基于T-S模糊系统的空天飞行器鲁棒自适应轨迹线性化控制

 基于T-S模糊系统提出了鲁棒自适应轨迹线性化控制(RATLC)方法。利用T-S模糊系统逼近未知干扰和不确定性因素，并采用Lyapunov方法设计了鲁棒自适应控制律。不论系统状态的维数和用于逼近不确定的模糊系统规则数为多少，整个系统仅有两个参数在线调整。理论分析证明了闭环系统所有信号一致最终有界。应用提出的控制方案设计了空天飞行器(ASV)飞行控制系统，并在高超声速飞行条件下进行了仿真验证，仿真结果表明了控制方案的有效性和鲁棒性。     

飞机低空突防中的航路规划技术研究

针对飞机低空突防航路规划中存在的计算复杂和收敛性等问题,在基本遗传算法的基础上提出了一种基于自适应伪并行遗传算法的优化方法,使用该方法得到的飞行航线严格经过飞机的起始点和目标点,而且满足飞机到达目标点的航向角要求,使威胁飞机的因素最小,可有效提高飞机的任务生存率。     

幂指函数在非线性规划中的应用

给出一种自适应近似函数－幂指函数f^-(x)在非线性规划中的收敛算法。它采用minx∈Enf^-(x)的最优解序列｛x^-｝去逼近原问题minx∈Enf^-(x)的最优解x^*.与传统优化算法相比：该算法最优解｛x^-｝可以通过f^-x(x)=0直接解析得出；该算法不要求序列｛f(x)^k｝具有单调减特性，却能够保证算法的收敛性，该算法的计算量对变量的维数不敏感，从而具有广泛的应用前景，从方法论上，它是采用“特殊非线性”来研究“一般非线性”的一种新方法。     

基于滑动滤波技术的激光陀螺评价方法

激光陀螺是一种以量化脉冲的形式输出角增量的数字传感器，量化误差如同白噪声一样影响着激光陀螺的测试精度。为了准确评价激光陀螺的性能，减少量化误差对激光陀螺测试数据的影响，本文应用滑动滤波技术对激光陀螺采样数据进行滤波处理，理论分析及实验结果表明，该方法有效地降低了量化噪声从而实现了对激光陀螺的准确评价。     

一种基于输出误差观测的冗余MEMS-IMU标定技术研究

针对传统六位置标定存在标定步骤复杂、标定时间长等问题，同时随着MEMS器件冗余数目增加和冗余配置结构复杂化，利用分立标定技术实现器件误差参数辨识的难度进一步增大，且不同配置结构所采用的标定方法存在通用性较差的问题。因此提出了一种基于Kalman滤波的冗余MEMS-IMU分立标定方案。该方案首先采用小角度建模法实现安装误差的精确建模；然后针对直接以转台三轴角速率为观测值，导致部分状态量不可观的问题，提出了以器件的输出误差值作为观测量、以器件误差参数作为状态量设计Kalman滤波器；最后设计了高精度三轴转台转位编排方式，并利用四陀螺冗余结构进行标定仿真试验。仿真结果表明：该标定方法与六位置标定方案相比，标定精度平均提高了11.37%，可实现MEMS器件误差参数的快速辨识，对实际工程实践具有一定参考价值。     

基于视线角序列的机动目标视线角速率计算

 依据拦截弹与机动目标间的相对位置关系，采用导引头球面模型，基于当前统计模型，实现了强跟踪状态自适应滤波，计算出了可用于制导的视线角速率。该算法利用导引头球面模型，将测角信息转换成距离信息，进行方差自适应调整和卡尔曼滤波。在只给出视线角序列信息的情况下，根据相对状态滤波结果求出所需的视线角速率。     

超机动飞行的非线性反推自适应控制

为解决对象参数未知时的超机动飞行控制问题,设计了一种非线性反推自适应控制器。针对超机动飞行的非线性模型,适当选取Lyapunov函数和中间虚拟控制信号,同时通过自适应控制律的设计来调节未知参数并得到了最终的控制信号。仿真结果表明,即使模型参数未知,所设计的控制律也能在过失速机动条件下控制飞机跟踪指令飞行,同时保证了闭环系统的稳定性。     

非线性系统鲁棒自适应设计与计算机仿真

首先,针对BTT导弹的非线性模型,给出了其适合用backstepping没计方法的控制模型.充分利用系统的结构特点,结合backstepping没计方法、鲁棒控制和自适应控制方法,提出了一种鲁棒自适应控制器的设计方法.设计过程中将不确定性对系统的影响合成为一项,有效地解决了控制系数矩阵未知时控制器设计问题,同时放松了现有文献中对控制系数矩阵不确定性的要求.最后给出的仿真结果显示该法的有效性.     

多坐标系下目标跟踪的联合滤波

针对雷达目标观测和处理在不同的坐标系下完成，本文提出了联合滤波算法来跟踪机动目标。该算法以卡尔曼滤波器为基础，直角坐标系下和极坐标系下的算法相联合，不仅克服了两种坐标系下滤波算法的不足，而且对机动目标有很好的跟踪效果。仿真实验结果表明了该算法的有效性。     

UKF方法及其在方位跟踪问题中的应用

采用UKF(Unscented Kalman Filter)方法处理了平面内地面站对目标的方位跟踪的估计问题。目标的位置和速度由选定的高斯分布采样点来近似，在每个更新过程中，采样点随着状态方程传播并随着非线性测量方程变换，由此不但得到目标位置和速度的均值及较高的计算精度，而且避免了对非线性方程的线性化过程。仿真结果表明，UKF方法比传统的扩展卡尔曼滤波(EKF)算法有更高的估计精度，并能有效地克服非线性严重时，方位跟踪问题中很容易出现的滤波发散问题。