本文研究了一种用于小型无人机（Small Unmanned Aerial Vehicle, SUAV）的新型控制系统。该研究由罗云林和尹楚雄（中国民航大学航空自动化学院）完成，发表于2014年1月的《Journal of Civil Aviation Flight University of China》（中国民航飞行学院学报）。研究旨在解决小型无人机因成本、载重限制而导致的机载计算资源有限、传感器性能受限等问题，从而提升其飞行控制性能与安全性。
研究的学术背景属于飞行控制、智能控制与计算智能的交叉领域。随着无人机技术的发展，小型无人机因其体积小、重量轻、成本低等优点，在军事和民用领域应用日益广泛。然而，其机载传感器、处理器通常较为低端，且设计需尽量简化，这限制了传统控制策略（如依赖高性能卡尔曼滤波器）的应用效果。因此，研究的目标是设计一种既能适应小型无人机有限机载资源，又能实现高性能、稳定姿态控制的智能控制系统。为此，研究融合了模糊控制、径向基函数（Radial Basis Function, RBF）神经网络和遗传算法（Genetic Algorithm, GA）三种技术的优势，提出了一种创新的两层网络学习控制架构。
研究的详细工作流程主要包含以下几个关键部分：
首先，研究提出了一个创新的控制系统架构。该架构并非传统的单层机载控制器，而是设计为由两层网络构成。第一层是无人机机载网络，由飞行控制器（采用模糊控制策略）、传感器（微型陀螺仪、GPS芯片模块）、执行机构（舵机组、发动机）以及DSP电路板等组成。这一层的优势是实时性好，但计算能力有限。第二层是地面网络，由地面监控站计算机（作为学习单元）通过数传电台与无人机建立的无线数据链构成。这一层计算能力强，但存在通信延迟、数据包丢失等不确定因素。两个网络形成了两个控制回环：本地控制回环和外部（地面）控制回环。这种设计的核心思想是优势互补：机载模糊控制器保证实时、基本的控制响应；地面学习单元利用强大的计算能力，运行复杂的优化算法（RBF神经网络与遗传算法），在线学习并优化调整机载模糊控制器的参数，再将优化后的参数通过无线链路发送回无人机。这种架构使得控制系统既具备了实时响应的可靠性，又拥有了强大的在线学习和优化能力，提高了系统的灵活性和鲁棒性。研究对象为一款特定的小型无人机，其翼展1.5米，总重约3公斤，续航90分钟，采用轻木质机身，搭载了锂电池、微型陀螺仪、GPS模块和DSP板等设备。
其次，是控制器的具体设计。机载飞行控制器采用模糊控制器，其控制规则由一个解析表达式定义，输出控制量 u(t) 由误差 e(t)、误差变化 ec(t) 和误差加速度 er(t) 三个模糊量以及两个加权因子 a(t) 和 b(t) 共同决定。a(t) 和 b(t) 是关键的可调参数，它们决定了三个输入模糊量对最终控制输出的贡献权重。研究的核心创新在于，这两个加权因子不是固定不变的，而是由地面学习单元动态调整的。调整的目标是最小化一个定义的控制误差指标函数 J，该函数衡量了系统实际输出与期望输出之间的差距。调整的算法则基于RBF神经网络。RBF网络因其局部调谐特性，被用于根据系统的输入输出数据样本进行学习。文中给出了 a(t) 和 b(t) 在每个控制周期内的具体学习（调整）公式，该公式包含了RBF网络的中心矢量、宽度、权重等参数，并通过学习因子 h_a 和 h_b 来控制调整步长。这实质上实现了一种基于RBF神经网络的自学习模糊控制策略，模糊控制提供了直观的规则框架，而RBF网络则赋予了控制器从数据中学习并优化自身参数的能力。
第三，研究对用于优化RBF神经网络的遗传算法进行了改进。标准遗传算法在优化RBF网络的节点中心矢量和输出权值时，可能陷入局部最优。为此，作者提出了两点改进：1）初始群体均匀化：通过构造均匀数组，在解空间的多个子空间中均匀选择染色体来组成初始群体，提高了找到全局最优解的概率。2）自适应调整交换概率和变异概率：交换概率 p_ch 和变异概率 p_me 不再是固定值，而是随着遗传代数 n 自适应变化。在算法运行初期，采用较大的 p_ch 和 p_me 以保持种群多样性和扩大搜索范围；随着迭代进行，p_ch 逐渐减小并稳定，p_me 则按指数函数衰减，以保护优秀个体并提高局部搜索效率。文中给出了具体的自适应调整公式。这种改进的遗传算法被用于离线或在线优化RBF神经网络的参数，从而进一步提升整个控制系统的性能。
