多飞行器再入段时间协同弹道规划方法

提出了一种多飞行器再入段时间协同弹道规划方法。首先,在纵向平面内规划满足航程与终端约束的纵向标称轨迹。随后,在采用轨迹跟踪律跟踪纵向标称轨迹的同时,运用考虑初始横侧向状态的多边界航向偏差角走廊策略控制飞行器的横侧向机动,以满足到达时间约束与终端约束,进而实现单枚飞行器到达时间约束下的轨迹规划。在此基础上,完成了飞行器的到达时间分布与飞行能力分析,给出了最小与最大到达时间的分析计算方法,并根据多飞行器协同再入的任务需求完成了协同飞行时间决策。最后,多飞行器协同再入与扰动条件下的仿真结果表明,该方法能够规划出满足到达时间与终端约束的协同再入轨迹,具备良好的计算精度与鲁棒性。     

飞行器集群协同制导控制方法及应用研究

分析了目前多飞行器协同作战的发展现状与趋势，指出了多飞行器以编队形式进行协调与配合，可以有效提高突防概率与作战效能。针对飞行器集群协同制导控制技术，分析梳理了相关的技术难点。然后，分别对协同任务规划与动态目标分配方法和多飞行器编队协同控制方法、多约束条件下的分布式协同制导方法的国内外研究现状进行了介绍。最后对飞行器集群协同制导控制技术进行了总结，并对未来的发展方向进行了展望。     

基于出行链的电动汽车充电行为影响因素分析

随着电动汽车的快速发展,大规模电动汽车充电将给电力系统规划和运行带来不可忽视的影响,研究电动汽车的充电行为及其影响因素,并实时预测潜在的充电行为越发迫切。基于北京市私家电动汽车的历史车联网数据,引入出行链的概念,综合电动汽车充电过程和放电过程的数据,从实际出发考虑影响电动汽车充电行为的多种潜在因素,并通过logistic回归模型分析确定了显著影响充电行为的因素。分别基于单一和多个显著影响因素建立电动汽车充电行为的预测模型,预测结果表明,基于多个显著影响因素的模型准确率更高,且对晴天的预测效果更好。研究成果将有助于优化电动汽车的充电行为,进而提高电动汽车的充电效率。      

有向拓扑条件下针对机动目标的分布式协同制导律设计

研究了在有向拓扑条件下针对机动目标的分布式协同制导律的设计问题。首先，根据飞行器与目标之间追击过程的几何关系建立制导过程系统模型，针对该模型的非线性问题采用动态反馈线性化方法进行处理。将目标未知机动视为干扰，通过扩张状态观测器进行观测，同时将该估计值用于制导律的设计中，通过直接补偿的方式剔除目标机动对飞行器剩余飞行时间的影响。然后，将所设计的制导律代入到制导模型中，利用一致性分析方法将多飞行器协同制导问题转化为一致性问题，利用极点分析的方法对非一致性子空间的收敛性进行分析，得到协同制导律收敛的充要条件。最后，通过仿真分析的方式对所设计的协同制导律以及制导律的参数选取方法进行分析。     

无人机-无人车异构时变编队控制与扰动抑制

研究了无人机-无人车异构系统时变输出编队控制与扰动抑制问题，要求多无人机与无人车在受到未知外部扰动的情况下，保持设计的输出时变编队构型。首先，对无人机与无人车进行单体运动学与动力学建模，同时建立扰动模型，并引入代数图论概念，建立异构集群系统的协同控制模型。然后，对各无人机-无人车设计了具有分层架构的分布式时变输出编队控制器，包含基于一致性理论的编队中心估计项和基于内模原理的扰动抑制补偿项。进一步分析异构系统实现输出时变编队的可行性条件，给出了分布式编队控制器的参数选取算法，并证明了时变编队控制器构成的闭环系统的稳定性。最后，通过仿真算例来验证所设计的编队控制器的有效性。     

异构多智能体系统分组输出时变编队跟踪控制

空地协同控制是前沿的热点研究之一,以无人机、无人车为代表的空地智能体动力学模型的差异为研究带来了挑战。研究了高阶异构多智能体系统在有向拓扑条件下的分组输出时变编队跟踪控制问题,提出了虚拟领导者、分组领导者以及跟随者组成的三层协同控制架构。虚拟领导者用于规划整个多智能体系统的状态轨迹,分组领导者跟踪虚拟领导者所提供的轨迹信息,并相互协作以实现分组间的协同配合。跟随者跟踪分组领导者的输出并实现期望的输出编队。在有向通信拓扑结构条件下,基于局部邻居间的相对信息、观测器理论和滑模控制理论构造了控制协议,利用Lyapunov稳定性理论证明协议的有效性。数值仿真结果表明提出的方法能够实现无人机、无人车等异构智能体的空地协同,具有较好的工程应用价值。     

成分数据的空间自回归模型

针对已有成分数据线性回归模型对研究对象相互独立的严格要求,提出了含有成分数据和普通数据的空间自回归模型,在此基础上提出了成分数据空间自回归模型的估计方法。新模型结合了空间自回归模型处理因变量之间相互依赖的优势,可同时处理成分数据和普通数据。通过利用等距对数比（ilr）变换将成分数据解约束,得到了新模型的参数估计量。蒙特卡罗模拟实验验证了所提估计方法的有效性。      

基于Gram-Schmidt变换的有监督变量聚类

为进一步研究回归模型中高维数据的降维方法,提出基于Gram-Schmidt变换的新的有监督变量聚类（SCV-GS）方法。该方法未采用以潜变量为聚类中心的层次聚类,而是借用变量扫描思想,依次挑出对响应变量有重要贡献的关键变量,并将其作为聚类中心。SCV-GS方法基于Gram-Schmidt变换,对变量之间的高度相关性进行批量处理,并得到聚类结果;同时,结合偏最小二乘思想,提出新的同一性度量,并以此来选取最佳聚合参数。SCV-GS不仅可以快速得到变量聚类结果,而且可识别出对响应变量的解释及预测起关键作用的变量类。仿真表明该聚类方法运算速度显著提升,而且所得潜变量对应的回归系数的估计结果与对照方法表现一致;实例分析表明该方法具有更好的解释性和预测能力。