CN112540539B - 一种面向光电跟踪系统的神经网络控制方法 - Google Patents

Abstract

本申请公开了一种面向光电跟踪系统的神经网络控制方法，包括主控单元，驱动单元和运动平台；所述神经网络控制方法集成于主控单元中，所述神经网络控制技术通过运动平台中惯性测量单元采集外部扰动角速度和陀螺稳定平台自身的旋转变压器的位置信息，然后结合所述神经网络控制方法对运动平台外部扰动和轴系被控对象内部扰动控制量的补偿，经驱动单元作用于轴系被控对象上，稳定了陀螺稳定平台和运动平台的视轴。所述神经网络控制方法在扰动环境，通过自适应前馈补偿控制光电跟踪系统，在运动平台运动的过程中确保光电跟踪系统的视轴稳定于运动平台的惯性空间，抑制运动平台的运动对系统性能的影响，提高了光电跟踪系统的控制性能。

Description

一种面向光电跟踪系统的神经网络控制方法

技术领域

本申请涉及神经网络的技术领域，具体而言，涉及一种面向光电跟踪系统的神经网络控制系统及方法。

背景技术

目前光电跟踪系统常集成于运动平台上。当平台运动时，问题的关键是如何使得光电跟踪系统抑制载体运动对其视轴的扰动。由于载体的运动与振动以及内部摩擦等因素，会造成光电跟踪系统的视轴受到扰动而抖动，从而使图像成像质量降低，影响整个系统的跟踪精度。

而现有技术中，对于光电跟踪系统，由于图像探测器的能力受限，其采样频率较低，从而限制了位置环的跟踪带宽。因此，运动平台上的光电跟踪系统通常需要加入陀螺稳定平台以抑制载体(即运动平台)的运动对系统的影响，使运动平台的视轴稳定于运动平台的惯性空间，从而陀螺稳定平台的惯性稳定精度会影响光电稳定系统的跟踪精度。

发明内容

为了提高陀螺稳定平台的控制性能，克服陀螺稳定平台的内部扰动以及载体平台的外部扰动；为了更加有效地克服载体的运动等外部扰动及陀螺稳定平台的内部扰动产生的干扰，提高陀螺稳定平台的控制性能，使运动平台的视轴稳定于惯性空间，提高光电跟踪系统设备的跟踪精度，保证系统的正常工作。

本申请的技术方案是：本申请提供了一种面向光电跟踪系统的神经网络控制方法，包括速度环控制器的主控单元，一个驱动单元和包含一套陀螺的陀螺稳定平台的运动平台，其特征在于，主控单元还包括第一神经网络控制器NN1和第二神经网络控制器NN2，运动平台还包括一套惯性测量单元，陀螺稳定平台上的轴系被控对象和旋转变压器，进行以下步骤：

在主控单元中根据运动平台的振动情况设定所需校正的角速度期望值x_1d，陀螺稳定平台反馈测量的角速度y至主控单元；

惯性测量单元采集由振动d对运动平台外部扰动产生的角速度ω_d信号，陀螺稳定平台的陀螺和旋转变压器分别采集运动平台的角速度y和位置θ_m信号，并将所述的角速度y和位置θ_m信号输入到主控单元得到角速度的误差量e和综合误差量S；

主控单元中神经网络控制器的第一神经网络控制器NN1接收角速度ω_d信号，通过对神经网络自身的自适应前馈控制器输入运动平台外部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_od；主控单元中神经网络控制器的第二神经网络控制器NN2接收位置θ_m信号，通过对神经网络自身的自适应前馈控制器输入运动平台上轴系被控对象的内部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_id；主控单元输入角速度的误差量e传输给速度环控制器的模型输出得到闭环反馈控制量u_c；

由所述速度环控制器输出的闭环反馈控制量u_c、所述第一神经网络控制器NN1的第一神经网络控制模型输出的前馈控制补偿量u_od和所述第二神经网络控制器NN2的第二神经网络控制模型输出的前馈控制补偿量u_id得到综合控制量u，并将综合控制量u输出至驱动单元；

