神经网络在陀螺漂移误差模型辨识中的应用

神经网络具有很强的自学习、自适应能力及非线性变换特性，为模型的辨识提供了一条十分有效的途径。本文基于反向传播（Back-Propagation）网络的研究，将神经网络应用于陀螺漂移误差模型辨识，通过陀螺的实际测试数据对神经网络的加权进行训练，得到了较为满意的结果。     

基于改进的神经网络的大跨度屋盖风压场预测

利用风洞实验测定大跨度屋盖的风压时,由于通常只能通过布置有限测点而获得有限的风压数据,因此采用准确高效的方法预测更多未知点的风压特性具有重要意义。本文在径向基函数神经网络的基础上,结合遗传算法和方差分析对大跨度屋盖的风压场进行了预测。引入整体度量估计作为遗传算法中适应度函数的估计,采用方差分析分解RBF的输出总方差,用求得的均方误差对RBF神经网络模型的权方差进行估计。将本文方法预测得到的大跨度屋盖的风压系数、升力系数等与实验结果和传统RBF方法预测结果进行了对比,并进行了误差统计分析。结果表明:本文方法预测的风压系数与试验结果符合良好,且均方误差小于RBF方法,平均相差约67.21%;在达到同样的收敛精度时,采用本文方法计算所需的时间要比传统RBF模型节省约40%。结合遗传算法和方差分析的RBF神经网络模型是预测大跨度屋盖风压场的有效工具。     

惯性导航系统的误差估计

惯性导航系统（INS）以其自主的工作能力广泛应用于军事武备的导航、制导与控制系统和国民经济的诸多领域。它的主要缺点是定位误差随其工作时间的增长而增大。对惯导系统的误差进行估计和补偿是在保证性能价格比的前提下，提高惯性导航系统精度的有效途径。目前，对惯导系统的误差修正均采用外信息（如GPS的输出信息）校正，即在INS工作的全部时间内，定期地利用GPS输出的速度和位置信息与INS输出的相应信息的差值作为观测量，对INS误差进行估计和补偿。Kalman滤波的方法广泛地应用于惯导系统的误差修正初始对准。本研究了当地水平惯导系统的误差估计和补偿问题。分析结果表明，采用Kalman滤波的方法，可以精确地估计惯导系统的误差（包括陀螺漂移和加速度计零偏），误差估计的精度高，并且估计的方差阵收敛快。     

捷联惯导系统初始对准中Kalman参数优化方法

针对Kalman滤波器在捷联惯导系统（SINS）初始对准中的应用，系统分析了Kalman滤波器参数（包括估计误差协方差阵初值P0，模型噪声方差阵Q和量测噪声方差阵R）选取对系统状态变量的估计精度和收敛速度的影响。采用协方差性能分析法，进行了Kalman滤波器参数优化仿真，仿真结果表明：调整扁的取值可改变状态变量估计的收敛速度，调整Q或R的取值，既可改变状态变量（尤其是陀螺误差）的收敛速度又可改变它们的估计精度。综合考虑时，局的取值要比真实值大一些，Q和R的取值要比真实值小一些，这样既可缩短陀螺误差和加速度计偏置误差的估计时间，又可提高它们的估计精度。中还给出了使滤波器正常可靠工作的P0、Q和R参数的范围。     

基于自适应因子图优化的导航系统信息融合方法

针对传统因子图优化方法（FGO）中量测协方差矩阵不准确带来状态估计精度下降问题，提出了一种基于滑动窗的自适应因子图优化方法（SWAFGO），将滑动窗技术应用到量测协方差矩阵的估计，利用滑动窗内的残差序列估计协方差矩阵。与传统的使用单点残差的自适应因子图方法（SRAFGO）相比，所提出方法不需要误差模型的先验知识，而且充分利用了历史残差数据，因此性能上有较大的提升。仿真实验和KITTI数据实验结果表明，在无先验知识条件下，所提出方法能够较准确地估计出量测协方差矩阵，且相较于SRAFGO方法位置估计精度提升12%。     

基于神经网络的口腔非线性动力学系统建模

神经网络方法是用于非线性动力学系统建模的有效方法，本文针对多层神经网络结构，运用递推预报误差（ＲＰＥ）算法对离散非线性动力学系统进行了辨识研究，并对口腔非线性动力学系统进行了神经网络动态建模，为了解语音和实用化的语音识别提供了良好的基础。     

