滑模干扰观测器在低速光电跟踪系统中的应用

针对摩擦等非线性干扰因素对光电跟踪伺服系统低速性能的影响,系统设计分为两部分完成.将各种干扰信号等效成控制输入端的等效输入干扰(EID,Equivalent Input Disturbance),针对系统名义模型搭建滑模干扰观测器,利用系统的状态观测误差推导出系统的等效输入干扰,并采用Lyapunov函数推导出该观测器稳定收敛的条件,通过设计增益矩阵与反馈矩阵,调整观测器跟踪系统状态的收敛速度,最终实现抑制系统跟踪过程中的干扰信号;针对系统的动态部分设计了自适应加速度稳定控制器,进一步补偿了干扰估计的不足问题,保证了系统动态跟踪的精度与稳定性,增强了控制系统的鲁棒自适应能力.仿真和实验结果证明了该方法的有效性.     

SINS辅助GPS跟踪环误差分析与最优带宽设计

SINS(Strapdown Inertial Navigation System)辅助GPS(Global Positioning System)跟踪环路的结构设计是SINS/GPS超紧组合系统实现的主要环节,而环路带宽是决定不同误差源作用下GPS跟踪环路性能的关键.首先对SINS/GPS超紧组合系统中影响载波锁相环(PLL,Phase Lock Loop)跟踪性能的各误差源进行了详细的建模与分析,进而设计了一种最优环路带宽的调节方法.该方法基于最小化跟踪误差的准则,根据接收机检测到的信号载噪比实时调节PLL带宽,以使环路保持最优跟踪状态.结果表明,所设计的最优环路带宽调节方法能够有效提高SINS辅助PLL的抗干扰性能与跟踪精度.     

基于RCMAC网络的动态逆再入制导方法研究

针对升力式再入飞行器的制导问题,首先利用准平衡滑翔原理给出标准的阻力加速度．速度剖面,并对阻力加速度跟踪制导原理进行分析,然后利用自回归小脑模型神经网络（RCMAC）网络良好的非线性逼近能力、泛化能力和自学习能力,采用基于RCMAC网络的动态逆方法实现对阻力加速度的跟踪,并证明闭环系统的稳定性．三自由度仿真结果表明,该制导方式降低了动态逆方法对模型的依赖,增强了制导系统的鲁棒性．     

雷达测量误差模型的容错检验算法

空间飞行器导航定位的精度及可靠性很大程度上取决于雷达误差修正模型准确与否。以脉冲雷达为研究对象,采用统计假设检验理论,对雷达测量数据有无野值等不同情形,分别建立了误差模型拟合优度F 检验与容错F-检验、模型分量显著性T-检验和容错T-检验算法,并且利用雷达跟踪飞行器的实测数据对算法进行了验证。结果显示,模型拟合优度检验与模型分量显著性检验等系列算法具有良好的容错性和适应性,可用于诊断雷达误差模型是否正确有效。     

航天器相对姿态跟踪的非线性前馈控制

针对航天器相对姿态跟踪过程中严重的非线性及控制器设计的复杂性,建立了基于修正罗德里格斯参数的航天器相对姿态运动学和动力学方程并根据Lyapunov直接法设计了非线性前馈控制律.设计的控制律不仅保证闭环系统稳定,还使得航天器相对姿态跟踪误差快速收敛到零点邻域内.通过在Matlab/Simulink环境下对航天器相对姿态跟踪进行数值仿真,验证了建立模型和设计控制律的有效性.     

基于天基光学监视的空间目标跟踪方法研究

利用天基观测平台实现对空间目标的有效监视跟踪是空间监视的发展趋势. 在对天基光学监视特点进行分析的基础上, 通过对帧集内目标运动条痕线性拟合提取帧集测量信息, 提出适合其数据特点的空间目标被动跟踪方法, 并给出相应跟踪初始化方法. 该方法在降低信息处理数据流量的同时可以保证一定的精度.      

基于跟踪微分器的高超声速飞行器减步控制

针对高超声速飞行器强非线性,强耦合与高度不确定性的特点,提出一种基于高阶跟踪微分器的减步控制方案。将高超声速飞行器纵向模型表达为严反馈形式。在反步法设计框架中,引入跟踪微分器,利用其对给定信号任意阶导数精确估计的能力,计算第1步设计中产生的虚拟控制量的导数,并直接获得第2步实际控制量,从而将设计步骤从3步减少为2步。且在每步设计中将参数不确定性与外部扰动建模为等效干扰,设计扩张状态观测器获得等效干扰估计值,继而在控制器设计中进行补偿。利用Lyapunov方法证明闭环系统稳定性。仿真结果验证了所提控制方案对不确定及干扰的抑制作用,且跟踪精度优于传统动态面方法。     

基于区域气球力Snake模型的运动目标快速跟踪方法

提出了一种包含区域信息的Snake模型用于运动目标检测与跟踪。在通常情况下,基于区域信息的跟踪方法对背景光线的微小变化、位置的微小移动较为敏感,而基于边缘信息的跟踪方法则难以对边缘模糊的图像取得满意的跟踪效果。在算法中同时引入这两种信息,边缘信息使得算法快速而鲁棒性好,区域信息可以对边缘模糊的图像取得正确的跟踪效果。使用双差分图像设计了自动初始化的方法来实现视频的自动跟踪。同时,对目标的下一步运动位置增加了一个预测环节来加快主动轮廓模型的收敛速度。该算法的每帧计算时间一般小于0.1S,能应用于实时系统。