自学习自适应INS／Doppler组合导航系统

本文通过引入文［１］提出的自学习适应Ｋａｌｍａｎ滤波，而将氢此组成的具有自学习功能的智能组合导航系统直接建立在噪声分布密度的异步自学习估计上，由于此时的ＬＡＫＦ在每次重复滤波实验后可离线异步地学习模型与量测噪声的统计特性，从而可有效地避免滤波发散现象并能确保实时性。文中结合某飞行器，对ＩＮＳ／Ｄｏｐｐｌｅｒ组合导航系统进行了仿真研究，所得结果十分满意。     

空间拦截智能自适应变结构导引规律研究

结合空间拦截的精确末制导问题，本文介绍了一种对目标机动和参数摄动具有鲁棒性的自适应结构制导律（ＡＶＳＧ）。在此基础上，我们研究了一种智能自适应变结构制方法（ＩＡＶＳＧ）。此方法精略地估计出目标法向加速度的强度，并以此为依据自主地调整ＡＶＳＧ中变结构项的强度，这样，既可以消除视线角速度的抖动，又可以保证制导精度，仿真结果证明了ＩＡＶＳＧ的有效性。     

平面型两关节空间机器人的自适应轨迹控制

基于参数线性分离方法，得到了平面型两关节空间机器人线性参数化形式的动力学模型，这种模型非常适合于采用自适应控制方法。控制策略考虑了机器人各关节之间的耦合及机械臂与基座航天器之间的耦合，对航天器姿态的控制和机械臂的控制进行综合，在满足手端跟踪期望轨迹的同时，保证航天器姿态基本不变。控制器由一个PD反馈项和一个补偿动力学不确定性的非线性自适应反馈项构成，能够保证对期望关节轨迹的全局渐进跟踪，提高了空间机器人操作的适应性和安全性。     

磁悬浮控制力矩陀螺框架伺服系统扰动力矩分析与抑制

对磁悬浮控制力矩陀螺框架伺服系统，提出了一种基于自适应逆扰动消除控制的设计方法。该控制器采用将被控对象动态控制和对象扰动控制分离处理的方法研究了控制力矩陀螺框架伺服系统的非线性摩擦干扰力矩、陀螺房内部高速磁悬浮转子系统因框架变速转动对框架伺服系统产生的耦合力矩以及航天器姿态改变导致框架伺服系统本身的参数大范围变化等问题。设计的自适应逆扰动消除器大大改善了框架伺服系统的控制性能、提高了系统的速率输出精度。仿真结果表明，提出的扰动力矩抑制方法是可行的，具有很强的鲁棒性。     

Riccati方程最大解的一个重要定理

Riccati 方程在最优控制和滤波理论中起着非常重要的作用。最近,Kawasaki 和 Shimereura 引用了 Riccati 方程最大解的一个性质,但他们的证明是不正确的。本文对这个问题做了进一步研究,并提出和证明了 Riccati 方程最大解的一个重要定理。     

基于模糊自适应卡尔曼滤波的INS/GPS 组合导航系统算法研究

针对车载组合导航系统量测噪声统计特性随实际工作条件的不同而变化的特点,提出了一种基于模糊自适应卡尔曼滤波的车载INS/GPS组合导航算法。该方法通过监视理论残差与实际残差的比值是否在一附近,应用模糊推理系统不断的调整量测噪声协方差阵的加权,对卡尔曼滤波的量测噪声协方差阵进行递推在线修正,使其逐渐逼近真实噪声水平,从而使滤波器执行最优估计,提高导航系统的精度。对车载组合导航系统的仿真结果表明,这种算法对时变的量测噪声具有较强的自适应性,进而精度比常规卡尔曼滤波也大为提高,是一种可行的车载组合导航算法。     

中值滤波方法在遥测数据处理中的应用

叙述中值滤波方法的原理 ,讨论该方法在遥测数据处理中的应用 ,并进行效果分析     

基于H∞滤波技术的GPS/INS全组合导航系统研究

本文根据H∞鲁棒滤波理论，提出了基于H∞滤波技术的GPS/INS全组合导航系统。该系统仅含有位置误差、速度误差和平台误差角9维状态，并利用GPS和INS的位置、速度和姿态观测信息对全部状态进行观测，组成全松组合导航系统，由H∞滤波来提高系统的鲁棒性。文中对提出的全组合系统进行了动态仿真，仿真结果表明，该系统结构简单，状态估计精度较高，系统鲁棒性好，便于工程实现，坚实际工程应用具有重要的现实意义。     

粒子尺寸分级的喷管两相流场计算

应用计算流体力学软件FLUENT，对固体火箭发动机喷管内的二维两相粘性湍流进行数值模拟。用拉格朗日方法对粒子的速度、温度、轨迹进行处理。5组级别粒子尺寸的气流被用来实验和计算，计算结果表明，粒子尺寸分布对两相流场有显著影响。     

机载阵列雷达抑制运动杂波的学习算法

一种称为自适应空时处理器(STP)的线性滤波器是一种相对比较新的方法，它使机载阵列天线雷达目标检测概率达到最大。理论上，全自适应STP可以实时获得最优解(一种维恩滤波器)。但是，实际上全自适应STP也存在一些问题。首先，线性滤波器的加权数可能非常大。其次，单一加权矢量的计算复杂度大约为O(MN)^3。再次，STP为线性滤波器但却工作在非线性不稳定的环境中。这些问题导致采用空时处理器传统技术的实时、最佳处理是现行计算技术内所不及的。为使运动杂波对目标检测的影响最小，本文探讨了人工神经网络和几种学习算法的可应用性。人工神经网络是一种自适应、并行、分布式处理系统，可以实时完成复杂计算。学习算法的机理是为了存储新的信息或变更信息，人工神经网络中的长期存储器要不断更新而又不被破坏。由于学习算法既能在系统的使用期内保留信息又能变更信息，所以对雷达系统的计算要求降到了最低，同时还能适应环境的变化。