基于神经网络无人机飞行智能控制技术探究.doc

基于神经网络无人机飞行智能控制技术探究摘要：飞行控制的基本目的是改善飞机的稳定性和操纵性，从而提高执行任务的能力。本文着重论述了近年来国内外基于神经网络的无人机飞行智能控制技术发展状况，主要包括神经网络PID 控制、神经网络自适应控制等智能控制技术的原理、优势和局限性等内容，最后对其作了总结。 关键词：无人机 神经网络 控制技术 中图分类号:TP183 文献标识码：A 文章编号：1007-9416(2012)07-0010-01 无人机的核心部分是飞行控制系统。无人机进行自主飞行时,控制系统需要有效地对姿态回路部分和水平位置、高度回路部分进行重点控制，才能保持良好的自主飞行适应性。研究表明，智能技术的发展水平在相当大的程度上决定了自主控制技术的发展水平，人工智能系统若要提高对形势的感应能力和外部环境的理解能力，并作出准确、快速反应，需要以获取信息的完整性和准确性为前提支撑。 研究表明，现代绝大多数控制理论在飞行控制系统设计的应用方面，均表现出一定的优势和劣势。 反步控制的优势在于收敛性方面表现较好，可对具有不确定性的未知扰动进行有效处理，缺点是鲁棒性表现较差。反馈线性化的优势在于设计灵活，缺点是对数学模型建立的精确性要求较高，且不能处理具有不确定性的未知扰动。采用变结构的滑模控制技术优势在于响应快捷，且所建数学模型的精确性要求不高，对外部不确定性扰动反应不敏感，缺点是需要进一步提高抖振现象的解决能力。在计算机技术和人工智能技术的发展带动下，人工智能应用于无人机控制系统已具备一定的技术基础，特别是神经网络技术，因其具有良好的学习和推理能力，所以应用最为广泛。本文以无人机的飞行控制应用为中心,重点分析了神经网络技术应用于智能控制的最新成果，为今后的深入研究提供一定的基础支撑。 1、神经网络PID控制技术 PID控制器鲁棒性表现较好，结构相对简单，广泛应用于典型无人机控制系统设计中。但是经典PID对于具有非线性特性的多变量系统，其处理能力较差，不能有效提升系统的抗外扰能力，特别是系统参数变化摄动时，其鲁棒性表现较差，致使系统的飞行动态控制能力较差。近年来，以神经网络智能控制技术的快速发展为支撑，神经网络智能控制技术开始和常规PID控制相融合，优化形成了两种类型的神经网络PID控制器。一种为神经元网络PID控制器，该控制器在传统PID控制器的基础上，融合加入了一个神经元网络控制器，对PID参数进行优化确定;另一种是单神经元PID控制器，它用神经元输入权值跟PID参数进行一一对应，该输入值为经比例、积分、微分处理后的偏差值。 1.1 采用神经元网络确定PID控制器参数 神经网络控制器通过对被控对象建立反向模型，构成前馈控制器。神经网络控制器首先学习PID控制器的输出，而后在线进行调整，尽量使反馈误差趋零化，逐步提升自身在系统控制中的主导作用，最终替换反馈控制器的相应作用，但PID反馈控制器继续存在，没有消失。当系统受到外部干扰扰动时，PID反馈控制器可继续发挥作用。采用神经元网络确定PID控制器参数的技术实际上是一种前馈加反馈的特殊控制技术，该技术在提高了系统精度的情况下，同时提高了系统的自适应能力，增强了系统的控制稳定性，改善了控制系统的鲁棒性能。其典型控制原理如图1所示 1.2 单神经元PID控制 该种类型的自适应控制器依靠调整加权系数完成自适应和自组织，采用有监督Hebb学习规则对加权系数进行调整。单神经元PID控制器采用具有明确物理意义的算法组织学习，结构也较简单，在环境变化适应性方面，呈现出较好的鲁棒性。其劣势在于由于该种类型控制器为单神经元结构，因此不具备任意函数逼近的能力。 2、自适应神经网络控制技术 针对任意一个非线性连续函数，人工神经网络因具有较强的自学习能力，所以能以任意精度要求逼近，且能够完成并行处理，实现万能函数逼近功能。与传统查表法对比,人工神经网络进行计算时间较短，且不需要大内存容量，在对相邻两个训练点之间的点进行插值计算时，不需要额外的计算消耗。相比典型的自适应线性控制器，研究表明，人工神经网络能够获得较好的期望性能，表现出相对较高的自适应非线性控制能力。人工神经网络能够实现对非线性对象的有效控制，对不确定对象的有效控制，且抗环境干扰能力较强，因此特别适合于实现自适应自主飞行控制。 人工神经网络应用于自适应飞行控制的基本原理为:对飞行器模型进行近似线性化处理，尔后对该控制器添加人工神经元网络,通过逆转换完成非线性控制功能，对飞行中的动态误差，自适应消除其影响，有效提升系统响应。该种类型的神经网络控制器通过在线提升自适应能力,在一定程度上改善了风洞数据依赖度，对动态先验知识的需求也进一步降低,从而减少了飞行控制系统的研发费用。 3、结语 研究表明