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.     

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。     

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     

机械臂的分散模糊变结构跟踪控制

提出了一种适用于机械臂的分散模糊变结构轨迹跟踪控制方法.将机械臂的轨迹跟踪系统考虑为由线性子系统、非线性关联组成的不确定性复杂系统,采用分散控制方法进行控制器设计.所提出的控制方法能够保证系统状态有较高的跟踪精度.另外,通过在分散变结构控制系统中引入模糊控制规则减弱了一般变结构控制系统的颤振.控制算法简单可行,易于实现.数字仿真表明了该方法的有效性.     

基于跟踪微分器的高超声速飞行器减步控制

针对高超声速飞行器强非线性,强耦合与高度不确定性的特点,提出一种基于高阶跟踪微分器的减步控制方案。将高超声速飞行器纵向模型表达为严反馈形式。在反步法设计框架中,引入跟踪微分器,利用其对给定信号任意阶导数精确估计的能力,计算第1步设计中产生的虚拟控制量的导数,并直接获得第2步实际控制量,从而将设计步骤从3步减少为2步。且在每步设计中将参数不确定性与外部扰动建模为等效干扰,设计扩张状态观测器获得等效干扰估计值,继而在控制器设计中进行补偿。利用Lyapunov方法证明闭环系统稳定性。仿真结果验证了所提控制方案对不确定及干扰的抑制作用,且跟踪精度优于传统动态面方法。     

高超声速飞行器自适应反步控制器设计

针对含有不确定干扰项的吸气式高超声速飞行器模型,分别设计了基于反馈线性化的速度控制器和基于反步法的航迹控制器,以实现对速度和航迹角参考信号的稳定跟踪。通过指令滤波器得到俯仰角的实际跟踪指令及其一阶、二阶微分信号,可直接设计升降舵控制指令,在解决了虚拟控制量求导"复杂性爆炸"问题的同时,减少了反推计算步数,从而达到提高系统动态性能和优化控制器结构的目的。基于LaSalle不变集原理和Lyapunov理论设计的自适应更新律保证了系统的稳定性。仿真结果表明,所设计的控制器在飞行器存在不确定干扰的情况下仍能满足对参考信号跟踪性能的要求。