基于输入特性分析的光电跟踪内模控制设计

内模控制是一种基于对象教学模型进行控制器设计的新型控制策略,其设计思路是将对象模型与实际对象相并联,控制器逼近模型的动态逆.根据内模控制原理及光电跟踪系统参考输入及扰动输入特性,设计了一种新型位置控制器.并分析了IMC跟踪控制器的零稳念偏差及抗干扰性能.从仿真结果看,与常规PID控制相比,内模控制器参数调整简单、跟踪性能良好.特别是在针对目标突然机动的情况下.IMC控制器具有良好的稳态误差重构能力,即能迅速收敛到稳态误差.根据仿真结果数据统计,系统跟踪误差的均方根可减小到0.5 tarad,表明该控制器能够提高系统的跟踪精度,为高性能光电跟踪系统提供了一种新的控制策略.     

曲面重构误差的单纯形匹配检验方法

针对反求工程中的曲面重构误差检验问题,提出了一种点云数据和重构曲面的匹配检验方法.首先,通过包围盒刚体变换求取了匹配初值,再基于单纯形优化方法求取最佳变换矩阵完成了精确匹配.以匹配后的模型为基础,设定误差检验包络面,分析了测量点与重构曲面的偏差和均方根误差.实践证明:该方法具有高效、精确等特点,有效地解决了曲面重构误差分析和质量评估问题.     

弹性BP神经网络消除轮速传感器误差方法的研究

汽车轮速是汽车运动状态参数的主要信息源,是控制系统的核心,其精度直接影响这些系统的性能.为了提高轮速的精度,降低传感器的研制成本,提出了一种基于弹性BP神经网络的误差分析方法消除轮速传感器误差.将改进的BP神经网络--弹性BP神经网络用于误差分析,并提出误差匹配的算法.理论和仿真结果表明,该方法使绝对误差达到2×10-4>rad,能够有效地消除传感器误差,提高轮速信号的精度.     

混合储能系统能量转移双环控制策略

针对混合储能系统精确控制能量转移问题,提出了双环控制策略,即外环采用均衡控制策略,降低蓄电池组的大倍率放电时间和发热量,并保证蓄电池组的一致性,延长蓄电池系统使用寿命;内环采用时序串联控制方法,并分析了传统恒流充电方式由于器件杂散参数偏差导致充电精度低的问题,提出了时序重构方法来消除误差影响,以满足系统快速精确充电的要求。最后,通过仿真验证了该方法的有效性。     

利用卷积神经网络的太赫兹孔径编码增强成像

针对现有太赫兹孔径编码成像算法鲁棒性较差、计算求解复杂度较高等问题,提出基于卷积神经网络的太赫兹孔径编码增强成像方法.该方法通过构建一个端到端的神经网络来实现成像系统的隐式建模,利用网络强大的求逆能力和抗噪性能来实现低信噪比下的目标重构.通过仿真实验可以看出,该方法可以在不同信噪比下实现对不同稀疏度目标的重构.另外,与...     

智能车自主导航的神经网络转向控制算法

针对智能车模型,提出了基于机器视觉的神经网络转向控制算法.该算法的输入为一张道路图的黑线位置值,输出为前轮转角.试验结果表明,这种算法能够很好地学习操作员给定的控制策略,具有较好的稳定性和鲁棒性.     

改进的粒子群神经网络在飞控中的应用

针对BP神经网络对初始值敏感、容易陷入局部寻优且收敛速度较慢,提出用粒子群对神经网络的参数进行优化,同时设计了衰减的指数函数对惯性权重进行动态调整以提高算法性能.并应用该算法对导弹飞控系统的逆误差进行补偿,仿真结果表明,该方法对逆误差进行了有效的补偿,避免了局部寻优并提高了学习效率.     

基于灰色神经网络武器装备研制费用预测模型

提出了基于灰色系统理论与神经网络的武器装备研制费用组合预测模型,该模型首先采用灰色GM(0,N)模型对研制费用进行预测,利用LMBP神经网络对预测误差进行了模拟与修正,实例验证该方法具有较高的预测精度.     

一种基于神经网络的电液伺服系统智能控制方法

为解决智能控制中电液伺服系统的非线性和不确定性等缺陷,将神经网络控制技术和常规PID控制技术结合起来,分别进行了神经网络辨识器设计和神经网络控制器设计,利用神经网络在线辨识能力有效解决单神经元PID控制参数的调节问题,从而提出了一种基于神经网络的电液伺服系统智能控制方法.通过构建实验系统检验智能控制器的工作情况,实验结果表明该智能控制方法能够改善系统的动态特性,减小系统的稳态误差,具有较好的自适应性和鲁棒性,控制效果良好.     

PHEV电池电荷状态估计设计及仿真

电池管理系统(battery management system,BMS)是混合动力汽车(parallel hybrid electric vehicle,PHEV)能量管理系统中的核心组成部分,而其中电池电荷状态(state of charge,soc)则是PHEV控制策略中的重要参数.针对PHEV动力电池组SOC系统高度非线性和复杂性的特点,提出了一种基于改进的BP神经网络的HEV动力电池组的实时SOC估计,并对网络的收敛性进行了证明.利用大量PHEV动力电池组在行驶过程中充放电的数据样本,对神经网络进行网络训练并且进行仿真.结果表明,与传统离线SOC估计方法相比,能够有效地减小误差,提高电池SOC的精度.