针对舰载火箭炮在海上射击时的精度问题, 提出一种基于RBF神经网络对最优滑模控制进行优化的控制策略。首先,建立舰载火箭炮随动系统数学模型, 结合线性二次型最优控制理论与滑模控制设计一种全局最优滑模控制器(GROSMC), 既提高了系统响应速度又保证了良好的鲁棒性;接着,采用RBF神经网络对切换控制项的增益进行动态调节, 削弱滑模在切换时的抖振问题;最后,通过仿真对比验证所设计控制器的有效性, 表明该策略具有良好的控制性能, 满足系统要求。
舰载火箭炮 RBF神经网络 最优控制 滑模控制 shipborne artillery RBF neural network optimal control sliding mode control
1 郑州西亚斯学院电子信息工程学院, 郑州 451000
2 郑州大学信息工程学院, 郑州 450000
为了克服未知的执行器故障对四旋翼无人机编队飞行的影响, 提出了一种基于动态规划的最优协同容错控制律。首先, 建立了四旋翼无人机模型, 然后, 基于动态规划设计了最优协同控制律, 利用RBF神经网络逼近最优性能指标函数, 设计了自适应律来估计未知的执行器故障, 最终得到的最优协同容错控制律可实现对无人机编队飞行的高精度控制。通过对比仿真验证了设计的控制律具有更优的编队控制效果, 编队飞行的最大轨迹跟踪误差仅为0.04 m, 控制精度较高, 设计的自适应律具有更优的故障估计效果, 最大估计误差仅为0.05 N·m, 实现了对四旋翼无人机编队的安全稳定控制。
无人机编队 未知执行器故障 动态规划 RBF神经网络 自适应律 最优协同容错控制律 UAV formation unknown actuator failure dynamic programming RBF neural network adaptive law optimal cooperative fault-tolerant control law
为了实现兰州百合关键营养物质蛋白质和多糖的快速无损检测, 在12 000~4 000 cm-1光谱范围内采集了59份兰州百合粉的近红外光谱(NIRS)。 首先运用SG、 Normalize、 SNV、 MSC、 Detrend、 OSC、 SG+1D、 SG+Normalize、 SG+SNV和SG+Detrend十种预处理方法对原始光谱数据进行处理, 确定蛋白质的最佳预处理方法为SG+Detrend、 多糖的最佳预处理方法为Detrend; 然后运用CARS、 SPA和PCA三种算法对预处理的光谱数据进行特征波长筛选, 确定蛋白质和多糖的最佳特征波长提取方法均为SPA算法; 最后采用PLSR法建立了兰州百合关键营养物质蛋白质和多糖含量的预测模型, 结果显示, 经过SG+Detrend_SPA处理所建立的蛋白质PLSR模型中, 预测集相关系数Rp为0.810 6, 预测集均方根误差RMSEP为1.195 3; 经过Detrend_SPA处理所建立的多糖PLSR模型中, 预测集相关系数Rp为0.810 9, 预测集均方根误差RMSEP为2.0946。 考虑到经典PLSR无损预测模型精度的限制, 在该研究中提出SOM-RBF神经网络无损预测模型。 首先利用SOM网络对数据样本进行聚类, 然后将得到的聚类类别数和聚类中心作为RBF网络的隐层节点个数和隐层节点数据中心, 以此来优化RBF的结构参数。 在建立的蛋白质SOM-RBF神经网络模型中, 预测集相关系数Rp为0.866 6, 预测集均方根误差RMSEP为1.038 5; 建立的多糖SOM-RBF神经网络模型中, 预测集相关系数Rp为0.868 1, 预测集均方根误差RMSEP为1.799 4。 比较PLSR和SOM-RBF两种模型对两种物质的预测结果, 确定了SOM-RBF神经网络模型为最优建模方法, 最终确定在蛋白质检测中, 最优模型为基于SG+Detrend_SPA_SOM-RBF建立的模型, 模型的预测集相关系数较PLSR高5.6%, 预测集均方根误差较PLSR低0.156 8; 在多糖检测中, 确定的最优模型为基于Detrend_SPA_SOM-RBF建立的模型, 模型的预测集相关系数较PLSR高5.72%, 预测集均方根误差较PLSR低0.295 2。 研究结果表明, 运用NIR和SOM-RBF技术可以实现对兰州百合关键营养物质蛋白质和多糖的快速无损检测, 为今后快速无损检测兰州百合营养物质提供理论依据。
