基于自适应压缩感知与处理的雷达多目标跟踪

自适应压缩感知与处理方法(Adaptive Compressive Sensing and Processing,ACSP)能够减少计算负荷,但现有的基于自适应压缩感知与处理的雷达目标跟踪方法仅限于单目标的跟踪,针对该问题,提出将自适应压缩感知用于雷达多目标追踪。通过对回波进行稀疏表示,设计改进字典(稀疏变换矩阵)。在测量过程中,采用自适应权重替代随机高斯矩阵,构造和配置感知矩阵,基于压缩感知采样的接收数据来建立测量模型。由于测量与目标状态的非线性关系,采用结合联合概率数据关联方法的似然粒子滤波器对目标状态实时顺序估计,从而克服了多目标跟踪中的数据关联问题。理论仿真实验结果表明,改进的自适应压缩感知与处理方法实现了对多目标跟踪。     

基于变量集结预测控制的四旋翼无人机控制器设计

针对四旋翼无人机路径跟踪问题，设计了一种基于变量集结预测控制的控制器。首先以四旋翼无人机状态空间模型为基础建立预测模型；接着设计控制器时采用分段集结的策略把控制量集结成三段优化序列以减少优化计算量，并降低优化保守性，为了进一步加强系统稳定性，控制器引入终端代价函数和终端约束；最后用四旋翼无人机的动力学模型作为被控对象进行仿真验证，结果表明：该控制器能使四旋翼无人机在三轴方向均能实现一个良好的路径跟踪效果。与传统方法相比，这种基于变量集结的预测控制策略能够减小在线优化量，更适合四旋翼无人机飞控芯片的应用。     

LDPC码的快速联合加权比特翻转译码算法

针对低密度奇偶校验码的加权比特翻转,提出一种快速联合加权比特翻转译码算法。该算法首先以平均幅度作为校验方程,其次以可靠性比率来判断译码出错率,最后在最大迭代次数或达到了零出错率时输出结果。与WBF译码算法相比加快了LDPC码的译码速度,并且误码性能也得到明显改善。相比以平均幅度为信息节点的加权比特翻转算法和可靠性比率加权比特翻转算法,该改进型算法避免了单比特翻转算法在译码过程中产生的同一比特循环翻转现象。     

RLV再入姿态双环滑模控制及舵喷混合配置

设计了一种基于滑模控制的可重复运载器（RLV）再入姿态控制方法。用内外两环滑模控制同时跟踪对角速度和角度;根据RLV再入姿态的动力面与反作用混合控制的特点,用优化控制选择配置算法将控制力矩指令配置为末端受动器的控制指令,分别由动力面与反作用致动器执行。仿真结果表明：由该法可获得高精度、鲁棒性和解耦的跟踪性能。     

带移动滑块太阳帆航天器姿态控制技术研究及仿真

针对以移动滑块为控制执行机构的太阳帆航天器,基于拉格朗日分析力学建立了航天器-滑块两体系统非线性耦合动力学模型。分外环和内环回路,各自设计了基于增益调度的变增益LQR控制器和带非线性补偿的PD控制器。建立ADAMS实体仿真模型,在MATLAB/Simulink软件中建立姿态控制系统仿真平台,以行星际太阳帆航天器轨道转移过程中姿态控制任务为例进行ADAMS-MATLAB动力学联合仿真实验。结果表明:设计的控制律能有效抑制光压干扰力矩对航天器姿态的影响,可实现太阳帆航天器的大角度快速姿态机动及长期姿态稳定。     

某无人机纵向控制律的最优控制器设计及仿真

控制律的设计直接影响无人机的飞行品质.针对无人机的要求,把飞行控制系统的纵向运动分为俯仰角速率、俯仰角和高度控制三个回路,采用最优控制器方法进行PID控制器设计,避免了经典控制理论中根轨迹法需要试凑的缺点.通过编写OCD程序并在Matlab中进行仿真,结果表明,所设计的无人机飞行控制器响应速度快、超调量小,效果有明显改善,飞行品质达到1级要求,并可大大节省设计时间,为进一步研究多输入多输出控制器提供了依据.     

基于量子搜索和高斯变异的MOEA/D算法

在实际应用中,尤其是在研究大规模决策空间的优化问题时,MOEA/D算法容易陷入局部最优。针对此问题,提出了一种基于量子搜索和高斯变异的MOEA/D算法。引入环境迁移模型,将两者进行并联,并且与原算法进行串联,利用量子搜索来提升算法的全局搜索能力,采用高斯变异位置更新方法保证算法的局部搜索能力。同时为了避免算法在迭代后期陷入"早熟"危险,提出了基于邻居位置的量子搜索,通过改变吸引点的生成方式,来加强量子搜索在迭代后期的局部搜索能力。结果表明:改进后的MOEA/D算法与原算法相比,提升了算法的搜索能力,也保证了算法的收敛能力。     

基于双NURBS的角度平滑插补算法研究与实现

针对五轴数控微小线性段加工,因驱动器速度变化,导致速度转换点处加速度和加加速度不连续,致使工件表面加工存在不连续的问题,提出一种基于双NURBS的角度平滑插补算法。通过样条曲线拟合,计算出最佳控制点,提高刀具中心点轨迹拟合精度,达到表面加工光滑。仿真结果表明:采用该算法能够改善刀具运动的平滑度,提高模具和工件在五轴加工中的精度。