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

در این تحقیق، چارچوب یادگیری تقویتی با روشهایی مستقیم ترکیب میشود تا مانورهای فضاپیما همراه با تحلیل کنترلی و دینامیکی را ایجاد کند. کنترلکننده های بازخورد حلقه باز و حلقه بسته، که توسط شبکه های عصبی مصنوعی چندلایه پیش خورنده پارامتر میشوند، با الگوریتم های بهینه سازی مبتنی بر گرادیان و تکاملی توسعه یافته اند. محاسبه میزان کنترل کننده های مانورها درر فضاپیماها و راه های پیشبینی روند کنترل کننده های مانورها درر فضاپیماها ، یکی از چالش های جدی برای فعالان این حوزه است. تاکنون روشهای گوناگونی برای پاسخگویی به این مسئله ارائه شده که از جمله آن استفاده از هوش مصنوعی و الگوریتم های مبتنی بر آن است. در این راستا، به دلیل ظرفیت بالای شبکه عصبی پرسپرتون چند لایه عنوان ورودی، بهره گرفته شده است. در نهایت، به منظور بررسی کارایی مدل حاصل از شبکه عصبی، نتایج با نمونه واقعی مورد مقایسه قرار گرفته اند. براساس نتایج بدست آمده از اعتبارسنجی شبکه عصبی پیشنهادی به وسیله مقایسه آن با داده های تجربی، پیشبینی میزان رفتار کنترلی و دینامیکی، بررسی روند میزان کنترلکنندههای مانورها درر فضاپیماها و گرایش و تحلیل چگونگی کنترلر به نحو مطلوبی صورت گرفته است. پیشبینی روند کنترل کننده های مانورها درر فضاپیماها با درصد خطای پایین(بازه 0/99-1) برای رگرسیون در قیاس با نمونه تجربی، بیانگر انطباق کافی مدل پیشنهادی با مدل واقعی و کارایی شبکه است.

optimal and robust neural network controllers for spacecraft maneuvers

in this research, the reinforcement learning framework is combined with direct methods to generate spacecraft maneuvers with control and dynamic analysis. open-loop and closed-loop feedback controllers, parameterized by feedforward multilayer artificial neural networks, are developed with gradient-based and evolutionary optimization algorithms. calculating the number of maneuver controllers in spacecraft and ways to predict the trend of maneuver controllers in spacecraft is one of the serious challenges for activists in this field. so far, various methods have been presented to answer this problem, including the use of artificial intelligence and algorithms based on it.[1] in this regard, due to the high capacity of a multi-layer perceptron neural network, this structure has been used using real data as input. finally, to check the efficiency of the neural network model, the results have been compared with the real sample. based on the results obtained from the validation of the proposed neural network by comparing it with experimental data, predicting the amount of control and dynamic behavior, examining the trend of the number of controllers of maneuvers in spacecraft, and the tendency and analysis of how the controller is optimally done. is. the prediction of the maneuvers controller trend in spacecraft with a low error percentage (range 1-0.99) for regression in comparison with the experimental sample, indicates the sufficient compliance of the proposed model with the real model and the efficiency of the network.