CN107608215A - 一种基于rbf神经网络的测绘无人机姿态控制方法 - Google Patents

一种基于rbf神经网络的测绘无人机姿态控制方法 Download PDF

Info

Publication number
CN107608215A
CN107608215A CN201710972916.7A CN201710972916A CN107608215A CN 107608215 A CN107608215 A CN 107608215A CN 201710972916 A CN201710972916 A CN 201710972916A CN 107608215 A CN107608215 A CN 107608215A
Authority
CN
China
Prior art keywords
mrow
msub
mfrac
centerdot
sigma
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.)
Pending
Application number
CN201710972916.7A
Other languages
English (en)
Inventor
胡长琪
朱树云
马凤英
魏同发
付承彩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN201710972916.7A priority Critical patent/CN107608215A/zh
Publication of CN107608215A publication Critical patent/CN107608215A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本发明涉及一种基于RBF神经网络的测绘无人机姿态控制方法，其特征在于，包括以下步骤：S1：建立被控对象飞行器非线性动态模型；S2：针对非线性模型设计测绘无人机PID控制器；S3：利用神经网络非线性映射能力,得出控制器参数调节变化量；S4：RBF神经网络方法与PID控制方法相结合，得到基于RBF神经网络的自适应PID控制方法，在测绘无人机非线性模型上进行仿真。

