神经网络在鲁棒镇定控制器设计中的应用

采用神经网络法求解最优的鲁棒控制器，解决了不确定参数线性离散系统的在线优化控制问题，保证了系统具有良好的动、静态性能．从一个保证系统稳定的引理出发，通过二次规划确定鲁棒镇定控制器的形式，采用神经网络计算控制器参数，该网络具有全局收敛性，不用训练数据，易于用电子线路实现，且满足实时控制的需要．并进行了仿真验证．     

利用Java和Web构建基于互联网的远程控制系统

提出一种无需固定的控制端、无需安装配置控制软件的远程控制系统。该系统的控制结构通过互联网动态构建,控制人员通过浏览器控制分布在互联网上的设备。为此,设计了一种分布式控制系统结构,系统各部分采用了具有不同功能、不同类型的程序。实验结果表明了该系统的可行性和有效性。     

吸气式高超声速飞行器控制技术综述与展望

作为空天领域的制高点,吸气式高超声速飞行器以超燃冲压发动机为主动力,飞行马赫数大于5,但其控制技术尚不成熟.简要回顾了面向控制的AHV模型,包括两种典型的纵向动力学模型以及其他代表性工作.综述了近二十年AHV控制领域的重要理论成果,涵盖反步法、自适应等多种现代控制方法.结合AHV工程中亟待解决的大包线飞行控制、气动舵/...     

适用于星敏感器的预测未知恒星星像质心算法

提出了一种自主预测视场内未知恒星星像质心算法.该算法采用星跟踪算法来提取视场内已知恒星星像坐标.根据已知恒星信息从主星表中搜索视场内所有未知恒星,并采用这些信息预测所有未知恒星的理想像平面中心,从以这些预测的理想坐标为中心的范围内提取相应的实际星像坐标.同时采用已知恒星来验证未知恒星星像坐标.最后,对该算法进行了外场观星测试.实验结果表明:该方法提取未知恒星星像坐标时,扫描星图的像元只有局部提取星像算法的0.12%,所以进一步提高了数据更新率.     

起重行业变频器选型方法

介绍了变频调速控制技术的发展现状及其在起重行业中的应用,分析了系统中变频器的选型方法.在系统整体设计及工程应用过程中,变频器的选型直接影响着整个系统的工作性能.对起重行业变频器容量的选型计算方法作了详细叙述,并介绍了变频器选型时的注意事项,以便于工程技术人员更好地开展工作.     

参数摄动系统的鲁棒H ∞状态估计

基于Shaked提出的参数依赖型有界实引理，研究具有凸多面体参数摄动系统的鲁棒H∞状态估计问题．采用线性矩阵不等式技术，推导出此类不确定系统的全阶鲁棒H∞滤波器存在的充分条件，并将滤波器的设计转化为一个凸优化的求解问题．与传统的基于二次稳定的滤波方案相比，该滤波器设计方法具有较小的保守性．     

电镀生产线微机控制系统的研制

本文针对电镀生产线综合自动化问题,设计了一套微机控制系统。该系统以TK—80工业控制机为核心,实现了对电镀生产线上双车双臂的顺序控制和电镀工艺参数(温度、电流密度、PH值)的控制及生产过程监视,故障诊断等多种功能。实际应用证明,该系统具有可靠性高,灵活性好及操作简单的优点,适于推广使用。     

吸气式高超声速飞行器控制的最新研究进展

随着超燃冲压发动机技术的快速发展,吸气式高超声速飞行器正受到世界范围内的高度关注,而其控制系统的设计则是重中之重.首先简要回顾了吸气式高超声速飞行器建模的发展,表明了对其进行控制器设计的复杂性;然后着重阐述了几种广泛应用于吸气式高超声速飞行器的控制方法:基于线性化模型的控制方法、反向递推法、T-S模糊控制方法、自适应控制和滑模变结构控制;最后指出了在控制器设计环节需要考虑的若干问题,例如:执行机构的非线性、容错控制、多目标控制、切换控制等,同时也是今后吸气式高超声速飞行器控制系统设计的研究方向.     

RTX 在激光制导炸弹半实物仿真中的应用

三轴仿真转台是激光制导炸弹导引头半实物仿真系统中的关键设备之一, 针对高精度三轴仿真转台实时控制的要求, 讨论了基于RTX 的实时控制系统的设计和实现方法, 介绍了RTX 的实时特征, 对Windows- NT 系统和RTX 实时操作系统在实时精度方面的性能进行了比较。并给出弹道跟踪曲线等实验结果。实验证明, 该系统实时性高, 工作稳定可靠。     

A New Combined Neural Network Model

This paper discusses the principle structures,learning algorithms and approximating abili-ties of two typical classes of neural networks models:BP and CMAC,presents the architectureand foundation of a new kind of Combined Neural Network(CNN)which uses the output of aCMAC neural network as a BP’s additional input node.And the corresponding learning algorithmis obtained by backpropagating the approximating error in the output layer through eachhidden layer to the input nodes as well.Comparisons in terms of converge speed andapproximating ability are made among BP,CMAC and CNN.Simulations suggest that the CNNhas the advantages of fast learning speed and good generalizability ability.