[发明专利]基于干涉神经网络的航天器组合体误差补偿控制方法

说明书

本发明公开了一种基于干涉神经网络的航天器组合体误差补偿控制方法，包括：将RBF神经网络和HERMITE神经网络的输出进行叠加，构造一种新型神经网络；设计最优学习规则；将基于RBF和HERMITE两个神经网络的输出信号所获得的干涉模型拓展到N个RBF神经网络或HERMITE神经网络输出的情况；构建航天器组合体动力学模型，并将新型神经网络与最优学习规则集成到航天器组合体控制系统中；利用新型神经网络对航天器组合体控制系统所受到的外在扰动力进行拟合，并将其补偿到实际控制信号中，提高航天器组合体控制系统精度和效率。本发明提高了神经网络系统对复杂复合型扰动信号的跟踪能力。

技术领域

本发明属于航天器智能控制技术领域，具体涉及一种基于干涉神经网络的航天器误差补偿控制方法。

背景技术

据了解，在现代航天器自适应控制领域中，针对航天器组合体动力学模型存在不确定性，工作环境存在多种干扰等不利因素，目前普遍的解决方法是采用神经网络的方式对航天器组合体动力学模型中的各种不确定因素进行逼近拟合，并将其通过前馈补偿等方式集成到控制信号之中。

在实际任务过程中，对神经网络的选择以及其配套的学习规则的设计往往是控制成败的关键性决定因素。现阶段航空航天控制领域普遍采用的神经网络包括径向基函数(RBF)网络，和HERMITE多项式神经网络等。由于数学构架的不同，不同类型的神经网络所适应的工作环境也不尽相同。例如，在文献Mandal.S.,Jayaram.B.,SISO fuzzy relationalinference systems based on fuzzy implications are universal approximators,Fuzzy Sets and Systems,Vol.277,2015,pp.1-21中就指出，RBF神经网络适合于跟随线性微分方程所描述的动力学系统，而在文献Tsekouras.G.,Trygonis.V.,Maniatopoulos.A.,et al.,AHermite neural network incorporating artificial bee colonyoptimization to model shoreline realignment at a reef-fronted beach,Neurocomputing,Vol.280(6),2018,pp.32-45中则证明了HERMITE多项式神经网络更适合于跟随随机高斯误差。因此，现阶段航天器组合体控制系统的设计对神经网络构架的选择提出了更高的要求，当被控对象的工作环境、工作状态和扰动来源较为单一，且对其分析较为透彻时，选择适当的神经网络可能会起到良好的效果，但是，当被控对象过于复杂，工作环境中存在多种来源的不同种类的扰动信号时，传统的神经网络将难以达到很好的效果。

在神经网络的学习规则方面，现阶段神经网络一般采用基于微分矫正原理所推导出来的DELTA学习规则。根据文献Kouda.N.,Matsui.N.,Nishimura.H.,Qubit neuralnetwork and its learning efficiency,Neural Computing and Application,Vol.14,2005,pp.114-121中的描述，该学习规则的好处在于其本身与神经网络的激活函数无关；因此，对于任何连续可导的激活函数，都可以直接采用此种学习规则。而此种学习规则的缺点也较为明显：其推导过程完全基于Taylor展开形式，并舍弃了高阶项。为此，DELTA学习规则普遍存在训练早期出现较大误差和抖振的现象，在高学习增益的情况下此种抖振尤为明显，有的会发散到10⁶数量级，对航天器组合体控制系统构成了巨大的威胁，同时也制约了神经网络系统补偿高频误差的能力。且当神经网络的初始状态与真实值相差过大时，甚至会出现训练信号发散，训练失败的情况，从而对航天器组合体控制系统造成灾难性的隐患。因此，可以看出，不论是神经网络的基本构架还是与之配套的学习规则设计，上述先验技术均存在较大提高空间。

发明内容