Description

一种基于RBF神经网络的测绘无人机姿态控制方法
技术领域
本发明属于测绘无人机控制领域，具体涉及一种基于RBF神经网络的测绘无人机姿态控制方法。
背景技术
随着航天技术的不断发展，空间飞行器已在通信、灾情监测、资源勘探、导航定位、科学研究、军事等许多领域得到了越来越广泛的应用。飞行器的姿态控制系统是飞行器控制中的重要组成部分，它关系着入轨后的飞行器能否对引力中心体或惯性系、其它参考系以一定的精度保持在预定方位或指向。因此，正确、实时地控制飞行器的姿态具有重要的现实意义。
无人机是利用自备的程序或者无线电遥控设备来操纵的不载人飞机，它具有重量轻、体积小、造价低廉、使用方便等优点,非常适合于执行高危险任务或者人类无法到达的高难度地方。如搜救搜捕、地理测绘、空中巡逻、电力巡线等任务。然而测绘无人机姿态控制系统是一个多变量、非线性、时变的复杂系统，使得常规的定参数控制不能满足设计要求，且传统PID控制方法的环境适应性和抗干扰能力有限，控制精度和快速性等指标难以满足日益增长的控制需求。此为现有技术的不足之处。
因此，针对现有技术中的上述缺陷，提供设计一种基于RBF神经网络的测绘无人机姿态控制方法；以解决上述技术问题是非常有必要的。
发明内容
本发明的目的在于，针对上述现有技术存在的缺陷，提供设计一种基于RBF神经网络的测绘无人机姿态控制方法，以解决上述技术问题。
为实现上述目的，本发明给出以下技术方案：
一种基于RBF神经网络的测绘无人机姿态控制方法，其特征在于，包括以下步骤：
S1：建立被控对象飞行器非线性动态模型；
S2：针对非线性模型设计测绘无人机PID控制器；
S3：利用神经网络非线性映射能力,得出控制器参数调节变化量；
S4：RBF神经网络方法与PID控制方法相结合，得到基于RBF神经网络的自适应PID控制方法，在测绘无人机非线性模型上进行仿真。
作为优选，步骤S2中非线性模型设计测绘无人机PID控制器设计方法包括以下步骤：
S21：神经网络在线整定PID：
经典增量式数字PID控制算法表示为：
u(k)＝u(k-1)+kp(e(k)-e(k-1))+kie(k)+kd(e(k)-2e(k-1)+e(k-2)) (1)
其中,e(k)＝r(k)-y(k)，kp、ki、kd分别为控制器的比例、积分、微分系数。
S22：根据系统的给定值r(k)和实际的输出值y(k)的偏差,自动调节PID控制器的参数,从而达到给定性能指标最优,使输出层神经元的输出状态对应于PID控制器的三个可调参数kp、ki、kd。神经网络的学习算法如下:
取网络的性能指标函数为：
S23：根据RBF神经网络梯度下降法，在线调整输出权值、隐层节点的中心向量及基宽参数，调整算法如下：
由于未知，所以近似用符号函数来代替，由此带来的计算不确定的影响可通过调整学习速率η来补偿。
S24：PID控制器的三个可调参数kp、ki、kd，即为神经网络的输出O1、O2、O3，则根据式(1)可得：
S25：为了避免神经网络易陷入局部极小的问题,在调整网络的输出权、隐层节点的中心向量和基宽参数时,增加一个快速收敛的动量因子和一个学习速率因子。从上述分析中可以得到神经网络输出层权值的学习算法为：
wjl(k)＝wjl(k-1)+ηΔwjl(k)+α(wjl(k-1))-wjl(k-2) (9)
同理,可以得到隐层节点的中心向量及基宽参数的学习算法：
cij(k)＝cij(k-1)+ηcij(k)+α(cij(k-1)-cij(k-2)) (11)
σj(k)＝σj(k-1)+ηΔσj(k)+α(σj(k-1)-σj(k-2)) (13)