简化UKF滤波在SINS大失准角初始对准中的应用

基于欧拉平台误差角的概念提出了大失准角误差条件下的捷联惯导系统（SINS）非线性初始对准误差模型,该模型无法再用经典的加性噪声模型描述。为了降低滤波计算量,在系统模型噪声和量测噪声均为复杂加性噪声并且量测方程是线性方程时,推导了简化的UKF（unscented Kalman filter）滤波方法,简化UKF滤波公式显示：除通过非线性状态方程使用UT（unscented transformation）变换进行状态及其方差预测外,其它滤波步骤与标准Kalman滤波完全相同。最后,对静基座下SINS初始对准进行了仿真试验,结果表明大失准角条件下的SINS误差模型和简化UKF滤波估计方法是有效的。     

具有外观测误差的INS传递对准的性能分析

对于给定的传递对准的误差模型，针对常值外观测速度、位置误差和随机外观测速、位置度误差两种情况，分别对惯导系统的传递对准误差模型的解算偏差和Kalman滤波器的估计偏差进行了仿真分析。结果表明，外观测误差引起的INS传递对准的估计偏差不能忽视，为采用更优的估计方法提供了依据。     

UKF在深组合GPS/INS导航系统中的应用

采用联邦滤波的深组合GPS/INS导航系统预滤波器量测模型具有很强的非线性,导致扩展卡尔曼滤波（EKF）的预滤波器估计精度不高。Unscented卡尔曼滤波（UKF）方法是一种非线性分布近似方法,它使用有限数量的sigma点去逼近整个非线性动态系统的分布可能,从而避免了对非线性测量模型进行线性化,具有较高的精度和较好的鲁棒性。在分析深组合导航系统预滤波器模型和UKF原理的基础上,设计了基于UKF滤波算法的预滤波器,对码相位误差、载波相位误差、载波频率误差、载波频率变化率等参数进行估计,同时将UKF和EKF算法进行了仿真比较。结果表明,在深组合导航系统中使用UKF滤波比EKF有更高的导航定位精度。     

补偿神经网络算法在INS参数估计的应用

对基于λ-γ学习算法的补偿神经网络结构进行了研究,将其应用在导航参数误差估计中。与传统的前馈神经网络相比,它不仅能减少神经元的个数,还能减少训练所需的计算时间。通过计算机仿真,与传统的前馈算法进行了比较,表明了该模型的有效性和实用性。     

神经网络算法及其在GPS导航中的应用

GPS导航解算中常采用最小二乘算法。由于导航解算中存在观测异常（粗差），采用的模型精度很难满足用户需求，而高动态用户需求的精度却不断提高，为此文中提出一种利用神经网络的非线性逼近能力，在顾及观测信息权阵的条件下，利用Hopfieid神经网络进行GPS导航解算的新算法。该算法具有很好的抗差性和自适应性，能较好地抑制观测粗差对导航解的影响。计算结果证明了该算法的有效性。     

Switched exponential state estimation of neural networks based on passivity theory

In this paper, a new exponential state estimation method is proposed for switched Hopfield neural networks based on passivity theory. Through available output measurements, the main purpose is to estimate the neuron states such that the estimation error system is exponentially stable and passive from the control input to the output error. Based on augmented Lyapunov–Krasovskii functional, Jensen’s inequality, and linear matrix inequality (LMI), a new delay-dependent state estimator for switched Hopfield neural networks can be achieved by solving LMIs, which can be easily facilitated by using some standard numerical packages. The unknown gain matrix is determined by solving delay-dependent LMIs. Finally, a numerical example is provided to demonstrate the effectiveness of the proposed method.     

捷联惯性导航系统中二自由度陀螺故障的智能诊断

本文介绍了神经网络的联想记忆功能,讨论了四陀螺的最佳配置,并提出了基于Ｈｏｐ ｆｉｅｌｄ 网络的余度陀螺故障检测与隔离的设计方法,该方法具有较强的抗噪声能力。     

Neural networks for computing in the elastoplastic analysis of structures

A neural network model is proposed and studied for the treatment of elastoplastic analysis problems. These problems are formulated as Q.P.P.s with inequality subsidiary conditions. In order to treat these conditions the Hopfield model is appropriately generalized and a neural model is proposed covering the case of inequalities. Finally, the parameter identification problem is formulated as a supervised learning problem. Numerical applications close the presentation of the theory and the advantages of the neural network approach are illustrated.

