[发明专利]一种基于RBF神经网络的跟踪精度控制方法

权利要求书

1.一种基于RBF神经网络的跟踪精度控制方法，其特征在于，包括以下步骤：

S101：获取探测器跟踪偏差；

S102：选定状态转换器，基于所述跟踪偏差构造RBF网络的输入变量；

S103：初始化RBF网络参数；

S104：基于步骤S102、步骤S103构造RBF网络；

S105：更新RBF网络参数；

S106：基于步骤S105输出最优解，得到最优PID控制参数。

2.如权利要求1所述的方法，其特征在于，步骤S101中，跟踪偏差e(t)从跟踪探测组件中获得，跟踪探测组件为图像跟踪器、雷达跟踪器或激光跟踪器，均为能够计算出跟踪偏差的制导探测组件。

3.如权利要求2所述的方法，其特征在于，步骤S102中，基于如下PID控制器的控制规律实现：

式中，K＝[k_P,k_I,k_D]为PID需调参数向量，k_P为比例参数，k_I为积分参数，k_D为微分参数，为RBF网络的输入向量，e(t)为跟踪偏差，为跟踪偏差积分，为跟踪偏差微分；

选定的状态转换器把跟踪偏差e(t)转换成RBF网络需要的输入格式，得到RBF网络模型的输入变量x(t)。

4.如权利要求3所述的方法，其特征在于，步骤S103中，得到输入变量后，在(0，1)范围内随机初始化RBF网络中的所有连接权ω和阈值θ，以及在(0，1)范围内给定学习率η这些参数。

5.如权利要求4所述的方法，其特征在于，步骤S104中，构造的RBF网络模型是一种三层前馈神经网络，包括输入层、隐含层、输出层；

输入层是整个RBF网络的输入，也即步骤S102中构造的输入变量，即状态向量该输入层有三个输入节点，分别对应状态向量的三个分量；

隐含层也即第二层，共有h个节点，激活函数选用高斯型核函数，根据高斯核函数的形式，第j个隐节点的输出为：

其中，μ_j(t)为第j个隐节点的中心向量，σ_j为第j个节点的宽度参数；

输出层有三个节点，分别对应PID控制的三个参数，即K＝[k_P,k_I,k_D]；

层与层的神经元之间有连接权，每个神经元有阈值，在步骤S104中，根据设定的初始连接权ω和阈值θ训练神经网络模型，得到初始输出K(t)。

6.如权利要求5所述的方法，其特征在于，步骤S105中，得到初始输出K(t)后，通过迭代学习来对RBF网络参数进行更新估计，以得到最优模型，对连接权ω和阈值θ这两个参数的更新基于梯度下降策略，以目标的负梯度方向对参数进行调整，根据学习率大小控制每一轮迭代中的更新步长。

7.如权利要求6所述的方法，其特征在于，步骤S106中，通过步骤S105的参数不断迭代更新，反复训练RBF网络，当达到停止条件时，得到连接权和阈值确定的RBF网络，此时经RBF网络计算后的输出即是系统最优的PID控制参数。

8.如权利要求7所述的方法，其特征在于，还包括将所述最优的PID控制参数用于反馈控制系统中，根据跟踪偏差大小实现系统的自适应控制的步骤。

9.一种如权利要求1至8中任一项所述的方法在光电跟踪系统技术领域中的应用。

10.一种如权利要求1至8中任一项所述的方法在自动控制系统技术领域中的应用。