其中,η为学习速率,α为动量因子,η∈[0,1]，α∈[0,1]。
S26：PID控制器的三个可调参数kp、ki、kd的整定算法如下：
本发明的有益效果在于，本发明基于神经网络对PID参数的在线调整算法，该算法具有很强的系统跟踪能力和抗干扰能力,具有良好的控制效果。本发明采用RBF神经网络与PID控制方法相结合的基于RBF网络自适应PID控制方案，有效提高系统的控制精度、鲁棒性和自适应性。并且本发明弥补了传统PID控制器定参的缺陷，克服了以往控制算法无法兼顾精度、响应实时性和稳定性的缺陷,实现测绘无人机在环境不够理想、影响因素不完全确定等复杂条件下全方位全实况航拍的实时在线控制。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。
附图说明
图1是RBF神经网络自适应PID控制系统结构图；
图2是RBF神经网络的结构示意图。
具体实施方式
下面结合附图并通过具体实施对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。
如图1和2所示，本发明提供的一种基于RBF神经网络的测绘无人机姿态控制方法，其特征在于，包括以下步骤：
S1：建立被控对象飞行器非线性动态模型；
S2：针对非线性模型设计测绘无人机PID控制器；
S3：利用神经网络非线性映射能力,得出控制器参数调节变化量；
S4：RBF神经网络方法与PID控制方法相结合，得到基于RBF神经网络的自适应PID控制方法，在测绘无人机非线性模型上进行仿真。
本实施例中，步骤S2中非线性模型设计测绘无人机PID控制器设计方法包括以下步骤：
S21：神经网络在线整定PID：
经典增量式数字PID控制算法表示为：
u(k)＝u(k-1)+kp(e(k)-e(k-1))+kie(k)+kd(e(k)-2e(k-1)+e(k-2)) (1)
其中,e(k)＝r(k)-y(k)，kp、ki、kd分别为控制器的比例、积分、微分系数。
S22：根据系统的给定值r(k)和实际的输出值y(k)的偏差,自动调节PID控制器的参数,从而达到给定性能指标最优,使输出层神经元的输出状态对应于PID控制器的三个可调参数kp、ki、kd。神经网络的学习算法如下:
取网络的性能指标函数为：
S23：根据RBF神经网络梯度下降法，在线调整输出权值、隐层节点的中心向量及基宽参数，调整算法如下：
由于未知，所以近似用符号函数来代替，由此带来的计算不确定的影响可通过调整学习速率η来补偿。
S24：PID控制器的三个可调参数kp、ki、kd，即为神经网络的输出O1、O2、O3，则根据式(1)可得：
S25：为了避免神经网络易陷入局部极小的问题,在调整网络的输出权、隐层节点的中心向量和基宽参数时,增加一个快速收敛的动量因子和一个学习速率因子。从上述分析中可以得到神经网络输出层权值的学习算法为：
wjl(k)＝wjl(k-1)+ηΔwjl(k)+α(wjl(k-1))-wjl(k-2) (9)
同理,可以得到隐层节点的中心向量及基宽参数的学习算法：
cij(k)＝cij(k-1)+ηcij(k)+α(cij(k-1)-cij(k-2)) (11)
σj(k)＝σj(k-1)+ηΔσj(k)+α(σj(k-1)-σj(k-2)) (13)
其中,η为学习速率,α为动量因子,η∈[0,1]，α∈[0,1]。
S26：PID控制器的三个可调参数kp、ki、kd的整定算法如下：
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (6)