---

Sommario Si propone un modello di rete neurale con l'obiettivo di usarlo per la trattazione di problemi di analisi elastoplastica, formulati come problemi di programmazione quadratica con disequazioni sussidiarie. Allo scopo di trattare queste condizioni si generalizza il modello di Hopfield e si propone un modello neurale che copre il caso di disequazioni. Inoltre il problema di identificazione parametrica viene formulato come un problema di apprendimento guidato. La presentazione della teoria è seguita da esempi di applicazioni numeriche e dalla illustrazione dei vantaggi dell'uso delle reti neurali.

     

基于神经网络的误差补偿滤波器在陀螺漂移误差模型辨识中的应用

用神经网络补偿非线性卡尔曼滤波器的状态估计误差，并将其用于陀螺漂移误差模型的参数辨识中，仿真结果表明该方法的有效性。     

ON THE ASYMPTOTIC BEHAVIOR OF HOPFIELD NEURAL NETWORK WITH PERIODIC INPUTS

ＩｎｔｒｏｄｕｃｔｉｏｎＳｉｎｃｅｔｈｅｓｐｅｃｉａｌｓｕｐｅｒｉｏｒｉｔｙｏｆａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｅｃｈｎｏｌｏｇｙｉｎｖａｒｉｏｕｓｅｎｇｉｎｅｅｒｉｎｇｔｅｃｈｎｉｑｕｅｓｆｉｅｌｄｓ,ｓｕｃｈａｓｏｐｔｉｍｉｚａｔｉｏｎ ,ａｓｓｏｃｉａｔｉｖｅｍｅｍｏｒｉｅｓ,ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ ,ｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇａｎｄａｕｔｏｍａｔｉｃｃｏｎｔｒｏｌ,ｔｈｅｒｅｈａｓｂｅｅｎｉｎｃｒｅａｓｉｎｇｉｎｔｅｒｅｓｔｉｎｔｈｅｉｎｖｅｓｔｉｇａｔｉ…     

猎雷声纳基阵姿态稳定系统自适应反步法控制

针对带非线性摩擦力矩和负载扰动的高精度猎雷声纳基阵姿态稳定系统,提出了一种基于神经网络的自适应反步法控制方法。其中神经网络用于估计未知非线性摩擦力矩,进而设计反步法控制器和参数自适应律来对神经网络估计误差和负载扰动进行补偿。最后应用Lyapunov方法证明了所提出的自适应控制器能保证闭环系统的稳定性,并且可以通过选择适当的控制器参数来调整收敛率。仿真结果表明,基于神经网络的自适应反步法控制方法与PID控制相比,系统的动、静态性能指标及鲁棒性得到了全面的改善,与双闭环PID控制相比,跟踪精度提高了3倍多。     

结构分析和设计中神经网络计算研究评述

综述了工程结构分析和设计中神经网络计算研究的现状与趋势,指出了进一步发展神经计算的策略及方向。研究结果表明神经网络计算是工程结构分析中一种很有发展潜力的新方法。     

GLOBAL EXPONENTIAL STABILITY OF HOPFIELD NEURAL NETWORKS WITH VARIABLE DELAYS AND IMPULSIVE EFFECTS

A class of Hopfield neural network with time-varying delays and impulsive effects is concerned. By applying the piecewise continuous vector Lyapunov function some sufficient conditions were obtained to ensure the global exponential stability of impulsive delay neural networks. An example and its simulation are given to illustrate the effectiveness of the results.     

边坡稳定性的神经网络估计

应用神经网络理论,本文提出了圆弧破坏和楔体破坏的边坡安全系数估计的新方法。为解决安全系数估计的知识的学习问题,提出了一种推广学习算法。用它对收集到的边坡实例进行学习,然后进行推广,预测出新边坡的安全系数。与极限平衡法和极大似然法的估计结果进行了比较,可以看出,神经网络方法具有推广预测精度高、自学习功能强、考虑不确定性能力强等特点。