由主控单元输出的综合控制量u经驱动单元传输至轴系被控对象；

轴系被控对象接收到驱动单元由综合控制量u转换的控制作用，对运动平台和陀螺稳定平台进行惯性稳定。

上述任一项技术方案中，进一步地，所述主控单元中神经网络控制器的第一神经网络控制器NN1接收角速度ω_d信号，通过对神经网络自身的自适应前馈控制器输入运动平台外部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_od包括：

主控单元(1)中神经网络控制器的第一神经网络控制器NN1接收惯性测量单元输入的角速度ω_d信号，通过对神经网络自身的自适应前馈控制器输入运动平台外部扰动控制量的补偿，采用Sigmoid函数作为神经网络的激活函数，经神经网络自身的自适应前馈控制器的第一神经网络控制模型输出得到神经网络前馈控制补偿量u_od；

所述主控单元中神经网络控制器的第二神经网络控制器NN2接收位置θ_m信号，通过对神经网络自身的自适应前馈控制器输入运动平台上轴系被控对象的内部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_id包括：

主控单元中神经网络控制器的第二神经网络控制器NN2接收旋转变压器输入的位置θ_m信号，通过对神经网络自身的自适应前馈控制器输入运动平台上轴系被控对象的内部扰动控制量的补偿，采用径向基函数作为神经网络的激活函数，经神经网络自身的自适应前馈控制器的第一神经网络控制模型输出得到神经网络前馈控制量前馈控制补偿量u_id。

上述任一项技术方案中，进一步地，所述第一神经网络控制器NN1的第一神经网络自适应控制模型的输出前馈控制补偿量u_od为：

u_od＝W₁ ^Th₁(x_o) 1-3

式1-3中，W₁为第一神经网络自适应控制模型的权值，是一个11维初值为0的列向量，T为矩阵转置，h₁(x_o)为第一神经网络激活函数为Sigmoid模型。

上述任一项技术方案中，进一步地，所述第一神经网络控制器NN1的神经网络模型采用自适应控制模型，满足第一自适应更新率模型的输出条件

为：

式1-4中，

为W₁的微分，γ₁为学习率，取值为100，S为综合误差量，h₁(x_o)为第一神经网络激活函数为Sigmoid模型。

上述任一项技术方案中，进一步地，所述第二神经网络控制器NN2的第二神经网络自适应控制模型输出的前馈控制补偿量u_id为：

u_id＝W₂ ^T[h₂(x_i) 1]^T 1-7

式1-7中，W₂为第二神经网络自适应控制模型的权值，是一个2维初值为0的列向量，h₂(x_i)为x_i的径向基函数，T为矩阵转置。

上述任一项技术方案中，进一步地，所述第二神经网络控制器NN2(8)的神经网络模型采用自适应控制模型，满足第二自适应更新率模型的输出条件

为：

式1-9中，

为W₂的微分，γ₂为学习率，取值为10，S为综合误差量。

上述任一项技术方案中，进一步地，所述速度环控制器输出的闭环反馈控制量u_c、所述第一神经网络控制器NN1的第一神经网络控制模型输出的前馈控制补偿量u_od和所述第二神经网络控制器NN2的第二神经网络控制模型输出的前馈控制补偿量u_id得到综合控制量u，并将综合控制量u输出至驱动单元包括：

由所述主控单元系统模型将各补偿量传输给总补偿模型，经其输出得到综合控制量u为：

u＝u_c+u_id+u_od 1-11

并将综合控制量u传输给驱动单元(2)；其中，u_c为所述速度环控制器输出的闭环反馈控制量，u_od为第一神经网络控制器NN1输出的神经网络前馈控制补偿量，u_id为第二神经网络控制器NN2输出的神经网络前馈控制补偿量。

