末端防御系统中的对抗决策方法研究

为解决现有的对抗决策算法对威胁指数的规划过于依赖客观数据,且缺乏一致性检验,难以应对精确制导武器大规模袭击的问题,采用一种灰色关联分析与逼近理想解排序(TOPSIS)多属性决策相结合的方法,对末端防御系统来袭目标的威胁程度进行量化分析和威胁值排序,再依次对威胁结果由高到低的威胁源进行对抗。算法在精确规划威胁因素及其权重的基础上,改进了衡量来袭目标的威胁程度的模型,并通过基于Euclid距离和灰色关联分析的TOPSIS法进行评估决策。数据验证结果表明该算法决策结果与优秀军事指战员在实际战场中得出的结果一致,且与传统算法相比,在保证正确性与实时性的基础上,具有更好的可靠性。     

利用人工神经网络仿真GPS误差信号

GPS（Global positioning system）是一种在军事和民用方面广泛应用的定位系统。如何降低成本，提高精度是一个重要的课题。本文应用人工神经网络能够实现高度非线性的特点，在对地理位置已知点进行大量GSP实际测量的基础上，设计出一种BP网络，作为GPS误差信号模拟器。在给出时间和天气情况的条件下，该模型器能够输出GPS的实时误差，为应用系统中对GPS误差进行补偿提供依据。通过与实际测试数据相比较，证明这种方法具有较好的模拟效果。     

基于Lyapunov方法的非线性系统自适应观测器设计

针对一类满足L ipsch itz条件的具有未知参数的非线性系统,利用Lyapunov方法对L ipsch itz非线性系统自适应观测器的设计问题进行了研究。基于分析求解代数R iccati方程给出求解问题的不完善性、特征结构配置理论给出设计方法的重特征值限制性、对不同形式的观测器增益矩阵求解方法进行比较,最终选用线性矩阵不等式来改进观测器增益矩阵的选取方法。在观测误差稳定的条件下,得出了基于线性矩阵不等式方程设计状态观测器的增益矩阵,保证系统的状态估计误差收敛到零,并对其进行了仿真研究。结果证明,本文所构造的非线性观测器增益矩阵方法明显优越于其他方法,增强了系统的鲁棒性。     

一类不确定非线性系统的鲁棒自适应L2-增益控制

基于Backstepping递推设计方法对一类复杂不确定非线性系统提出了鲁棒自适应L2-增益控制方法。该方法结合了自适应控制和L2-增益控制≤γ的优点。它不仅使系统具有鲁棒性还使其对干扰具有L2-增益控制。同时，把常规设计方案需要过多参数进行辨识问题简化为只需与未知干扰个数相同参数进行辨识，简化了控制器结构。本文由于所研究对象为一般非线性系统，因此其结果具有一般性。最后。通过仿真算例验证了本文所设计控制方法的有效性。     

大气层外多拦截器协同跟踪与制导算法

针对大气层外多弹头多诱饵的进攻场景,采用多拦截器全拦截策略,提出了带故障诊断的协同跟踪算法、时间协同中制导律以及消除脱靶量的末制导律。首先,基于最小二乘算法以及误差传播理论,实现了局部信息融合以及测量方程的线性化,简化了非线性跟踪滤波算法的设计;并依托滤波算法,设计了传感器故障诊断算法,以排除其对跟踪效果的影响。然后,基于对拦截器和目标受力的合理简化,给出了相对运动解析解,设计了有限推力下的多拦截器时间协同中制导律以及末制导律,实现对多个目标的同时击毁。仿真结果显示,本文设计的协同跟踪与制导算法,可以有效估计目标的状态并排除故障传感器的干扰,实施对多个目标的时间协同拦截。     

导弹质量矩控制技术发展综述

质量矩技术是近年来导弹控制领域研究的热点问题之一。它是通过调整弹体内部活动质 量块的状态来实现导弹机动飞行的。与传统的气动舵控制方式相比,它具有响应快、气动外 形简单、无舵面烧蚀问题等优点,在大气层内高超声速飞行控制领域具有广阔的应用前景。 简述了质量矩技术的原理及应用领域,回顾了导弹质量矩控制技术的发展历程;从总体 布局、动力学建模、控制系统设计等方面综合分析了质量矩技术的研究现状;提出了一些当 前需要解决的难点问题,供相关人员参考。
     

直升机着水载荷试验研究

为进一步提升中国国内直升机缩比模型着水试验能力,为中国民用直升机水上迫降适航取证提供技术支撑,本文对国内直升机缩比模型着水试验及试验结果进行了研究。通过介绍模型着水试验的试验设备、试验件、试验要求和试验步骤,并对着水载荷结果与俄罗斯中央空气流体动力研究院莫斯科学院的试验结果进行对比分析,验证了中国直升机缩比模型着水试验能力,为中国进行直升机水上迫降方面的模型着水试验提供了技术参考。     

拦截大气层内机动目标的深度强化学习制导律

针对大气层内高速机动目标的拦截问题，提出了一种基于双延迟深度确定性策略梯度(TD3)算法的深度强化学习制导律，它直接将交战状态信息映射为拦截弹的指令加速度，是一种端到端、无模型的制导策略。首先，将攻防双方的交战运动学模型描述为适用于深度强化学习算法的马尔科夫决策过程，之后通过合理地设计算法训练所需的交战场景、动作空间、状态空间和网络结构，并引入奖励函数整形和状态随机初始化，构建了完整的深度强化学习制导算法。仿真结果表明：与比例导引和增强比例导引两种方案相比，深度强化学习制导策略在脱靶量更小的同时能够降低对中制导精度的要求；具有良好的鲁棒性和泛化能力，并且计算负担较小,具备在弹载计算机上运行的条件。