[发明专利]基于预测建模的高超声速飞行器神经网络学习控制方法

说明书

本发明公开了一种基于预测建模的高超声速飞行器神经网络学习控制方法，用于解决现有高超声速飞行器控制方法稳定性差的技术问题。技术方案是首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统，再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近，通过构造预测建模误差进行神经网络权重更新，提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器，可在线动态对不确定进行估计学习，实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差，提升了神经网络学习准确性与快速性，进而提高了控制系统的自适应能力且稳定性好。

技术领域

本发明涉及一种高超声速飞行器控制方法，特别涉及一种基于预测建模的高超声速飞行器神经网络学习控制方法。

背景技术

高超声速飞行器由于其高速飞行能力，使得在紧急情况下实现“全球到达、全球作战”成为可能，因此受到国内外的广泛关注；NASA X-43A试飞成功证实了这项技术的可行性；由于飞行高度和飞行马赫数跨度范围大，飞行环境非常复杂，在飞行过程中飞行器热特性和气动特性变化剧烈，并且在控制过程中存在着各种噪声，要适应大范围的飞行环境和高机动性要求，控制系统就必须具有高可靠性和强适应性。

由于气动特性变化和未建模动态等因素的影响，系统不确定变化会非常复杂，研究自适应学习对于高超声速飞行器的飞行控制起到至关重要的作用。智能控制将控制理论的方法和人工智能技术结合，不需要考虑模型非线性的结构信息，通过从外界环境所获得的信息不断逼近系统的不确定性以实现动态学习；其中，神经网络控制采用神经网络逼近系统非线性函数以实现控制保证系统稳定并改善控制性能。

《Neural Network Based Dynamic Surface Control of Hypersonic FlightDynamics Using Small-gain Theorem》(Bin Xu,Qi Zhang,Yongping Pan，《Neurocomputing》，2016年，第173卷)一文针对高超声速飞行器的纵向动力学研究了智能自适应控制。整个方案按照动态面设计，在每一步设计一个虚拟控制量；在设计过程中，采用神经网络对模型的不确定性进行逼近学习进而为控制器设计提供反馈。由于该方法利用跟踪误差设计神经网络自适应更新律，只保证Lyapunov稳定忽略神经网络逼近不确定性的好快，不能确保神经网络有效完成逼近不确定性实现反馈设计的初衷，难以实现系统的快速稳定控制。

发明内容

为了克服现有高超声速飞行器控制方法稳定性差的不足，本发明提供一种基于预测建模的高超声速飞行器神经网络学习控制方法。该方法首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统，再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近，通过构造预测建模误差进行神经网络权重更新，提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器，可在线动态对不确定进行估计学习，实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差，通过设计神经网络的复合更新学习算法，可提升神经网络学习准确性与快速性，进而提高控制系统的自适应能力且稳定性好。

本发明解决其技术问题所采用的技术方案：一种基于预测建模的高超声速飞行器神经网络学习控制方法，其特点是包括以下步骤：

(a)建立高超声速飞行器的动力学模型：