本申请还提供了一种面向光电跟踪系统的神经网络控制系统，包括：依次连接的主控单元、驱动单元和运动平台，

所述主控单元包括第一神经网络控制器NN1和第二神经网络控制器NN2、微分运算单元和速度环控制器，所述主控单元用于隔离运动平台(3)的运动，并进行神经网络抗扰动自适应算法的计算；

所述驱动单元用于执行所述主控单元输出的模拟驱动电压信号，隔离所述运动平台的外部与内部的扰动；

所述运动平台包括惯性测量单元和陀螺稳定平台，所述惯性测量单元连接主控单元，用于测量外部敏感扰动角速度ωd信号，并将测得的扰动角速度ωd信号反馈给主控单元，陀螺稳定平台用于采集由振动d对运动平台外部扰动产生的角速度y和位置θ_m信号。

上述任一项技术方案中，进一步地，所述陀螺稳定平台包括轴系被控对象、陀螺和旋转变压器，所述轴系被控对象、陀螺和旋转变压器连接，所述轴系被控对象为执行机构，用于隔离外部扰动；

所述陀螺和旋转变压器分别设置于所述陀螺稳定平台上，用于分别测量运动平台敏感的角速度y和位置θ_m，并将测得的角速度y和位置θ_m提供给主控单元。

本申请还提供了一种控制器，其上存储有控制程序，其特征在于，所述控制程序被处理器执行时实现如权利要求1至7中任一项所述的神经网络控制方法，

所述第一神经网络控制器NN1与惯性测量单元连接，用于抑制载体外部扰动对运动平台的作用；

所述第二神经网络控制器NN2与陀螺稳定平台连接，用于抑制系统的内部扰动对运动平台的作用。

与现有技术相比，本申请的有益效果为：

1)、相比经典的陀螺稳定平台速度环纯PI闭环控制方式，本申请的神经网络自适应前馈控制方法提高了陀螺稳定平台的响应速度，增强了系统对扰动的抑制能力，提升了陀螺稳定平台的控制精度，提高了光电跟踪系统的跟踪精度；

2)、本申请充分利用了运动平台惯性测量单元和旋转变压器等传感器采集的信息，克服了运动平台运动的外部扰动和轴系被控对象摩擦的内部扰动对陀螺稳定平台稳定精度产生的影响；

3)、本申请需要调节的参数较少，需要的系统被控对象的参数少，降低了本神经网络控制算法对系统被控对象模型参数的依赖。

附图说明

本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请的一个实施例的面向光电跟踪系统的神经网络控制方法的流程示意图；

图2是根据本申请的一个实施例的一种面向光电跟踪系统的神经网络控制系统的结构示意图；

具体实施方式

本申请涉及一种面向光电跟踪系统的神经网络控制系统及方法，特别适应于具有惯性测量单元的光电跟踪系统，在具有扰动的情况下，实现光电跟踪系统的自适应前馈补偿控制，通过利用神经网络自适应前馈控制技术，结合陀螺稳定平台中测角器件(旋转变压器等)对陀螺稳定平台中的摩擦等内部扰动进行补偿；利用本申请通过的神经网络自适应前馈控制技术结合光电跟踪设备中惯性测量单元速度信息的辅助，对载体运动等外部扰动进行补偿控制，从而实现陀螺稳定平台对载体运动的隔离，确保光电跟踪系统的视轴可以在载体在运动的过程中稳定于惯性空间，抑制载体运动对设备性能的影响；有效地提高了陀螺稳定平台的响应速度，保证了实现光电跟踪系统视轴的惯性稳定，进而提高了陀螺稳定平台的控制精度，提升光电跟踪系统的控制性能。

