[发明专利]一种基于自适应神经网络的小型无人旋翼机高精度控制方法

摘要

一种基于自适应神经网络的小型无人旋翼机高精度控制方法，涉及小型无人旋翼机反馈控制、无样本训练的自适应神经网络的构建与优化相结合的复合控制器设计。首先，针对小型无人旋翼机动力学模型，通过极点配置方法构建反馈控制系数矩阵来保证系统的初步稳定性；其次，设计具有自主更新权值特性的自适应神经网络，基于误差信息构建自适应网络权值更新矩阵来在线更新神经网络的权值矩阵，实现对扰动的估计和抑制；并设计自适应阈值优化策略，基于时间窗口内的实际位置与期望位置的误差均方差，对自适应神经网络的控制残差上限阈值进行在线更新，降低控制残差上界不精确对神经网络扰动控制量的影响，进而优化自适应神经网络扰动控制量，实现复杂环境下的小型无人旋翼机高精度姿态控制。本发明具有实时性好、动态参数响应快、对多源干扰适应性强等优点，可用于小型无人旋翼机复杂多源干扰环境下的高精度控制。

主权项

1.一种基于自适应神经网络的小型无人旋翼机高精度控制方法，其特征在于实现以下步骤：(1)针对小型无人旋翼机动力学模型，通过极点配置方法构建反馈控制系数矩阵来保证系统的初步稳定性；(2)对飞行中存在的多源干扰，设计具有自主更新权值特性的自适应神经网络，基于误差信息构建自适应网络权值更新矩阵来在线更新神经网络的权值矩阵，实现对小型无人旋翼机在飞行中所受多源干扰进行在线估计，自适应神经网络权值更新矩阵和扰动估计量表达式如下：其中，为自适应神经网络的权值矩阵，为自适应神经网络的扰动估计量；Γ_i、P为对称正定矩阵，自适应神经网络的输入e＝x‑x_d为期望状态变量x_d和实际状态变量x间的误差，B为小型无人旋翼机控制状态转移矩阵，α_w为自适应神经网络的控制残差上限阈值，i*为相应矩阵的第i个行向量，*i为相应矩阵的第i个列向量，s(e)为自适应神经网络隐含层的节点函数，定义为高斯函数，其相应第j个隐含层的节点函数表达式如下：其中，μ_j,分别为自适应神经网络隐含层高斯函数的中心值和宽度，l为自适应神经网络隐含层的隐含节点数；(3)设计自适应阈值优化策略，基于时间窗口内的实际位置与期望位置的误差均方差，对自适应神经网络的控制残差上限阈值进行在线更新，实现复杂环境下的小型无人旋翼机高精度姿态控制。