[发明专利]基于FDNN的智能航天器控制器和控制方法

权利要求书

1.基于FDNN的智能航天器控制方法，其特征在于，具体的步骤如下：

输入已知数据；

对所述已知数据进行模糊表示和神经表示；

将所述模糊表示和神经表示的特征进行融合；

将融合的模糊表示和神经表示分配到其相应的类别中；

输出决策结果。

2.根据权利要求1所述的基于FDNN的智能航天器控制方法，其特征在于，所述模糊表示的具体步骤包括：输入层中的每个节点都与多个隶属度函数连接，每个输入变量对应描述都将分配给对应的隶属度函数；

所述隶属度函数中μ和σ²分别是输入数据的均值和方差。

3.根据权利要求1所述的基于FDNN的智能航天器控制方法，其特征在于，所述神经表示的具体步骤包括：FDNN各层完全连接，第l层上的每个节点都与(l-1)层的每一个节点相连接；

a_i＝w_io^(l-1)+b_i；

具体计算公式如上所示，其中w和b表示连接权重和偏置；计算求出对应的输出。

4.根据权利要求1所述的基于FDNN的智能航天器控制方法，其特征在于，将神经表示和模糊表示进行融合具体步骤如下：

将深层表示d节点的计算输出结果O_d和模糊表示f节点的计算输出结果O_f通过不同权重w_d和w_f融合在一起，对融合的信息进行深层转换。

5.根据权利要求1所述的基于FDNN的智能航天器控制方法，其特征在于，融合的模糊表示和神经表示分配到其相应的类别中具体的步骤如下：采用soft-max函数将数据点分类为不同的类别；将(f_i，y_i)表示为第i个输入及其相应的真实标签，π_θ(f_i)表示FDNN从输入层到最后一个任务驱动层的转换结果；以soft-max函数计算得出结果用作输出结果；

其中，w_c和b_c表示决策分类结果中第c类所对应的回归系数和偏差，则是最终输入数据经过FDNN神经网络计算后，面向k种分类的决策结果，即最终计算所得预测决策结果。

6.基于FDNN的智能航天器控制器，其特征在于，包括：

模糊逻辑表示模块：通过模糊隶属度函数计算输入数据的模糊度；

全连接表示模块：利用神经学习将输入数据转换为神经表示形式；

融合模块：将神经表示特征和模糊表示特征进行融合；

任务驱动决策模块：将融合的模糊表示和神经表示分配到其相应的类别，输出决策结果。