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。

如图2所示，本实施例提供了一种面向光电跟踪系统的神经网络控制系统，包括依次闭环连接的一个主控单元1，一个驱动单元2和一套运动平台3，

所述主控单元1包括神经网络控制器、微分运算单元9和速度环控制器7，所述主控单元控制器是所述系统实现隔离载体(即运动单元3)的运动与抗扰控制算法的基本单元，所述神经网络控制器包括两个神经网络控制器，分别为第一神经网络控制器NN1和第二神经网络控制器NN2及每个神经网络控制器内的自适应前馈控制算法，所述第一神经网络控制器NN1与惯性测量单元4连接，用于抑制载体外部扰动对运动平台3的影响；所述第二神经网络控制器NN2与陀螺稳定平台5连接，用于抑制系统的内部扰动对运动平台3的影响。

所述驱动单元2为隔离单元，将主控单元输出的数字信号通过驱动单元2作用于陀螺稳定平台轴系被控对象的驱动电压，用于驱动陀螺稳定平台的轴系被控对象实现陀螺稳定平台扰动的隔离，同时也隔离了所述运动平台3的扰动。

所述运动平台3包括惯性测量单元4和陀螺稳定平台5，所述惯性测量单元4连接主控单元1，用于测量外部敏感扰动角速度，并将测得的扰动角速度反馈给主控单元1。所述陀螺稳定平台5包括轴系被控对象10和陀螺11和旋转变压器12，所述陀螺11和旋转变压器12与轴系被控对象10连接，作为反馈元件，分别用于测量运动平台3敏感的角速度y和位置θm并提供给主控单元1，所述轴系被控对象10为执行机构，用于实现外部扰动的隔离。

以上结合附图详细说明了本申请的技术方案，基于同一发明构思，本申请还提出了一种面向光电跟踪系统的神经网络控制方法，如图1和图2所示，包括以下步骤：

在主控单元1中根据运动平台3的振动情况设定所需校正的角速度期望值x_1d，陀螺稳定平台5反馈测量的角速度y至主控单元1；

惯性测量单元4采集由振动d对运动平台3外部扰动产生的角速度ω_d信号，陀螺稳定平台5的陀螺11和旋转变压器12分别采集运动平台3的角速度y和位置θ_m信号，并将所述的角速度y和位置θ_m信号输入到主控单元1得到角速度的误差量e和综合误差量S；

主控单元1中神经网络控制器的第一神经网络控制器NN1接收角速度ω_d信号，通过对神经网络自身的自适应前馈控制器输入运动平台3外部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_od；主控单元1中神经网络控制器的第二神经网络控制器NN2接收位置θ_m信号，通过对神经网络自身的自适应前馈控制器输入运动平台3上轴系被控对象10的内部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_id；主控单元1输入角速度的误差量e传输给速度环控制器7的模型输出得到闭环反馈控制量u_c；

由所述速度环控制器7输出的闭环反馈控制量u_c、所述第一神经网络控制器NN1的第一神经网络控制模型输出的前馈控制补偿量u_od和所述第二神经网络控制器NN2的第二神经网络控制模型输出的前馈控制补偿量u_id得到综合控制量u，并将综合控制量u输出至驱动单元2；

由主控单元1输出的综合控制量u经驱动单元2传输至轴系被控对象10；

轴系被控对象10接收到驱动单元2由综合控制量u转换的控制作用，对运动平台3和陀螺稳定平台5进行惯性稳定。

所述神经网络自适应前馈控制技术通过惯性测量单元采集敏感的外部扰动角速度信号和陀螺稳定平台自身携带的旋转变压器的位置信号，结合所设计的神经网络自适应前馈控制模型的控制，实现对运动平台3外部扰动和轴系被控对象10摩擦等内部扰动控制量的补偿，进而经过驱动单元2作用于轴系被控对象上，实现陀螺稳定平台5的稳定和运动平台3视轴的惯性稳定。