兰州百合 蛋白质 多糖 近红外光谱 无损检测 SOM-RBF神经网络 Lanzhou lily Protein Polysaccharide Near infrared spectroscopy Nondestructive testing SOM-RBF neural network 光谱学与光谱分析
2022, 42(7): 2025
1 昆明理工大学冶金与能源工程学院, 云南 昆明 650093
2 中国科学院过程工程研究所绿色过程与工程重点实验室, 湿法冶金清洁生产技术国家工程实验室, 北京 100190
3 河北工程大学信息与电气工程学院, 河北 邯郸 056038
锌冶炼浸出渣是湿法炼锌工艺产出的冶炼固废渣, 占锌冶炼固废产出总量的75%以上, 因含有Zn, Cu, Pb, Ag, Cd和As等多种有价金属元素, 其资源化利用潜力巨大。 然而由于其成分含量不稳定, 检测精度不足等原因, 导致关键元素的资源转化效率难以保证, 因此对浸出渣关键资源组分的精准定量分析在锌冶炼行业绿色发展方面具有重大意义。 该研究以Zn, Cu, Pb, Cd和As五种目标元素为分析对象, 分别采用XRF工作曲线法和XRF结合RBF神经网络模型的方法对浸出渣目标元素定量分析, 以相对误差、 相对标准偏差作为两种方法的评价指标, 对两种方法进行分析比较。 首先采用标准添加法对工业现场采集的锌浸出渣配制浓度梯度样, 并以此为标准化样品进行ICP-OES检测, 随后将ICP-OES检测结果作为目标元素定量分析基准值, 对浓度梯度样品进行X射线荧光光谱(XRF)检测, 建立目标元素工作曲线, 利用工作曲线对各目标元素进行定量分析。 同时用XRF光谱数据构建输入矩阵、 样品目标元素浓度构建输出矩阵, 训练RBF神经网络来构建浸出渣中目标元素多元定标模型, 并用此模型实现浸出渣样品目标元素预测。 工作曲线法定量分析结果与ICP-OES基准值对比得到相对误差均值为8.5%, 标准偏差均值为4.0%; RBF神经网络预测结果与ICP-OES基准值对比得到相对误差均值为0.18%, 标准偏差均值为0.58%。 结果表明, 两种方法均能实现浸出渣样品目标元素的定量分析, 但XRF结合RBF神经网络的方法能够对浸出渣样品进行精准定量分析和基体校正, 分析结果准确性和精密度优于传统工作曲线分析方法。
射线荧光光谱 精准定量分析 径向基神经网络模型 锌冶炼浸出渣 XRF Accurate quantitative analysis RBF neural network model Zinc smelting leaching slag
在对光纤位移传感器进行温度标定的过程中，随着工作环境的变化，位移传感器的测量值会产生误差，从而使位移传感器在使用时随着环境温度的变化发生精度下降的情况。为减少这种漂移偏差，该文使用径向基(RBF)神经网络对位移传感器进行温度补偿，并采用自适应的设计思想寻找RBF函数中心。将位移量和环境温度作为输入，其输出为传感器输出电压，使用自适应的设计思想来确定基函数的中心，建立一个基于RBF神经网络的模型。结果表明，该模型的训练结果可以使光纤位移传感器进行测量的相对误差降低9.23%，在测量精度上有很大的改进，证明了该方法的可行性。
光纤位移传感器 温度补偿 径向基(RBF)神经网络 测量精度 自适应 optical fiber displacement sensor temperature compensation RBF neural network measurement accuracy self-adaption
1 重庆邮电大学 智能传感技术与微系统重庆市高校工程研究中心, 重庆 400065
2 贵州航天控制技术有限公司, 贵阳 550009
针对微电子机械系统（MEMS）陀螺温度变化影响其零偏误差的问题, 提出了一种基于粒子群优化（PSO）和径向基函数（RBF）神经网络的陀螺零偏补偿方法。通过RBF神经网络对预处理后的陀螺零偏的温度误差建立模型, 用PSO搜索RBF神经网络的最优参数来提高其泛化能力后, 将PSO-RBF神经网络最优参数用于补偿陀螺零偏。实验结果证明了该算法的有效性, 经PSO-RBF神经网络算法补偿后, MEMS陀螺零偏的最大误差从0.046(°)/s减小到0.0034(°)/s, 标准差从0.0427(°)/s减小到 0.0013(°)/s, 有效提升了陀螺的零偏稳定性。
粒子群优化 RBF神经网络 温度补偿 MEMS陀螺 particle swarm optimization RBF neural network temperature compensation MEMS gyroscope
1 常州信息职业技术学院智能装备学院，江苏 常州，213164
