[发明专利]一种应用于变体飞行器的类脑脉冲神经网络控制方法

权利要求书

1.一种应用于变体飞行器的类脑脉冲神经网络控制方法，其特征在于步骤如下：

步骤1：首先确定控制对象模型，由三维建模软件导出变体飞行器网格模型，通过专业气动力学动解算工具得到飞行包络线中不同形状和结构的空气动力学系数，插值得到各轴向力和力矩的数学表达形式，建立变体飞行器的运动学和动力学模型；

步骤2：对步骤1中得到的模型在速度、高度和变形率三个维度进行平衡点求解，得到飞行器姿态、轨迹状态量在这些平衡点处的值；将平衡点设置为训练数据集的初始点，得到包络线内不同初始速度、高度、外形下受传统线性变参数鲁棒控制的飞行姿态和轨迹信息，同时保存各平衡点处的鲁棒控制增益矩阵，构建训练集；

步骤3：由于各个状态信息在大小、单位上具有较大差异，因此将训练集中的离散化姿态轨迹信息根据归一化算法消除数量级上的差距，在充分保留原有信息特征的基础上进一步压缩数据的复杂度，从而得到有利于脉冲神经网络学习的输入集；

步骤4：针对变体飞行器姿态、轨迹和控制信息的种类和输入集量级和维度，结合各类型脉冲神经元的参数和特性，对于每种飞行器关键状态量，利用液体状态机算法初始化相应的子网络，其中每个脉冲神经网络的初始拓扑和连接方式由服从高斯分布的随机种子决定；

步骤5：在网络训练过程中使用线性回归算法来训练每个脉冲神经元输入的读数权重，脉冲神经元以特定的频率向三维空间内相邻的神经元发送脉冲信号传递信息，并且随着训练学习的过程不断改变网络拓扑结构，转换连接的兴奋和抑制类型，由脉冲神神经网络生成的栅格数据预测当前状态的飞行器控制指令脉冲信号；

步骤6：由无记忆的解码函数滤波映射得到的脉冲信号，建立一个可根据当前飞行器外形和姿态实时变化的自适应变增益控制器；在变体飞行器不同初始状态和跟踪指令下与未经脉冲神经网络学习训练的线性变参数鲁棒控制器进行对比试验，检验所设计脉冲神经网络控制器的快速性、鲁棒性和抗干扰特性。

2.根据权利要求1所述的一种应用于变体飞行器的类脑脉冲神经网络控制方法，其特征在于：步骤1中所述的变体飞行器的运动学和动力学模型为：

其中T代表推力，D为阻力，g为重力加速度，m为飞行器的质量，L代表升力的合力，M表示俯仰力矩，J_z为是俯仰轴的转动惯量。选取了速度V、弹道倾角θ、飞行高度h、攻角α、俯仰角速度ω_z作为状态变量。将燃料当量比δ_t，舵偏角δ_e以及变形率δ_b作为被控输入，即u＝[δ_e,δ_t,δ_b]。