The present invention relates to an attitude control method for rotor aircraft based on genetic algorithm optimized neural network, which includes the following steps: creating initial population T and preprocessing the data; determining coding method; determining fitness function; genetic operation of genetic algorithm; and substituting the optimal solution into the weight of BP neural network model. Values and thresholds; calculation errors, if not meet the requirements, then use error back-propagation algorithm to update the weights and thresholds of the neural network model; if it meets the requirements, the output of the BP neural network model acts on the PID controller, the PID controller by adjusting the inertia link coefficient Kp, integral link coefficient Ki and differential link coefficient Kd. The control intensity and effect are adjusted to output the ideal control signal, and the attitude of the rotorcraft is ideally controlled to return to the ideal flight attitude. The invention effectively avoids the defect that the neural network falls into the local minimum value.
【技术实现步骤摘要】
基于遗传算法优化神经网络的旋翼飞行器姿态控制方法
本专利技术涉及旋翼飞行器姿态控制
,特别是涉及一种基于遗传算法优化神经网络的旋翼飞行器姿态控制方法。
技术介绍
传统PID控制器因为其原理简单,技术成熟,鲁棒性强,适用于环境恶劣的工业生产现场等优点一直得到普遍的应用,然而传统PID控制是基于准确模型的,而且系统特性变化与控制量之间是线性映射关系。若采用常规PID控制器,以一组固定不变的参数去适应一些参数变化、干扰众多的控制系统,将无法得到令人满意的控制效果,甚至当参数变化范围太大时,系统性能会明显变差。因此传统PID控制在解决大时滞、参数变化大和模糊不确定性的过程控制问题时无法获得良好的动态和静态效果。在四旋翼飞行器的飞行过程中,PID控制器中的控制参数整定需要熟练的技巧和足够的时间,且调整好的控制参数不会适应外界环境的变化,很难达到预设的目标,从而影响控制效果。神经网络以其很强的适应于复杂和多目标控制要求的自学习能力,并能以任意精度逼近任意非线性连续函数的特性,引起了控制界的关注。神经网络控制不需要精确的数学模型,是解决不确定性系统控制的一种有效途径,所以将神经网络结合PID控制器是现代控制界的一种趋势。但是,在神经网络的使用过程中,人们发现神经网络因为采用梯度下降法,在寻找最优解的过程中容易陷入局部范围内的极小值。尽管BP网络,特别是各种二阶梯度算法的应用使用权值搜索的收敛速度加快,但是当目标函数在权值空间存在着许多局部极小值,梯度搜索仍然不能有效避免陷入局部极小值的问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于遗传算法优化神经网络 ...
【技术保护点】
1.一种基于遗传算法优化神经网络的旋翼飞行器姿态控制方法,其特征在于,包括以下步骤:(1)创建初始种群T,并对数据进行预处理;(2)确定编码方式和采用的BP神经网络结构,所述BP神经网络结构包括:输入层、隐含层和输出层,其中,输入层有a个神经元,隐含层有b个神经元,输出层有c个神经元,则种群个体的染色体位数为a×b+b+b×c+c;(3)确定适应度函数,适应度函数采用BP神经网络误差函数的倒数;(4)遗传算法的遗传操作,包括对种群中的每一个个体进行选择、交叉、变异和适应度值评估;(5)将得到的最优解代入BP神经网络模型的权值和阈值;计算误差,若未达到要求,则利用误差反向传播算法更新神经网络模型的权值和阈值;若达到要求,则将BP神经网络模型的输出作用于PID控制器,PID控制器通过调整惯性环节系数Kp、积分环节系数Ki和微分环节系数Kd来调节控制强度和效果,输出理想控制信号。
【技术特征摘要】
1.一种基于遗传算法优化神经网络的旋翼飞行器姿态控制方法,其特征在于,包括以下步骤:(1)创建初始种群T,并对数据进行预处理;(2)确定编码方式和采用的BP神经网络结构,所述BP神经网络结构包括:输入层、隐含层和输出层,其中,输入层有a个神经元,隐含层有b个神经元,输出层有c个神经元,则种群个体的染色体位数为a×b+b+b×c+c;(3)确定适应度函数,适应度函数采用BP神经网络误差函数的倒数;(4)遗传算法的遗传操作,包括对种群中的每一个个体进行选择、交叉、变异和适应度值评估;(5)将得到的最优解代入BP神经网络模型的权值和阈值;计算误差,若未达到要求,则利用误差反向传播算法更新神经网络模型的权值和阈值;若达到要求,则将BP神经网络模型的输出作用于PID控制器,PID控制器通过调整惯性环节系数Kp、积分环节系数Ki和微分环节系数Kd来调节控制强度和效果,输出理想控制信号。2.根据权利要求1所述的基于遗传算法优化神经网络的旋翼飞行器姿态控制方法,其特征在于,所述步骤(2)中确定的编码方式为实数编码方式。3.根据权利要求1所述的基于遗传算法优化神经网络的旋翼飞行器姿态控制方法,其特征在于,所述步骤(3)中适应度函数为其中,s表示种群中的每个个体,xi表示...
【专利技术属性】
技术研发人员:丁仁强,周武能,程航洋,
申请(专利权)人:东华大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。