对于本申请所述神经网络自适应控制算法的进一步描述为：

在经典的闭环反馈基础上，即主控单元1的速度环控制器7为经典的PI控制器，再增加两个神经网络控制器，即第一神经网络控制器NN1用于前馈补偿运动平台的运动等外部扰动，第二神经网络控制器NN2用于前馈补偿轴系被控对象的摩擦等内部扰动，主控单元1将三个控制器的输出量即闭环反馈控制量u_c、第一神经网络前馈控制补偿量u_od和第二神经网络前馈控制补偿量u_id综合后传输给驱动单元2输出至轴系被控对象10稳定于平台。

对于本发明所述的神经网络控制器1，其具体描述为：

选择第一神经网络的输入如下式1-1所示：

式1-1中，分

别为当前时刻t，前一时刻，…，前10时刻的运动平台3的角速度值，平台角速度由惯性测量单元4测量运动平台3的振动d得到，k为采样数，k≥0，运动平台3角速度由惯性测量单元4测量得到，x_o为第一神经网络的输入，为一11维列向量，T为矩阵转置。

选择第一神经网络激活函数为Sigmoid函数，其式为：

式1-2中，h_1j(x_o)为第j个x_oj输入元素对应的函数值，，x_oj为x_o的第j个元素，0≤j≤10。

第一神经网络的输出为

u_od＝W₁ ^Th₁(x_o) 1-3

式1-3中，u_od为第一神经网络控制器NN1的输出量，W₁为第一神经网络自适应控制模型的权值，是一个11维初值为0的列向量，T为矩阵转置，h₁(x_o)为第一神经网络激活函数为Sigmoid模型，其第一自适应更新率满足如下：

式1-4中,

为W₁的微分，γ₁为学习率，取值为100，S为综合误差量，h₁(x_o)为第一神经网络激活函数为Sigmoid模型，其中e和S为：

式1-5中，x_1d为期望角速度，y为陀螺稳定平台中陀螺测量的角速度，e为角速度误差量，

为e的微分，λ>0，取值为0.01。

对于本申请所述的第二神经网络控制器NN2，其具体描述为：

选择第二神经网络的输入如下式1-6所示：

式1-6中，x_i为第二神经网络控制器NN2的第二神经网络自适应控制模型的输入，θ_m为陀螺稳定平台5自带的旋转变压器12测得的角位置值θ_m，

为θ_m的微分值；

选择第二神经网络自适应控制模型的输出如下式1-7和1-8所示：

u_id＝W₂ ^T[h₂(x_i) 1]^T 1-7

式1-7中，u_id为第二神经网络自适应控制模型的输出，表达式如式1-8所示，W₂为第二神经网络自适应控制模型的权值，是一个2维初值为0的列向量，h₂(x_i)为径向基函数，T为矩阵转置，其第二自适应更新率模型的条件输出满足：

式1-9中，

为W₂的微分，γ₂为学习率，取值为10，S为综合误差量，由式1-5主控单元(1)的系统模型输出得到。

对于本申请所述的速度环控制器7，其为经典PI控制器，其具体的传递函数模型为：

其中，G_c(s)为传递函数模型，x_1d为主控单元1设定的角速度期望，y为陀螺11采集的角速度，K_p,K_i分别为比例和积分系数，，分别由轴系被控对象10的控制量设定，s为拉普拉斯变换。

对于本申请所述的神经网络自适应前馈补偿控制模型，其最终的综合控制量u为：

u＝u_c+u_id+u_od 1-11

本申请的一种面向光电跟踪系统的神经网络自适应前馈补偿控制方法，包括下述步骤：

A、主控单元1设定期望的角速度信号x_1d，结合陀螺稳定平台5中陀螺11采集的角速度信号y，输入主控单元1的系统模型，，经输出得到角速度的误差量e和综合误差量S；

B、集合运动平台3的惯性测量单元4敏感采集外部的扰动d，并将敏感的角速度ω_d发送给主控单元1，由主控单元1中第一神经网络控制模型输出得到第一神经网络前馈控制补偿量u_od；

