[发明专利]BTT导弹神经网络反演自动驾驶仪的FPGA实现方法

说明书

技术领域

本发明涉及导弹制导控制技术领域，具体涉及基于RBF神经网络-Backstepping方法的BTT导弹自动驾驶仪的FPGA设计与实现。

背景技术

针对BTT(Bank-to-turn)导弹，在设计自动驾驶仪的控制器时要注意以下三点：(1)采用多变量控制的方法；(2)考虑控制器的鲁棒性；(3)提高其稳定性。目前BTT导弹的控制理论中：基于经典控制理论的设计方法只能在滚转角速度较小的情况下使用，否则会导致控制失效；基于LQR设计的控制器只有在数学模型精确的情况下才具有较好的控制效果，当受控对象发生摄动或存在干扰项时不能保证控制器的稳定性；鲁棒控制理论在设计之初就将模型的不确定性考虑在内，但是当模型参数变化较大时，该控制器才表现出了较好的仿真效果和鲁棒性。

Backstepping方法基于现代几何理论，是针对严格反馈系统提出的一种用于不确定系统系统化的控制器设计综合方法，现代控制理论经常将其与李雅谱诺夫函数(Control Lyapunov Function，CLF)结合，用于解决非线性、多变量、强耦合的大系统的控制问题，因此非常适合于BTT导弹控制器设计，但是当模型函数未知、存在干扰项或受控对象发生参数摄动时，控制效果较差。而智能控制理论作为当今控制领域的一个热点，应用于大规模、复杂和不确定系统的控制。近年来，智能控制技术也越来越多的出现在导弹控制领域中。

数字式自动驾驶仪是通过数字处理芯片实现的自动驾驶仪，常用的数字处理芯片有PC机、单片机MCU(Microcontroller Unit，简称MCU)、数字信号处理器DSP(Digital Signal Processor)、ARM处理器(Acorn RISC Machine，简称ARM)和现场可编程门阵列FPGA(FieldProgrammable Gate Array,简称FPGA)。为了实现较高的处理速度和承载较为复杂的系统，目前数字式自动驾驶仪的设计一般采用两块芯片来协调搭配完成，其中一块芯片作为主控单元完成控制方法解算，另一块作为协处理器实现数据采集和舵机驱动。

基于PC/104模块和MCU的架构，其CPU接口能力差，需要使用较多的外围接口器件进行配合，且体积大，功耗高，因而逐渐被其他架构所代替；基于DSP和MCU的架构，其DSP芯片控制能力较弱，缺少通用软件的支持，不利于实现复杂系统的设计，因而在实际中应用范围有限；基于ARM嵌入式微处理器的架构中，ARM也是在MCU的 基础上发展起来的一款微处理器。FPGA可靠性和实时性都很高，并且具备“可重构”特性，便于后期的方法升级更新。此外，采用FPGA代替MCU作为协控制器完成高速数据运算所需时间更短。

发明内容

针对上述现有技术的不足，本发明的目的在于提供一种BTT导弹神经网络反演自动驾驶仪的FPGA实现方法，并且使该自动驾驶仪具有较好的瞬态和稳态性能以及鲁棒性强。

为了达到上述目的，本发明采用了以下技术方案：

1)建立BTT导弹的状态方程模型；

2)选用RBF神经网络方法补偿BTT导弹状态方程的建模误差；然后利用Backstepping方法推导出控制输入，从而设计出基于FPGA模型的BTT导弹姿态控制器；

3)将导弹模型解算移植于FPGA内来实现，在FPGA中完成整个闭环反馈，建立出BTT导弹自动驾驶仪；自动驾驶仪运行时，输入期望姿态信号和初始状态向量至姿态控制器中，由姿态控制器计算出控制输入，利用控制输入进行模型解算，得出BTT导弹的新姿态信息，将新姿态信息送入姿态控制器中，由此形成循环；当循环结束时输出BTT导弹的姿态角，循环的次数由期望姿态角的样本量决定。

所述姿态控制器采用RBF神经网络来逼近BTT导弹状态方程模型的不确定项Δ₁(x₁)和Δ₂(x₁,x₂)，以弥补建模误差：

其中，x₁＝[α β φ]^T∈R³，x₂＝[p q r]^T∈R³，α为攻角，β为侧滑角，φ为滚转角，p为滚转角速度，q为俯仰角速度，r为偏航角速度，H是神经网络的隐含层输出矩阵，Q是神经网络的隐含层与输出层之间的连接权值矩阵，和是不确定项逼近值。

所述控制输入表示为：