基于预警卫星系统的临近空间飞行器跟踪简

 系统地研究了如何对临近空间飞行器进行有效实时跟踪的问题,并提出了一种基于约束总体最小二乘与自适应交互式多模型（CTLS-AIMM）滤波相结合的实时跟踪滤波算法。首先考虑到临近空间飞行器的特点,选择使用红外预警卫星系统探测目标飞行器,并使用约束总体最小二乘算法（CTLS）对目标进行粗定位;然后在粗定位信息基础上,使用自适应交互式多模型滤波算法（AIMM）对目标飞行器进行实时跟踪。在AIMM中,根据临近空间飞行器机动特性,合理选择目标模型集,并使用迭代最小二乘算法对模型参数进行自适应调整。通过仿真,验证了该跟踪滤波算法的可行性。     

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。     

高超声速机动目标拦截多约束解析捕获区

为快速评估远程拦截末段有效作战态势，在拦截器视场和饱和加速度约束下，构建了机动形式方向任意且有界的高超声速目标拦截解析捕获区。为适配该类目标拦截场景，首先引入了渐近收敛的抗干扰末制导律以进行捕获区分析。其次通过构建复合李雅普诺夫函数，并将非线性规划技术用于不等式分析，最终推导了由修正的初始接近速度、初始视线法向相对速度和拦截器初始速度前置角三者的解析捕获条件构成的多约束捕获区以及制导增益允许取值范围。理论证明了在增益设置满足所给范围情况下，拦截器从该捕获区内任意初始状态点出发，均能有效拦截任意有界机动目标且保证制导加速度不超过允许上限以及视场约束全程满足，并满足终端脱靶量小于允许阈值且接近速度小于容许碰撞速度。对比仿真验证了所得结论的正确性，并分析了捕获区影响因素和变化规律，可为增大初始阵位可控裕度提供参考。     

L波段高效小尺寸功率放大器载片设计

为了应对当前市场对功率器件更低成本、更小尺寸和更优性能的要求，设计了一款工作频率为1.2～1.4GHz的高效率小尺寸氮化镓（gallium nitride,GaN）基功率放大器载片。使用有源时域负载牵引系统对GaN管芯进行在片测试并提取管芯的非线性行为模型，在先进设计系统（advanced design system,ADS）软件中利用模型进行阻抗匹配电路设计和仿真，将功率放大器端口匹配到了目标阻抗50Ω。该载片采用谐波控制技术使功率放大器附加效率提高了6%～8%，采用高介电常数的陶瓷材料将载片电路集成在8mm×8mm。实测结果显示，放大器在漏源电压28V、100us脉宽和10%占空比脉冲输入的工作条件下，在小尺寸的载体上实现了输出功率大于56W，功率附加效率大于78%的高效率指标。     

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。     

支线客机关键技术与发展方向

支线航空作为公共运输航空的一个重要组成部分，随着市场需求的激增和国家政策的扶持，即将进入高速发展期。支线客机作为支线航空市场中的核心技术产品，不仅是打开全球支线飞机市场的钥匙，更是体现大国经济和科技实力的重要名片。基于支线客机的发展历程，深刻剖析了支线客机的任务使命，对支线客机总体气动、动力、机载系统这3方面的关键技术进行了详细阐述，并结合商用飞机的发展，讨论了支线客机的技术发展方向；最后基于未来发展需求，提出了基于自动、自主和智能化的支线客机任务系统概念。     

拦截机动目标的信赖域策略优化制导算法

针对临近空间高超声速飞行器的高速性、机动性等特性，为提高制导算法针对不同初始状态、不同机动性目标的准确性、鲁棒性及智能性，提出一种基于信赖域策略优化（TRPO）算法的深度强化学习制导算法。基于TRPO算法的制导算法由2个策略（动作）网络、1个评价网络共同组成，将临近空间目标与拦截弹相对运动系统状态以端对端的方式直接映射为制导指令。在算法训练过程中合理选取连续动作空间、状态空间、并通过权衡能量消耗、相对距离等因素构建奖励函数加快其收敛速度，最终依据训练的智能体模型针对不同任务场景进行拦截测试。仿真结果表明：与传统比例导引律（PN）及改进比例导引律（IPN）相比，本文算法针对学习场景及未知场景均具有更小的脱靶量、更稳定的拦截效果、鲁棒性，并能够在多种配置计算机上广泛应用。     

机动发射弹道导弹集群诸元快速规划

针对机动发射条件下弹道导弹集群的飞行诸元快速规划问题，将神经网络预测与最小二乘优化相结合，提出了一种弹道导弹发射诸元快速规划方法。首先分析了弹道导弹助推段飞行策略并选取适当的发射诸元，以发落点信息为输入，设计双隐藏层诸元预测网络，通过弹道仿真获取弹道数据建立数据集完成网络训练，利用该网络可以得到发射诸元迭代初值。在此基础上，为了消除数据集中样本数据不平衡对发射诸元规划精度的影响，以落点射程、横程、高程偏差最小为指标函数，结合最小二乘优化方法进行迭代获得发射诸元精确解。最后在典型发射场景下，进行了弹道导弹集群机动快速发射仿真验证。结果表明，该方法相较于传统方法可显著提高计算速度与精度，且在给定的大范围机动条件下，能够满足弹道导弹集群对远距离、多目标的快速精确打击。