[发明专利]一种基于RBF神经网络的测绘无人机姿态控制方法

说明书

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)+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k_p、k_i、k_d，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：

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

同理,可以得到隐层节点的中心向量及基宽参数的学习算法：

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