第四，研究通过仿真和实际飞行验证来评估所提方法的有效性。在仿真环节，研究在MATLAB环境下建立了闭环控制系统模型。被控对象是无人机自身的非线性动力学系统，在机体坐标系下建立其运动方程，状态变量包括位置、速度、姿态角及角速率等，控制输入为舵面偏转角。研究以姿态角（滚转角φ、俯仰角θ、偏航角ψ）的调节问题为重点，将姿态角与期望值的偏差作为控制器输入 e。仿真设置了初始姿态扰动（φ=7°，θ=5°，ψ=9°），并对舵面角速率进行了饱和限制（±10度/秒）。在实际飞行验证环节，研究利用VB语言开发了地面站监控软件。该软件通过串口与数传电台通信，实现了对无人机飞行参数（姿态角等）的实时监测与显示，并能绘制姿态角控制指标与实际值的对比曲线，用于评估实际控制效果。
研究取得的主要结果如下：
在仿真结果中，给出了三个姿态角的动态响应曲线。从曲线可以看出，在施加初始扰动后，所设计的控制系统能够在2到4秒内将无人机的姿态角（滚转、俯仰、航向）恢复平稳，达到稳定状态。这表明，在模拟环境下，该两层网络架构的控制器具有良好的动态响应性能和稳定控制能力，能够有效抑制扰动，快速稳定无人机姿态。
在实际飞行验证结果中，地面站监控软件的运行界面（图6）显示，软件能够成功接收并显示无人机的各项飞行参数。文中特别提到，在控制无人机俯仰姿态角变化时，考虑到小型无人机易受风力干扰，在该控制模式下，无人机基本能够达到控制要求。这从工程实践角度初步验证了所提控制方案的有效性和可行性，表明其具有一定的抗干扰能力和实际应用价值。
这些结果逻辑连贯：首先，创新的两层架构和自学习模糊控制器设计在理论上融合了多种智能算法的优点；接着，改进的遗传算法为神经网络的优化提供了更高效的全局搜索工具，理论上提升了控制器的优化潜力；然后，仿真结果在理想化的模型环境下证实了该控制方案在动态响应和稳定性方面的优异性能；最后，实际飞行测试的结果，尽管面临真实环境的不确定性（如风力干扰），仍显示系统能够基本满足控制要求，从而将理论设计和仿真验证推进到了工程实践层面，形成了从理论到仿再到初步实践的证据链。仿真结果支撑了控制器设计有效的结论，而实际飞行结果则进一步支持了该方案具有工程应用潜力的判断。
研究的结论是，本文提出的基于模糊RBF神经网络的两层网络学习控制系统架构是有效的。该方法成功地将模糊控制、RBF神经网络和遗传算法相结合，充分发挥了各自优势：模糊控制提供了一种不依赖于精确数学模型、基于经验的鲁棒控制框架；RBF神经网络赋予了系统强大的从数据中学习并在线调整参数的能力；遗传算法（特别是经过改进后）为神经网络参数的全局优化提供了有效工具。将计算密集型的学习和优化任务放在地面站完成，巧妙地规避了小型无人机机载计算资源有限的瓶颈。仿真和实际飞行验证均表明，该控制系统能够实现对小型无人机姿态的有效、稳定控制。
本研究的意义和价值主要体现在：在科学价值上，它提出了一种新颖的混合智能控制架构和算法融合方法，为资源受限平台（如小型无人机）的高性能控制提供了新的解决思路，是智能控制理论在具体工程问题上的一个成功应用范例。在应用价值上，所设计的控制系统方案具有明确的工程意义，能够提升小型无人机在复杂环境下的自主飞行能力和安全性，对其在侦察、监测、航拍等民用和军事领域的进一步推广应用具有促进作用。
本研究的亮点在于：1）架构创新：提出了“机载模糊控制（实时）+地面神经网络学习优化（强大计算）”的两层网络控制架构，巧妙地解决了机载资源有限与高性能控制需求之间的矛盾。2）算法融合与改进：创造性地将模糊控制、RBF神经网络和遗传算法三者结合，形成了一种自学习、自优化的智能控制策略；并对标准遗传算法进行了有针对性的改进（初始群体均匀化、概率自适应调整），提升了优化效率。3）研究完整性：工作流程完整，涵盖了从问题提出、架构设计、算法详述（包括具体的数学公式）、仿真验证到实际飞行测试的完整链条，体现了从理论到实践的闭环研究过程。4）针对性强：研究明确针对小型无人机（SUAV）的成本、载重和性能限制这一具体工程问题展开，解决方案具有很高的针对性。
此外，文中还有一些有价值的细节，例如明确了所研究无人机的具体物理参数（翼展1.5米，重3公斤等），使得研究背景非常具体；给出了模糊控制器加权因子 a(t) 和 b(t) 具体、详细的学习调整公式，增强了研究的可复现性；开发了专用的地面站监控软件，并展示了其界面，体现了软硬件结合的系统工程思维。这些内容共同构成了一项扎实且具有创新性的工程技术研究成果。