基于模糊变结构的空间飞行器姿态控制

根据空间飞行器姿态系统具有非线性、强耦合、多输入多输出的特点,对飞行器姿态模型的非线性和不确定性,提出分散模糊变结构控制方法。利用模糊系统对不确定性函数进行逼近,将获得的模糊系统函数作为系统不确定性界函数,对模糊逼近所带来的误差以及外部干扰项,采用控制补偿方法。理论分析和仿真研究表明,提出的控制方法具有姿态跟踪精度高,实时计算量小,便于工程实现等优点。     

超机动导弹的神经网络控制系统

 研究了应用于具有超机动能力的导弹的非线性神经网络控制系统.利用神经网络可以任意逼近非线性函数的能力,来学习超机动导弹在大迎角状态下的高度非线性动态特性的逆动态特性,得到对参数变化及未建模动态具有较好鲁棒性的控制系统.为了改善神经网络的学习能力和学习算法的稳定性,对学习增益做了模糊化处理.数字仿真结果说明了该控制方案可以达到预期效果.     

空间飞行器大角度机动递阶饱和控制律设计

针对以飞轮为执行机构的空间飞行器进行姿态大角度机动递阶饱和控制。在初始状念任意，反作用轮输出力矩受限、速率饱和约束条件下，提出递阶饱和的变结构机动策略，即针对飞行器的运动学模型，利用飞行器的误差四元数和角速度，通过绕瞬时欧拉轴旋转，引入误差凹元数限幅器，对姿态偏差进行逐次消除，提出了不需事先规划轨迹的绕欧拉轴逐次逼近控制算法。并且引入模糊推理规则来改进递阶饱和变结构控制设计，使得系统轨迹既能快速趋近滑动面又能降低抖振，有效减弱了一般变结构控制律中抖振问题，从而提高了变结构控制律的品质。     

数字滤波在动态测量数据处理中的应用

介绍了数字滤波的原理。着重讨论了带通、点阻、带阻数字滤波器在动态测量数据处理中应用于功率谱密度计算;并提出在动态测量数据处理中应用数字滤波的建议。     

竞争学习模糊神经网络及在导弹故障诊断中的应用

尽管基于解析冗余的故障诊断方法有许多突出的优点而越来越多地得到的研究和应用，但它依赖于系统的模型，当系统存在非线性或不确定性时，存在难以建模的困难，模糊神经网络可以通过学习建立系统的模型，且模型参数有明确的物理意义，初始参数易于选择，成为解决这一问题的优选途径，作者通过把模糊神经网络的学习转化为竞争聚类和线性优化问题，基于竞争聚类和最小二乘原理，提出了一种模糊神经网络学习算法，并在某伺服机构上进行     

晶体管h参数微变等电路的研究

晶体管h参数微变等效电路是电子技术中求解低频，小信号放大电路常有的分析方法，本文通过具体分析，将模拟放大电路进行了新的分类，并且明确而系统地给出运用微变等效电路求解各类模拟放大电路动态指标Av,ri和r0公式，解题难点及规律。     

基于自适应模糊滑模退步控制的直接力/气动力复合控制导弹自动驾驶仪设计

针对直接力/气动力复合控制导弹所具有的强耦合非线性特性,提出了一种基于自适应模糊滑模退步控制的自动驾驶仪设计方法.该方法利用自适应模糊系统所具有的万能逼近特性,对大迎角飞行过程中导弹动力学方程中存在的非线性函数进行逼近,并利用变结构控制所具有对干扰的强鲁棒性,构造误差系统滑模面,克服了逼近误差和外界干扰对控制系统的影响,实现了对大机动指令的精确跟踪.仿真结果表明,所设计的自动驾驶仪对过载指令有良好的跟踪效果,对模型不确定性和外界干扰具有鲁棒性.     

基于模糊神经网络的导弹最优寻的末制导律

提出了一种适用于一类末制导段采用推力矢量控制的新型导弹的模糊神经网络最优寻的末制导律.在制导律设计时不仅要求导弹能量最省,脱靶量最小,同时考虑了推力矢量控制的非线性特点,并且为改善该神经网络系统的学习效果,在学习算法中还引入模糊学习规则.数字仿真表明所提出的模糊神经网络制导律对于机动目标具有较好的攻击能力.     

复杂不确定性下多无人机的抗扰时变编队控制

针对存在不确定非线性动态和外部时变干扰的多无人机系统的时变编队问题，提出了基于扩张状态观测器(ESO)的抗扰编队控制方法。首先建立了分布式ESO来估计多无人机系统的不确定性，基于ESO的输出提出了抗扰编队控制律，并提出一套算法来对控制律进行参数选定。然后，通过分析得到基于该控制律下，多无人机系统实现抗扰时变编队所需要的充要条件，并最终严格证明了在满足编队充要条件和基于提出的控制律下，多无人机系统可以稳定实现抗扰时变编队。最后仿真结果表明理论方法的有效性。