C、主控单元1采集陀螺稳定平台5中旋转变压器12的位置θ_m，并输入主控单元1中第一神经网络控制模型，由该模型输出得到第二神经网络前馈控制补偿量u_id；

D、A中角速度信号x_1d和角速度信号y输入主控单元1的系统模型，将其输出角速度误差量e传输给速度环控制模型，结合速度环控制器的控制模型的输出得到速度环控制器的闭环反馈控制量u_c；

E、由B、C、D步骤后的输出传输给主控单元1的系统模型，即前馈控制补偿量u_od、u_id和闭环反馈控制量u_c经主控单元1的系统模型输出综合控制量u；

F、主控单元1的系统模型输出的综合控制量u经过驱动单元2作用于陀螺稳定平台5的轴系被控对象，用于实现陀螺稳定平台5的惯性稳定功能。

本申请中的步骤可根据实际需求进行顺序调整、合并和删减。

本申请装置中的单元可根据实际需求进行合并、划分和删减。

尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。

Claims (8)

1.一种面向光电跟踪系统的神经网络控制方法，包括速度环控制器(7)的主控单元(1)，一个驱动单元(2)和包含一套陀螺(11)的陀螺稳定平台(5)的运动平台(3)，其特征在于，主控单元(1)还包括第一神经网络控制器NN1(6)和第二神经网络控制器NN2(8)，运动平台(3)还包括一套惯性测量单元(4)，陀螺稳定平台(5)上的轴系被控对象(10)和旋转变压器(12)，进行以下步骤：

在主控单元(1)中根据运动平台(3)的振动情况设定所需校正的角速度期望值x_1d，陀螺稳定平台(5)反馈测量的角速度y至主控单元(1)；

惯性测量单元(4)采集由振动d对运动平台(3)外部扰动产生的角速度ω_d信号，陀螺稳定平台(5)的陀螺(11)和旋转变压器(12)分别采集运动平台(3)的角速度y和位置θ_m信号，并将所述的角速度y和位置θ_m信号输入到主控单元(1)得到角速度的误差量e和综合误差量S；

主控单元(1)中神经网络控制器的第一神经网络控制器NN1(6)接收角速度ω_d信号，通过对神经网络自身的自适应前馈控制器输入运动平台(3)外部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_od；主控单元(1)中神经网络控制器的第二神经网络控制器NN2(8)接收位置θ_m信号，通过对神经网络自身的自适应前馈控制器输入运动平台(3)上轴系被控对象(10)的内部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_id；主控单元(1)输入角速度的误差量e传输给速度环控制器(7)的模型输出得到闭环反馈控制量u_c；

由所述速度环控制器(7)输出的闭环反馈控制量u_c、所述第一神经网络控制器NN1(6)的第一神经网络控制模型输出的前馈控制补偿量u_od和所述第二神经网络控制器NN2(8)的第二神经网络控制模型输出的前馈控制补偿量u_id得到综合控制量u，并将综合控制量u输出至驱动单元(2)；

由主控单元(1)输出的综合控制量u经驱动单元(2)传输至轴系被控对象(10)；

轴系被控对象(10)接收到驱动单元(2)由综合控制量u转换的控制作用，对运动平台(3)和陀螺稳定平台(5)进行惯性稳定。

2.根据权利要求1所述的神经网络控制方法，其特征在于，所述主控单元(1)中神经网络控制器的第一神经网络控制器NN1(6)接收角速度ω_d信号，通过对神经网络自身的自适应前馈控制器输入运动平台(3)外部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_od包括：

主控单元(1)中神经网络控制器的第一神经网络控制器NN1(6)接收惯性测量单元(4)输入的角速度ω_d信号，通过对神经网络自身的自适应前馈控制器输入运动平台(3)外部扰动控制量的补偿，采用Sigmoid函数作为神经网络的激活函数，经神经网络自身的自适应前馈控制器的第一神经网络控制模型输出得到神经网络前馈控制补偿量u_od；

