کنترل کننده های شبکه عصبی بهینه و قوی برای مانورهای فضاپیمای پروگزیمال

در این تحقیق، چارچوب یادگیری تقویتی با روش هایی مستقیم ترکیب میشود تا مانورهای فضاپیما همراه با تحلیل کنترلی ودینامیکی را ایجاد کند. کنترل کننده های بازخورد حلقه باز و حلقه بسته، که توسط شبکه های عصبی مصنوعی چندلایه پیش خورندهپارامتر می شوند، با الگوریتم های بهینه سازی مبتنی بر گرادیان و تکاملی توسعه یافته اند. محاسبه میزان کنترل کننده های مانورها دررفضاپیماها و راه های پیش بینی روند کنترل کننده های مانورها درر فضاپیماها ، یکی از چالش های جدی برای فعالان این حوزه است.تاکنون روش های گوناگونی برای پاسخگویی به این مسئله ارائه شده که از آن جمله استفاده از هوش مصنوعی و الگوریتمهای مبتنیبر آن است.[ ۱] در این راستا، به دلیل ظرفیت بالای شبکه عصبی پرسپرتون چند لایه ۱، از این ساختار با استفاده از داده های واقعی بهعنوان ورودی، بهره گرفته شده است. در نهایت، به منظور بررسی کارایی مدل حاصل از شبکه عصبی، نتایج با نمونه واقعی موردمقایسه قرار گرفته اند. براساس نتایج بدست آمده از اعتبارسنجی شبکه عصبی پیشنهادی به وسیله مقایسه آن با داده های تجربی،پیش بینی میزان رفتار کنترلی و دینامیکی، بررسی روند میزان کنترل کننده های مانورها درر فضاپیماها و گرایش و تحلیل چگونگی کنترلر به نحو مطلوبی صورت گرفته است. پیش بینی روند کنترل کننده های مانورها درر فضاپیماها با درصد خطای پایین (بازه ۰/۹۹-۱) برای رگرسیون در قیاس با نمونه تجربی، بیانگر انطباق کافی مدل پیشنهادی با مدل واقعی و کارایی شبکه است

کلیدواژه ها:

کنترل کننده ، پیش بینی روند کنترلر ، شبکه عصبی پرسپترون چند لایه ، مانور فضاپیما