基于Leader-Follower编队的无人机协同跟踪地面目标制导律设计

对地面目标的自动跟踪是无人机在任务应用阶段需要解决的重要问题之一,多无人机协同跟踪能够提高对目标运动状态的估计精度并降低目标丢失的概率,因而具有重要研究意义。本文提出了一种基于Leader-Follower编队的无人机协同跟踪制导方法,解决了传统Standoff跟踪模式对地面目标的速度范围限制问题。首先,通过控制无人机的航向不断趋近于地面目标牵连跟踪圆切线方向的方法设计了Leader无人机自动跟踪地面目标的制导律并完成了稳定性证明;其次,通过控制Follower无人机的速度和航向角逐渐趋近于Leader无人机速度和航向的协同跟踪策略,分别设计了Follower无人机自动跟踪Leader无人机的制导律和编队相位协同制导律并完成了稳定性证明;最后,分别针对静止目标、匀速直线运动目标和变速运动目标的跟踪问题进行了仿真验证,结果表明所提出的制导方法能够实现对不同运动状态地面目标的自动协同跟踪,并且跟踪性能优于基于李雅普诺夫向量法的制导方法。     

液体火箭发动机基于非线性理论的稳定性分析方法

以液氧/煤油单台空间发动机的起动过程和平稳工况为研究对象,在改变推力室喷管喉部直径的情况下,运用非线性领域中的分析方法,对系统在整个相空间的表现行为作了全局分析比较。综合考虑相空间吸引子、李雅普诺夫指数以及分维数,提出了一种新的研究系统稳定性分析方法——轨道稳定性分析法。该方法具有几何学直观的优点,易于在计算机上实现。     

一类混合动态系统的稳定性

混合动态系统是一类同时含有连续时间变量和离散事件变量的系统，在这类系统中，两类变量耦合在一起，具有复杂的动力学特性和时钟关系。本文在一般度量空间上刻画了混合动态系统，并给出了混合动态系统在Ｌｙａｐｕｎｏｖ意义下稳定和渐近稳定的定义及其充分必要条件，同时研究了一类混合动态系统稳定与其连续和离散事件子系统的稳定性之间的关系。     

一类时滞不确定系统的鲁棒镇定

对于线性时滞不确定系统的鲁棒镇定问题的研究，目前已取得了不少成果。他们利用Ｌｙａｐｕｎｏｖ方法，研究了系统状态中带有时延以及状态系数矩阵中带有不确定性的这类系统的镇定问题。本文则试图利用不等式技巧，把这种方法推广到状态和输入二者都带时延和不确定性的时延、不确定系统的鲁棒镇定问题，文中给出例子说明。     

全局渐近稳定的时滞细胞神经网络模型研究

利用Lyapunov泛函方法和不等式技巧，研究了一类细胞神经网络的全局渐近稳定性，通过引入一系列参数．给出了保证时滞细胞神经网络全局渐近稳定的模型设计方法。     

线性广义系统的迭代学习控制

讨论了正规，稳定，无脉冲的定常广义系统的迭代学习控制问题，通过构造满足广义约束的Lyapunov函数来分析定常广义系统在P型学习律下迭代学习误差的收敛性问题，同时给出在每次迭代时初态固定于同一点的误差收敛的充分性条件，最后给出数值仿真算例说明该学习律的有效性。     

轴流压缩系统的Lyapunov指数谱分析及应用

1引言Moore和Greiter[1]在1986年联合提出了描述压缩系统失速动态性能的旋转失速和喘振的统一模型(MG模型)。目前理论分析主要是采用各种系统模型(包括MG模型)进行仿真计算,并与试验结果进行参照和验证,使用非线性分叉理论进行分析,Li-aw[2]等对MG模型进行了非线性分析并提出非     

三维制导的几何方法与鲁棒控制方法

 在考虑导弹速度和目标速度均为时变的情况下,将微分几何方法与李雅普诺夫稳定理论结合起来,提出了一种导弹三维导引规律设计新方法。对机动目标,PPNG方法的主要问题是在导引末段,它要求导弹在俯仰和偏航通道上具有较大的加速度,为了解决这一问题,本文应用基于李雅普诺夫稳定理论的鲁棒控制方法,提出了一种三维鲁棒制导算法。这种方法在导引末段不需要过大的加速度命令,不需要知道目标精确的加速度和速度方位信息。     

涡扇发动机变参数鲁棒H_∞滤波器设计

针对存在建模误差及测量噪声干扰条件下的涡扇发动机性能参数估计问题,标准卡尔曼滤波及其改进算法滤波估计误差收敛速度慢,滤波估计精度低,对不确定测量噪声及建模误差较为敏感,为此本文提出了一种变参数鲁棒H_∞滤波器设计方法。该方法采用仿射参数依赖Lyapunov函数设计满足H_∞性能指标要求的鲁棒滤波器,通过引入凸多胞技术,将参数依赖线性矩阵不等式(Linear Matrix Inequality,LMI)中变参数Lyapunov矩阵与系统系数矩阵之间耦合乘积导致的非凸优化问题,转化为常规LMI约束下的凸优化问题进行求解,降低了线性变参数(Linear Parameter Varying,LPV)鲁棒滤波器设计的保守性,得到了全局解。针对涡扇发动机的仿真结果表明:与扩展卡尔曼滤波器对比,采用该方法设计的滤波器具有较快的动态跟踪速度和较高的滤波精度,ΔFn的稳态估计误差不大于0.1%,ΔFn的相对估计误差不大于2.5%,同时对建模误差和测量噪声干扰具有较强的抑制能力。