1.一种基于RBF神经网络的测绘无人机姿态控制方法，其特征在于，包括以下步骤：
S1：建立被控对象飞行器非线性动态模型；
S2：针对非线性模型设计测绘无人机PID控制器；
S3：利用神经网络非线性映射能力,得出控制器参数调节变化量；
S4：RBF神经网络方法与PID控制方法相结合，得到基于RBF神经网络的自适应PID控制方法，在测绘无人机非线性模型上进行仿真。
2.根据权利要求1所述的一种基于RBF神经网络的测绘无人机姿态控制方法，其特征在于，步骤S2中非线性模型设计测绘无人机PID控制器设计方法包括以下步骤：
S21：神经网络在线整定PID：
经典增量式数字PID控制算法表示为：
u(k)＝u(k-1)+kp(e(k)-e(k-1))+kie(k)+kd(e(k)-2e(k-1)+e(k-2)) (1)
其中,e(k)＝r(k)-y(k)，kp、ki、kd分别为控制器的比例、积分、微分系数。
3.根据权利要求2所述的一种基于RBF神经网络的测绘无人机姿态控制方法，其特征在于，步骤S2中非线性模型设计测绘无人机PID控制器设计方法还包括以下步骤：
S22：根据系统的给定值r(k)和实际的输出值y(k)的偏差,自动调节PID控制器的参数,从而达到给定性能指标最优,使输出层神经元的输出状态对应于PID控制器的三个可调参数kp、ki、kd；神经网络的学习算法如下:
取网络的性能指标函数为：
<mrow> <mi>E</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>(</mo> <mi>r</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <mi>y</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mi>e</mi> <msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
4.根据权利要求3所述的一种基于RBF神经网络的测绘无人机姿态控制方法，其特征在于，步骤S2中非线性模型设计测绘无人机PID控制器设计方法还包括以下步骤：
S23：根据RBF神经网络梯度下降法，在线调整输出权值、隐层节点的中心向量及基宽参数，调整算法如下：
<mrow> <msub> <mi>&amp;Delta;w</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>&amp;Delta;</mi> <mi>&amp;sigma;</mi> <mi>j</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>&amp;sigma;</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>&amp;sigma;</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;Delta;c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>E</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <mfrac> <mrow> <mo>&amp;part;</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>h</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>h</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
由于未知，所以近似用符号函数来代替，由此带来的计算不确定的影响可通过调整学习速率η来补偿。
5.根据权利要求4所述的一种基于RBF神经网络的测绘无人机姿态控制方法，其特征在于，步骤S2中非线性模型设计测绘无人机PID控制器设计方法还包括以下步骤：
S24：PID控制器的三个可调参数kp、ki、kd，即为神经网络的输出O1、O2、O3，则根据式(1)可得：
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mn>2</mn> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
6.根据权利要求5所述的一种基于RBF神经网络的测绘无人机姿态控制方法，其特征在于，步骤S2中非线性模型设计测绘无人机PID控制器设计方法还包括以下步骤：
S25：为了避免神经网络易陷入局部极小的问题,在调整网络的输出权、隐层节点的中心向量和基宽参数时,增加一个快速收敛的动量因子和一个学习速率因子；从上述分析中可以得到神经网络输出层权值的学习算法为：
wjl(k)＝wjl(k-1)+ηΔwjl(k)+α(wjl(k-1))-wjl(k-2) (9)
<mrow> <msub> <mi>&amp;Delta;w</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
同理,可以得到隐层节点的中心向量及基宽参数的学习算法：
cij(k)＝cij(k-1)+ηcij(k)+α(cij(k-1)-cij(k-2)) (11)
<mrow> <msub> <mi>&amp;Delta;c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>&amp;CenterDot;</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>)</mo> </mrow> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>j</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
σj(k)＝σj(k-1)+ηΔσj(k)+α(σj(k-1)-σj(k-2)) (13)
<mrow> <msub> <mi>&amp;Delta;&amp;sigma;</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>o</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>&amp;CenterDot;</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <mi>X</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>C</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>j</mi> <mn>3</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
其中,η为学习速率,α为动量因子,η∈[0,1]，α∈[0,1]；
S26：PID控制器的三个可调参数kp、ki、kd的整定算法如下：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>k</mi> <mi>p</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>o</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>J</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <mi>X</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>C</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>j</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>k</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>o</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>J</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mn>2</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <mi>X</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>C</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>j</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>k</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>o</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>J</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mn>3</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <mi>X</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>C</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>j</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
CN201710972916.7A 2017-10-18 2017-10-18 一种基于rbf神经网络的测绘无人机姿态控制方法 Pending CN107608215A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710972916.7A CN107608215A (zh) 2017-10-18 2017-10-18 一种基于rbf神经网络的测绘无人机姿态控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710972916.7A CN107608215A (zh) 2017-10-18 2017-10-18 一种基于rbf神经网络的测绘无人机姿态控制方法

