N_2O单组元微推进系统贮箱自增压特性

建立了氧化亚氮(N₂O)贮箱自增压地面试验系统,针对亚牛级氧化亚氮单组元微推进系统的推进剂自增压供给过程开展了初步测试试验.基于三区域集总参数物理模型建立了氧化亚氮单组元微推进系统贮箱自增压数学模型,针对相同试验条件下的贮箱自增压过程开展了数值模拟,模拟结果与试验数据吻合较好,验证了仿真模型的准确性.仿真及试验结果均表明,为了确保推力器工作全过程中推进剂供应稳定,在亚牛级氧化亚氮单组元微推进系统的自增压过程中需要对氧化亚氮贮箱进行热量补偿来保证贮箱压力的稳定性,而贮箱压力下降速度分别随着贮箱初始充填率的减少、贮箱容积的减小及氧化亚氮质量流率的增加而增大.     

参数自整定模糊PI控制在纳卫星热控系统中的应用

在功能维持不变甚至更强的条件下,卫星体积、尺寸和质量不断减小,致使在卫星内部小空间内单位时间传输大量的热,因此常规的热控技术很难满足控制要求.为使纳卫星负载温度稳定在允许范围内,亟需研发新的热控方法.在纳卫星温度系统模型基础上,将PI参数模糊自整定控制器与航天器热控技术相结合,得到纳卫星智能热控系统,以调节辐射器散热面为控制目标,并进行了仿真研究.结果表明,该控制策略响应快,适戍性和鲁棒性强,消除了稳态误差,较模糊控制和传统PI控制具有更好的动、静态特性,适用于纳卫星热控系统.     

视觉辅助遥操作在卫星在轨自维护中的应用

为了克服时延对空间机器人遥操作的影响,提出了利用视觉技术辅助遥操作进行卫星自维护的方法.针对遥操作数据传输滞后的问题,设计并实现了一种基于视觉的共享控制策略,该策略将维护任务分为自由空间控制与自主视觉伺服控制.在自由空间控制阶段,通过3D图形预测仿真以及实时反馈的视频流,提高了遥操作者的视觉临场感.在自主控制阶段,采用冗余特征视觉伺服控制,克服了系统对标定精度的依赖性,从而提高了整个系统的智能化程度.最后,通过对典型的卫星维护任务实例的分析,验证了该方法的有效性.     

基于GA的雷达辐射源识别自学习算法研究

文章针对目前雷达对抗系统面临的辐射源识别精度不高、智能化水平低的特点,将自学习理论引入到雷达对抗系统中。提出了基于GA（GeneticAlgorithm）的自学习算法,实现雷达辐射源智能识别。仿真结果表明：在使用相同的特征参数“前件”条件下,通过这种自学习方法得到的正确识别率高于其他识别方法。     

星载红外相机相对定标算法研究

文章针对红外相机双面镜旋转多元并扫成像方式的特点,对其相对定标算法进行了研究。首先分析了探元A／B面响应差异,然后介绍了算法原理,采用不同的定标算法获得了定标校正系数,并对定标数据和在轨图像进行了相对辐射校正,验证了算法的正确性和结果的有效性,最后在定标系数校正的基础上,进一步改进了像质。     

飞机滚转运动的控制余度与重构效能

论证了独立操纵的左右平尾使飞机滚动运动具有较大的控制余度,它增加了飞机正常飞行时的滚转力矩,在飞行中副翼出故障时可进行补偿重构,从而提高了滚动通道的余度等级和飞行的安全性,为减少滚转通道的余度配置提供了依据,通过针对操纵面失效和卡死两类故障的重构设计和仿真也证实了上述结论,同时,初步比较说明了自修复飞控系统在上述故障下的任务可靠性和基本可靠性均高于传统控制系统。     

基于自校正模糊神经控制的无刷直流传动系统

提出了一种自校正模糊神经网络控制器(SCFNNC)来实现无刷直流电动机起动、调速、制动等各运行阶段的性能指标.该SCFNNC是采用调整系统增益参数的方法完成较完善的控制规则的.重点研究了系统自校正增益参数的确定方法,模糊控制器的设计,人工神经网络实现模糊控制规则的方法等.自校正增益参数是根据系统对超调量、转速稳态误差、动态速降的期望值来确定的.设计模糊控制器时是根据系统的性能指标,确定出合适的模糊控制规则表,用于训练神经网络.为使系统的性能达到最佳,采用了自校正模糊神经控制、开关控制和比例控制相结合的复合控制方法,通过数学仿真证实配备SCFNNC的系统具有优良的动、静态特性,及较强的鲁棒性.     

“隐喻自洽”理论在民航术语翻译中的应用研究

基于认知语言学的隐喻构建理论，本文分析了翻译者的受喻者和施喻者双重身份，并且在专业经验和感知选择两个维度上应用自洽工具来翻译隐喻性的民航专业术语，以改进民航专业术语的翻译和教学工作。     

基于支持向量机回归和RBF神经网络的PID整定

针对工业控制领域中非线性系统控制,在基于梯度下降法的RBF网络PID整定的基础上,对整定算法作出改进,控制目标不再是使当前跟踪误差最小,而是使当前跟踪误差和下一时刻跟踪误差的平方和最小。实现过程为:先由RBF神经网络在线辨识被控对象离散模型,得到被控对象的Jacobian信息,采用梯度下降法对PID控制器参数进行初步整定;然后,将系统跟踪误差和PID参数输入支持向量机模型,通过回归预测系统下一时刻的误差,改进的整定算法利用预测误差信息对参数进行再整定。仿真结果表明,引入支持向量机回归优化的RBF神经网络PID整定收敛速度更快,精度更高,跟踪性能优于RBF神经网络PID整定。