[發明專利]一種基于RBF神經網絡的測繪無人機姿態控制方法

在審

• 申請號: 201710972916.7
• 申請日: 2017-10-18
• 公開（公告）號: CN107608215A
• 公開（公告）日: 2018-01-19
• 發明（設計）人: 胡長琪;朱樹云;馬鳳英;魏同發;付承彩
• 申請（專利權）人: 齊魯工業大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 濟南舜源專利事務所有限公司37205
• 代理人: 張渲

技術領域

本發明屬于測繪無人機控制領域，具體涉及一種基于RBF神經網絡的測繪無人機姿態控制方法。

背景技術

隨著航天技術的不斷發展，空間飛行器已在通信、災情監測、資源勘探、導航定位、科學研究、軍事等許多領域得到了越來越廣泛的應用。飛行器的姿態控制系統是飛行器控制中的重要組成部分，它關系著入軌后的飛行器能否對引力中心體或慣性系、其它參考系以一定的精度保持在預定方位或指向。因此，正確、實時地控制飛行器的姿態具有重要的現實意義。

無人機是利用自備的程序或者無線電遙控設備來操縱的不載人飛機，它具有重量輕、體積小、造價低廉、使用方便等優點,非常適合于執行高危險任務或者人類無法到達的高難度地方。如搜救搜捕、地理測繪、空中巡邏、電力巡線等任務。然而測繪無人機姿態控制系統是一個多變量、非線性、時變的復雜系統，使得常規的定參數控制不能滿足設計要求，且傳統PID控制方法的環境適應性和抗干擾能力有限，控制精度和快速性等指標難以滿足日益增長的控制需求。此為現有技術的不足之處。

因此，針對現有技術中的上述缺陷，提供設計一種基于RBF神經網絡的測繪無人機姿態控制方法；以解決上述技術問題是非常有必要的。

發明內容

本發明的目的在于，針對上述現有技術存在的缺陷，提供設計一種基于RBF神經網絡的測繪無人機姿態控制方法，以解決上述技術問題。

為實現上述目的，本發明給出以下技術方案：

一種基于RBF神經網絡的測繪無人機姿態控制方法，其特征在于，包括以下步驟：

S1：建立被控對象飛行器非線性動態模型；

S2：針對非線性模型設計測繪無人機PID控制器；

S3：利用神經網絡非線性映射能力,得出控制器參數調節變化量；

S4：RBF神經網絡方法與PID控制方法相結合，得到基于RBF神經網絡的自適應PID控制方法，在測繪無人機非線性模型上進行仿真。

作為優選，步驟S2中非線性模型設計測繪無人機PID控制器設計方法包括以下步驟：

S21：神經網絡在線整定PID：

經典增量式數字PID控制算法表示為：

u(k)＝u(k-1)+k_p(e(k)-e(k-1))+k_ie(k)+k_d(e(k)-2e(k-1)+e(k-2)) (1)

其中,e(k)＝r(k)-y(k)，k_p、k_i、k_d分別為控制器的比例、積分、微分系數。

S22：根據系統的給定值r(k)和實際的輸出值y(k)的偏差,自動調節PID控制器的參數,從而達到給定性能指標最優,使輸出層神經元的輸出狀態對應于PID控制器的三個可調參數kp、ki、kd。神經網絡的學習算法如下:

取網絡的性能指標函數為：

S23：根據RBF神經網絡梯度下降法，在線調整輸出權值、隱層節點的中心向量及基寬參數，調整算法如下：

由于未知，所以近似用符號函數來代替，由此帶來的計算不確定的影響可通過調整學習速率η來補償。

S24：PID控制器的三個可調參數k_p、k_i、k_d，即為神經網絡的輸出O₁、O₂、O₃，則根據式(1)可得：

S25：為了避免神經網絡易陷入局部極小的問題,在調整網絡的輸出權、隱層節點的中心向量和基寬參數時,增加一個快速收斂的動量因子和一個學習速率因子。從上述分析中可以得到神經網絡輸出層權值的學習算法為：

w_jl(k)＝w_jl(k-1)+ηΔw_jl(k)+α(w_jl(k-1))-w_jl(k-2) (9)

同理,可以得到隱層節點的中心向量及基寬參數的學習算法：

c_ij(k)＝c_ij(k-1)+ηc_ij(k)+α(c_ij(k-1)-c_ij(k-2)) (11)