基于Elman神经网络的空战威胁排序研究

依据空战态势、空战效能以及目标战役价值,采用威胁指数法建立了空战目标威胁评估模型。在威胁评估的基础上,研究了空战中基于Elman神经网络的目标威胁排序方法。考虑到Elman神经网络的学习性能和收敛性,采用附加动量项、自适应改变各参数学习率以及重置算法改进网络权值的学习算法。算例结果表明,采用Elman神经网络对空战目标进行威胁排序的方法是有效的,且改进的学习算法提高了网络的学习效率,有效地抑制了局部极小值的出现。该方法有利于提高火控系统的智能化水平。

导弹导引律抖振问题的算法研究

在自适应滑模导引律的基础上,提出了一种基于模糊神经网络(FNN)的自适应滑模导引律。该导引律通过模糊神经网络对滑模控制器中引起抖振的参数进行调整,较好地解决了滑模导引中存在的抖振问题。仿真结果表明,在目标作大机动的情况下,该导引律与传统的比例导引率相比有较大的性能改善。

基于RBF神经网络的空空导弹控制器设计

应用倾斜转弯(Bank to Turn,BTT)及推力矢量控(ThrustVector Control,TVC)技术设计并建立了空空导弹六自由度模型。在此基础上考虑气动参数变化和建模不确定性引起的误差对导弹控制系统的影响,为消除误差影响,引入RBF神经网络分别对快慢回路进行补偿,利用李亚普诺夫(Lyapunov)稳定性定理推导了神经网络权值、中心及带宽的自适应规律,并证明了闭环系统的稳定性。通过对某型空空导弹大机动仿真研究,结果表明RBF神经网络自适应控制方法补偿作用显著,不仅改善了控制系统的动态性能,而且使系统具有良好的抗干扰和容错能力。