2 苏州大学轨道交通学院，江苏 苏州，215131
3 江苏大学机械工程学院，江苏 镇江，212013
应用光纤激光器在GCr15轴承钢表面激光熔覆制备钴基合金涂层，运用正交试验研究激光功率、扫描速度与送粉率等工艺参数对熔覆层稀释率的影响，通过极差分析确定影响稀释率的关键因素，基于正交试验结果采用RBF神经网络建立激光工艺参数与熔覆层稀释率之间的预测模型，并用测试样本对网络进行检验。结果表明：对稀释率影响最显著的因素为送粉率，由于粉末熔化存在所需能量阈值和“热屏蔽”效应，稀释率并非随着激光功率和送粉率的增大而一直增大或减小，而是存在波动现象；随着扫描速度的增大，稀释率不断变小，稀释率的变化由各熔覆工艺参数交互作用决定。经过试验数据训练后的RBF神经网络模型可以实现对不同激光工艺参数下制备的钴基涂层稀释率进行预测，预测值和试验测得值之间的相对误差都在6%以内，具有较高的预测能力。
激光熔覆 钴基合金涂层 稀释率 正交试验 RBF神经网络 laser cladding Co-based alloy coating dilution ratio orthogonal test RBF neural network
四旋翼飞行器因存在参数不确定性和环境干扰,会出现姿态不稳定的问题，而传统的PID控制对四旋翼的姿态稳定及机动性达不到控制需求。为此，提出了一种扩张状态观测器(ESO)的RBF神经网络PID控制器。首先，利用ESO的扩张特性和非线性函数对扰动进行估计和补偿，减少系统的误差; 其次，将ESO对系统输出的估计值作为RBF神经网络的输入，使梯度信息更加精确，能够更好地优化增量PID的参数; 最后，该神经网络的激励函数取高斯基函数，利用RBF神经网络的自适应性、自学习能力对模型控制参数进行调整。Matlab仿真实验表明，在未知干扰环境下，ESO的RBF神经网络PID控制器能够明显提高系统的抗干扰能力，且具有较小的超调量及较好的鲁棒性。
四旋翼控制 扩张状态观测器 径向基函数神经网络 比例积分微分控制 quadrotor control extended state observer RBF neural network PID control
吉林化工学院信息与控制工程学院, 吉林 吉林 132022
针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法。所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位。利用核主成分分析K-means++(KPCA-K-means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值。通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优。仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为-28.6 dBm~-25.1 dBm,定位误差小于0.1 m。因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点。
光通信 可见光定位 自适应花授粉 接收信号强度指示 RBF神经网络 核主成分分析K-means++模型 遗传算法-最小均方模型 光学学报
2021, 41(19): 1906001
1 南京理工大学能源与动力工程学院, 南京 210094
2 辽沈工业集团有限公司研发中心设计二所, 沈阳 110045
为提高电视末制导炮弹对地面目标的命中精度, 减小炮弹的落角误差, 同时实现以期望落角命中目标, 在分析带落角约束滑模制导律特点的基础上, 针对RBF(Radial Basis Function)神经网络滑模制导律难以以期望落角命中目标的不足, 提出了一种结合均值聚类与RBF神经网络的滑模制导律,使得神经网络在学习过程中能根据炮弹的实时飞行状态不断调整聚类中心, 使中心值始终是目前飞行状态下的最优解, 实现制导律的优化。对静目标与动目标算例的数值仿真表明: 相比带落角约束的滑模控制, RBF神经网络滑模控制、均值聚类RBF神经网络滑模控制由于均值聚类的加入, 求得的切换项增益能使炮弹以期望落角命中目标, 且具有较强的鲁棒性。
电视末制导炮弹 滑模控制 落角约束 均值聚类 RBF神经网络 TV terminal guided projectile sliding mode control falling angle constraint means clustering RBF neural network
