基于RBFN-AFS的开关磁阻电机非线性模型与动态仿真

针对开关磁阻电机(SRM)电磁特性存在饱和非线性、多变量、强耦合的特点,提出了一种基于径向基函数网络的自适应模糊系统(RBFN-AFS)建立SRM模型并进行动态仿真的新方法。该方法在实测SRM磁链和转矩特性的基础上,采用递阶自组织学习(HSOL)算法对RBFN-AFS网络进行学习训练,使网络从样本数据中估计出未知的模糊规则,并在学习训练过程中不断更新和修正网络隐层节点参数矢量和连接权值,最终实现磁链与转矩对转子位置角和相电流的非线性映射关系,与其他建模方法相比,该模型具有更快的计算速度和更好的泛化能力。将基于RBFN-AFS网络的电流-磁链和转矩模型应用于SRM调速系统的动态仿真分析中,通过仿真与实验比较,此方法能够很好地预测SRM的动态和稳态运行特性。这种基于RBFN-AFS的建模方法为实现SRM的各项性能分析和各种实时控制提供了一种新的思路。

基于改进人工势场法和自适应神经网络的共轴双旋翼无人机避障飞行控制

针对共轴双旋翼无人机(coaxial rotor unmanned aerial vehicle, CR-UAV)在未知和危险环境中飞行避障的控制问题,基于飞行态势图和改进人工势场算法,提出了一种新的避障方法。首先,该方法通过飞行态势图对障碍物信息进行建模,考虑了CR-UAV飞行控制的约束条件,可使无人机有效利用障碍物信息进行避障,避免了局部极小点的问题,无人机的控制和避障能力显著提高;其次,采用基于径向基函数的神经网络(RBFNN)对CR-UAV飞行中的干扰进行估计并实时补偿,采用非线性状态误差反馈实现CR-UAV的姿态跟踪控制,从而保持无人机避障飞行过程中的姿态稳定;最后,进行了仿真实验。从仿真结果可以看出,无人机在避障飞行具有良好的姿态稳定能力。

RBF神经网络在时间序列预测问题中基于POD的中心选择方法

基于POD的中心选择方法是用来显示神经网络的选择中心,这个选择中心是在非线性时间序列中,基于径向基函数(RBF)的.这种方法利用时间序列数据的时间序列特征,使中心选择以一种平行的方式被执行,通过对一个基准问题和两个预期库存定向的模拟声明,在预期非线性时间序列中能够有效应用.