |
CN115309058B (zh) * | 2022-06-10 | 2023-06-30 | 哈尔滨理工大学 | 一种动力定位船的有限时间复合学习控制方法 |
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 CN201810948465.8A patent/CN108828957B/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 |
---|---|
CN108828957A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107479384B (zh) | 高超声速飞行器神经网络复合学习非反步控制方法 | |
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 | |
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 | |
CN107390531B (zh) | 参数学习有限时间收敛的高超声速飞行器控制方法 | |
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 | |
CN108536020A (zh) | 一种针对垂直起降重复使用运载器的模型参考自适应滑模控制方法 | |
CN111679583B (zh) | 基于气动参数估计的变体飞行器自适应控制方法 | |
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 | |
CN107632518B (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 | |
CN108776434B (zh) | 一种高超声速飞行器快速自适应滑模容错控制方法 | |
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 | |
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 | |
CN109062234B (zh) | 一种非最小相位飞行器复合学习滑模控制方法 | |
CN110597068A (zh) | 考虑攻角非对称约束的高超声速飞行器鲁棒控制方法 | |
CN111367182A (zh) | 考虑输入受限的高超声速飞行器抗干扰反步控制方法 | |
CN102880055A (zh) | 基于预测模型的高超声速飞行器神经网络控制方法 | |
CN110320807B (zh) | 基于奇异摄动分解的弹性飞行器数据筛选自适应控制方法 | |
CN113987894B (zh) | 一种基于降雨天气条件的无人机动力学建模方法 | |
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 | |
CN114564045A (zh) | 一种考虑降雨和阵风条件的无人机飞行控制律设计方法 | |
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 | |
CN111414011A (zh) | 一种考虑执行机构故障的高超声速飞行器保性能容错控制方法 |
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 |