Publications (1)

Publication Number Publication Date
CN107608215A true CN107608215A (zh) 2018-01-19

Family

ID=61077169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710972916.7A Pending CN107608215A (zh) 2017-10-18 2017-10-18 一种基于rbf神经网络的测绘无人机姿态控制方法

Country Status (1)

Country Link
CN (1) CN107608215A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108958020A (zh) * 2018-05-29 2018-12-07 南京理工大学 一种基于rbf神经网络动态预测pid的温度控制方法
CN109101757A (zh) * 2018-09-03 2018-12-28 哈尔滨理工大学 一种液压四足机器人单腿刚性支撑相控制方法
CN109782812A (zh) * 2019-03-06 2019-05-21 深圳慧源创新科技有限公司 无人机飞行方法、装置、pid控制器及存储介质
CN111459014A (zh) * 2020-03-25 2020-07-28 唐山钢铁集团有限责任公司 一种基于神经网络pid的天车摆角模型控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120098203A (ko) * 2011-02-28 2012-09-05 고려대학교 산학협력단 제어 파라미터를 적응적으로 변화시키는 ｐｉｄ 제어 방법 및 이를 이용한 ｐｉｄ 제어 장치
CN104331085A (zh) * 2014-11-03 2015-02-04 东华大学 一种基于pid神经网络的无人机控制方法
CN106483850A (zh) * 2016-11-23 2017-03-08 沈阳航天新光集团有限公司 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法
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
CN107065902A (zh) * 2017-01-18 2017-08-18 中南大学 基于非线性模型的无人机姿态模糊自适应预测控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120098203A (ko) * 2011-02-28 2012-09-05 고려대학교 산학협력단 제어 파라미터를 적응적으로 변화시키는 ｐｉｄ 제어 방법 및 이를 이용한 ｐｉｄ 제어 장치
CN104331085A (zh) * 2014-11-03 2015-02-04 东华大学 一种基于pid神经网络的无人机控制方法
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
CN106483850A (zh) * 2016-11-23 2017-03-08 沈阳航天新光集团有限公司 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法
CN107065902A (zh) * 2017-01-18 2017-08-18 中南大学 基于非线性模型的无人机姿态模糊自适应预测控制方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李砚浓 等: "基于RBF神经网络自适应PID四旋翼飞行器控制", 《控制工程》 *
汤世松 等: "相机稳定平台的RBF神经网络PID控制方", 《导航与控制》 *
薛文涛 等: "三自由度飞行器模型的神经网络PID控制", 《控制工程》 *
郭斌 等: "基于微分器与RBF神经网络补偿的PID控制", 《计算机仿真》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108958020A (zh) * 2018-05-29 2018-12-07 南京理工大学 一种基于rbf神经网络动态预测pid的温度控制方法
CN109101757A (zh) * 2018-09-03 2018-12-28 哈尔滨理工大学 一种液压四足机器人单腿刚性支撑相控制方法
CN109782812A (zh) * 2019-03-06 2019-05-21 深圳慧源创新科技有限公司 无人机飞行方法、装置、pid控制器及存储介质
CN109782812B (zh) * 2019-03-06 2022-04-19 深圳慧源创新科技有限公司 无人机飞行方法、装置、pid控制器及存储介质
CN111459014A (zh) * 2020-03-25 2020-07-28 唐山钢铁集团有限责任公司 一种基于神经网络pid的天车摆角模型控制方法

Similar Documents

Publication Publication Date Title
CN103616818B (zh) 微陀螺仪的自适应模糊神经全局快速终端滑模控制方法
CN103760906B (zh) 神经网络与非线性连续无人直升机姿态控制方法
Szafranski et al. Different approaches of PID control UAV type quadrotor
CN103885450B (zh) 无人直升机姿态非线性控制方法及验证平台
CN107608215A (zh) 一种基于rbf神经网络的测绘无人机姿态控制方法
He et al. A Simple Attitude Control of Quadrotor Helicopter Based on Ziegler‐Nichols Rules for Tuning PD Parameters
CN105912009B (zh) 基于极点配置和模糊自抗扰控制技术的四旋翼飞行器控制方法
CN104898683B (zh) 一种挠性卫星神经网络反步滑模姿态控制方法
Yan et al. Consensus formation tracking for multiple AUV systems using distributed bioinspired sliding mode control
CN103853157A (zh) 一种基于自适应滑模的飞行器姿态控制方法
CN103760905A (zh) 基于模糊前馈单旋翼无人直升机姿态非线性鲁棒控制方法
CN105607473A (zh) 小型无人直升机的姿态误差快速收敛自适应控制方法
Xu et al. Information fusion estimation-based path following control of quadrotor UAVs subjected to Gaussian random disturbance
CN104331085A (zh) 一种基于pid神经网络的无人机控制方法
CN105785762A (zh) 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法
Wang et al. Robust attitude tracking control of small-scale unmanned helicopter
Sun et al. Linear-quadratic regulator controller design for quadrotor based on pigeon-inspired optimization
Shin et al. Model predictive flight control using adaptive support vector regression
Wang et al. Adaptive neural control for cooperative path following of marine surface vehicles: state and output feedback
Liu et al. Robust attitude control for quadrotors with input time delays
CN104932514A (zh) 小型无人直升机的姿态非线性自适应控制方法
CN114815861A (zh) 一种基于时空径向基函数神经网络的容错飞行控制方法
CN113268059A (zh) 一种基于有限时间扩张状态观测器的多无人艇编队控制方法
He et al. Fuzzy intelligent control method for improving flight attitude stability of plant protection quadrotor UAV
Wang et al. Path following of the autonomous airship with compensation of unknown wind and modeling uncertainties

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180119