基于最小二乘支撑矢量机的陀螺漂移预测

为提高支撑矢量机(SVM)标准算法速度和解决大规模问题,研究了SVM的最小二乘回归算法,并给出了计算模型。对陀螺仪漂移预测的结果表明,最小二乘SVM算法的精度与标准算法相近,并可解决大规模数据问题,在工程实践中具有其有效性和可行性。     

遗忘因子最小二乘支持向量机及在陀螺仪漂移预测中的应用研究

以陀螺仪漂移误差系数时间序列预测为对象，研究并提出了遗忘因子最小二乘支持向量机算法。构造了以多项式、径向基、小波函数为核函数的支持向量机（SVM）、最小二乘支持向量机（LSSVM）、遗忘因子最小二乘支持向量机（FFLSSVM），比较了它们用于强非线性测试集的泛化性能。实验结果表明：FFLSSVM比由相应核函数构成的SVM、LSSVM自适应性强、预测精度高；三种核函数生成L2（R）子空间上完备基的能力不同，导致三个FFLSSVM逼近任意目标函数的精度有差异；遗忘因子最小二乘小波核支持向量机可有效地用于陀螺漂移误差动态补偿、可靠性辅助决策、故障预测。     

基于滑窗最小二乘陀螺仪故障检测

为了实现在轨卫星姿态控制系统中陀螺仪的故障检测,设计基于滑窗最小二乘的检测算法。算法在无需额外敏感器辅助前提下,通过监测三轴陀螺仪两两测量差值的多项式拟合系数的幅值和方差变化趋势,准确获得陀螺仪发生故障类型及时间。仿真结果表明,算法能够检测出多种故障模式,具有很好的工程应用价值。     

基于最小二乘支持向量机的小样本建模方法研究

针对捷联惯组历次测试数据小样本建模问题,提出了通过二次修正插值方法解决测试数据的非等间隔性和样本容量小的问题。并通过相空间重构的思想将一维时间序列多维化。最后通过最小二乘支持向量机建立预测模型。实例分析表明,建立在二次修正插值基础之上的最小二乘支持向量机时间序列模型具有较高的预测精度,能够很好地满足对惯组测试数据分析的要求。     

最小二乘支持向量机的在线学习算法研究

针对最小二乘支持向量机在线逼近过程中求解矩阵维数逐渐扩大的问题,提出了一种最小二乘支持向量机的在线学习算法。借助滚动窗口的思想,建立一个随时间滑动的建模数据区间,在线逼近中通过接受新数据删除旧数据来保持数据区间长度不变,同时数据不断更新,从而实现模型的在线学习。仿真结果表明了这种学习算法的有效性。     

扩展旋转矢量捷联姿态算法

给出了一种新的旋转矢量捷联姿态构造算法，该算法由陀螺样本的多重积分来构造旋转矢量的最小二乘估计。新算法具有较好的顺序递推结构，易于在机载计算机上编程实现，比传统方法更容易满足一些限制较多的特殊应用。文中还给出了该算法在机载计算机上的计算流程及算法的局部硬件化实现。     

基于恒星矢量差分的星敏感器星跟踪算法研究

针对现有星跟踪算法依赖外部信息、模型复杂等缺点,结合卫星平台实际,提出了一种新的星敏感器内部星跟踪算法,利用星矢量与角速率间关系进行星点预测。先根据当前帧和前一帧的星矢量,用最小二乘原理估算出角速率,再对角速率进行卡尔曼滤波以减小估计误差,之后用滤波后的角速率预测下一帧的星矢量,将星矢量转为星点坐标,最后在以该坐标为中心的波门中提取星点。讨论了角速率估计误差、截断误差、星点成像随机误差和定姿星数等因素对算法精度的影响。该方法不依赖外部信息进行预测,模型简单,易于实现。实验验证在星敏感器角速率为0.6(°)/s时,平均跟踪精度0.55像素,证明了其有效性。     

捷联惯导陀螺仪冗余配置研究

为有效提高捷联惯导系统的可靠性，研究了捷联惯导陀螺仪冗余配置的原则和结构方案对比，选择及相应的可靠性评估与系统优化，通过采用加权最小二乘法等数据处理方法，给出了计算结果。结果表明工程上捷联惯导陀螺仪冗余配置应当而且能够实现系统最优化设计，选择最优配置结构。     

模糊最小二乘支持向量机在黑液波美度软测量中的应用

利用模糊最小二乘支持向量机进行软测量建模。并将基于最小二乘支持向量机的软测量器应用于造纸碱回收中黑液浓度的在线估算,取得了十分有效的应用结果。模糊最小二乘支持向量机收敛速度快,模型参数确定方便。因此基于模糊最小二乘支持向量机的软测量器在软测量建模中有很大的应用潜力。     