所述主控单元(1)中神经网络控制器的第二神经网络控制器NN2(8)接收位置θ_m信号，通过对神经网络自身的自适应前馈控制器输入运动平台(3)上轴系被控对象(10)的内部扰动控制量的补偿，经神经网络自身的自适应前馈控制器输出得到前馈控制补偿量u_id包括：

主控单元(1)中神经网络控制器的第二神经网络控制器NN2(8)接收旋转变压器(12)输入的位置θ_m信号，通过对神经网络自身的自适应前馈控制器输入运动平台(3)上轴系被控对象(10)的内部扰动控制量的补偿，采用径向基函数作为神经网络的激活函数，经神经网络自身的自适应前馈控制器的第一神经网络控制模型输出得到神经网络前馈控制量前馈控制补偿量u_id。

3.根据权利要求2所述的神经网络控制方法，其特征在于，所述第一神经网络控制器NN1(6)的第一神经网络自适应控制模型的输出前馈控制补偿量u_od为：

u_od＝W₁ ^Th₁(x_o) (1-3)

式(1-3)中，W₁为第一神经网络模型的第一自适应高效率模型输出的积分，作为第一神经网络自适应控制模型的权值，是一个11维初值为0的列向量，T为矩阵转置，h₁(x_o)为第一神经网络激活函数为Sigmoid模型。

4.根据权利要求3所述的神经网络控制方法，其特征在于，所述第一神经网络控制器NN1(6)的神经网络模型采用自适应控制模型，满足第一自适应更新率模型的输出条件

为：

式(1-4)中，

为W₁的微分，γ₁为学习率，取值为100，S为综合误差量，h₁(x_o)为第一神经网络激活函数为Sigmoid模型。

5.根据权利要求2所述的神经网络控制方法，其特征在于，所述第二神经网络控制器NN2(8)的第二神经网络自适应控制模型输出的前馈控制补偿量u_id为：

u_id＝W₂ ^T[h₂(x_i)1]^T (1-7)

式(1-7)中，W₂为第二神经网络模型的第二自适应高效率模型输出的积分作为第二神经网络自适应控制模型的权值，是一个2维初值为0的列向量，h₂(x_i)为x_i的径向基函数，T为矩阵转置。

6.根据权利要求5所述的神经网络控制方法，其特征在于，所述第二神经网络控制器NN2(8)的神经网络模型采用自适应控制模型，满足第二自适应更新率模型的输出条件

为：

式(1-9)中，

为W₂的微分，γ₂为学习率，取值为10，S为综合误差量。

7.根据权利要求1所述的神经网络控制方法，其特征在于，所述速度环控制器(7)输出的闭环反馈控制量u_c、所述第一神经网络控制器NN1(6)的第一神经网络控制模型输出的前馈控制补偿量u_od和所述第二神经网络控制器NN2(8)的第二神经网络控制模型输出的前馈控制补偿量u_id得到综合控制量u，并将综合控制量u输出至驱动单元(2)包括：

由所述主控单元(1)系统模型将各补偿量传输给总补偿模型，经其输出得到综合控制量u为：

u＝u_c+u_id+u_od (1-11)

并将综合控制量u传输给驱动单元(2)；其中，u_c为所述速度环控制器(7)输出的闭环反馈控制量，u_od为第一神经网络控制器NN1(6)输出的神经网络前馈控制补偿量，u_id为第二神经网络控制器NN2(8)输出的神经网络前馈控制补偿量。

8.一种控制器，其上存储有控制程序，其特征在于，所述控制程序被处理器执行时实现如权利要求1至7中任一项所述的神经网络控制方法，

所述第一神经网络控制器NN1(6)与惯性测量单元(4)连接，用于抑制载体外部扰动对运动平台(3)的作用；

所述第二神经网络控制器NN2(8)与陀螺稳定平台(5)连接，用于抑制系统的内部扰动对运动平台(3)的作用。

Images