时滞不确定飞行系统神经网络非脆弱H∞控制

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (34): 5-7.

时滞不确定飞行系统神经网络非脆弱H_∞控制

赵振宇1，2，卢广山1

1.西北工业大学电子信息学院，西安 710072
2.光电控制技术重点实验室，河南洛阳 471009

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-01 发布日期:2011-12-01

Neural network non-fragile H_∞ control for time delay uncertain flight system

ZHAO Zhenyu1，2，LU Guangshan1

1.School of Electronics and Information，Northwestern Polytechnical University，Xi’an 471009，China
2.Key Laboratory of Optical-Electrics Control Technology，Luoyang，Henan 471009，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-01 Published:2011-12-01

摘要/Abstract

摘要： 针对具有参数摄动和状态时延的时滞不确定飞行系统，提出了一种神经网络非脆弱H_∞控制方案。该方案将鲁棒H_∞控制和神经网络控制结合起来，利用径向基神经网络的非线性逼近能力，对飞行系统的非线性不确定项进行逼近。由线性矩阵不等式（LMI）设计系统标称部分的鲁棒控制器，然后利用神经网络的输出来消除系统控制输入中的不确定部分。Lyapunov稳定性分析中，综合考虑了系统参数摄动、时延和神经网络逼近误差的影响，并证明了在所设计的飞行控制器作用下，闭环系统的稳定性。仿真实例验证了提出的飞行控制方案的可行性和有效性。

关键词: 飞行控制, 神经网络, 时滞, 非脆弱控制, H_∞控制

Abstract: The neural network non-fragile H_∞control scheme is presented for time-varying uncertain flight systems with parameter perturbation and state time delay.This flight control scheme combines the robust H_∞ controller with neural network controller.The Radial Basis Function Neural Network（RBFNN） is adopted to approximate the nonlinear uncertain term of the flight system.The robust controller is designed using Linear Matrix Inequality（LMI） for the nominal linear flight system.And then，the uncertain nonlinear input term is compensated using the neural network.The stability analysis has been given for considering the effects of the parameter perturbation，the time delay and the neural network weight via the Lyapunov analysis.The closed-loop system stability has been proved under the proposed flight control scheme.Simulation results illustrate that the flight control scheme is effective.

Key words: flight control, neural network, time delay, non-fragile control, H_∞ control

赵振宇1，2，卢广山1. 时滞不确定飞行系统神经网络非脆弱H_∞控制[J]. 计算机工程与应用, 2011, 47(34): 5-7.

ZHAO Zhenyu1，2，LU Guangshan1. Neural network non-fragile H_∞ control for time delay uncertain flight system[J]. Computer Engineering and Applications, 2011, 47(34): 5-7.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.