改进RBF网络学习算法在卫星姿态控制中的应用

提出了一种基于神经网络扰动补偿的姿态控制方法，首先，针对RBF网络的常用学习算法－－正交最小二乘（OLS）算法，提出了改进的规范正交最小二乘（ROLS）算法：然后，基于某型小卫星的姿态控制问题，设计了高精度定向阶段的神经网络补偿控制器。仿真结果表明，改进的ROLS算法是有效的，神经网络补偿控制方案是可行的。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法，首先介绍目标检测算法SSD（Single Shot MultiBox Detector），并对其特征提取网络进行改进，采用稠密特征提取网络替换原网络的主干特征提取网络，提高算法的特征提取能力，从而提升了算法的检测精度。针对网络实时性问题，在算法中引入分组卷积，极大地减少了网络参数量，提升了网络推理速度。为解决训练中出现的正负样本不均衡问题，利用焦点损失（Focal Loss）改进了原算法的损失函数，进一步提升了网络的收敛速度和精度。最后，通过仿真验证了改进算法在目标检测精度上的优越性。     

基于组合优化算法的临近空间飞行器轨迹优化

提出一种临近空间飞行器轨迹优化方法,利用基于支持向量机与遗传算法的组合优化算法,解决多约束条件下的高效轨迹优化问题。首先,建立临近空间飞行器轨迹优化数学模型。然后,通过参数化方法和惩罚函数法将轨迹优化问题转化为约束参数优化问题。在此基础上,提出一种求解无约束参数优化问题的组合优化算法,通过支持向量机对遗传过程中产生的种群进行分类,提高基本遗传算法的计算效率,结合轨迹优化数学模型,给出轨迹优化算法。最后,以临近空间飞行器航程最远轨迹优化问题为例,进行数学仿真分析。仿真结果表明,针对给定的算例,文中提出的方法与基于基本遗传算法的轨迹优化方法相比,计算效率显著提高。     

基于PID控制的主动磁轴承-飞轮转子系统运动稳定性研究

磁悬浮支承应用于控制力矩陀螺具有很多优点,但是飞轮转子在高转速下表现出的陀螺效应是影响系统稳定性的主要因素。现研究了由于陀螺效应产生的章动和进动造成系统失稳的根本原因,并对控制系统提出改进方案。为研究方便,提出了相位分析的方法进行PID控制系统分析。研究结果表明,章动失稳的主要原因是系统的相位滞后引起,进动失稳主要因为积分控制项对系统负阻尼作用引起,同时,研究表明积分控制对系统章动稳定性影响很小。     

大型运载火箭加筋柱壳近似建模方法

为提高大型运载火箭中薄壁加筋柱壳结构的后屈曲分析、优化设计的计算效率，提出基于矩估计的增广径向基函数(ARBF)近似建模方法。首先，分析了形状参数对ARBF近似模型泛化能力的影响规律；然后，基于样本点局部密度给出了ARBF基准形状参数确定方法，并根据模型响应特点，引入缩放系数对形状参数进行自适应调整；进一步，基于矩估计方法将确定形状参数的复杂域优化问题转化为确定缩放系数的优化问题，并利用多起点并行优化算法求解该问题，显著降低了计算复杂度；最后，通过典型数值算例和工程应用，对比研究了本文方法与其他典型近似建模方法的优劣。数值和工程算例表明，相较其他典型近似建模方法，本文方法可通过训练较少的样本点达到较高的近似精度，对比结果验证了本文方法的有效性和高鲁棒性，表明其具有一定的工程应用价值。     

航天器单层板结构弹道极限的支持向量机预测模型

提出了一种基于非线性不可分支持向量机（SVM）方法的航天器单层板结构弹道极限预测模型。利用实验数据对SVM进行训练,建立穿透点和未穿透点的分隔面,进而预测新结构弹道极限特性。SVM的训练问题是以实验点分类正确性为约束,预测置信度最大化为目标的二次规划问题,用Lagrange对偶方法有效求解了该训练问题,并通过附加Lagrange乘子的上限约束处理不可分数据集。引入二次核函数将线性SVM推广到非线性,有效实现了实验点的分类。利用超高速碰撞实验数据对SVM弹道极限预测模型进行了验证,计算对比表明SVM方法有效预测了弹道极限,并且精度高于NASA JSC单层板弹道极限方程。对分离面方程分离变量,建立了基于SVM的弹道极限方程显式表达式。     

支持向量机用于液体火箭发动机的故障诊断

支持向量机（Support Vector Machine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。     

基于MPI的柔性多体系统动力学并行计算

研究解决多体系统动力学仿真计算中串行计算速度比较慢的问题。现将MPI（Message Parallel Interface）并行计算环境引入柔性多体系统动力学仿真软件cADAMB（computer Aided Dynamic Analysis of Multi Body），对其中的单向递推组集建模方法进行了并行化改造，并给出了加速比和各进程效率的估计。结果显示该并行算法能大幅度提高仿真计算的速度。     

基于马尔可夫蒙特卡洛法的系统辨识方法研究及应用

提出了基于马尔可夫蒙特卡洛(MCMC)的贝叶斯辨识方法,以解决高超声速飞行器系统辨识中复杂动力学模型转换为简单或稀疏模型所带来的不确定性问题,以及存在的训练数据大和积分难处理的问题。该方法将数据退火算法引入MCMC中,不仅解决了MCMC易陷入局部最优的问题,并且将数据退火与“高信息训练数据”的概念相结合,能够以较低的计算成本分析大数据集。此外,该方法可以对参数估计过程中存在的不确定性进行量化,获得未知参数的最优估计值。通过仿真实验,验证了提出的系统辨识方法的有效性,辨识出的模型能够有效应用于控制器设计之中,并获得较好的控制效果。