多航天器协同探测效能影响参数不确定性分析

为解决传统基于蒙特卡洛仿真的探测效能不确定性分析评价方法中时间效率低,参数关系映射单一的问题,提出一种基于神经网络的不确定性分析方法,利用人工神经网络在拟合回归分析上的非线性特性,设计了能够替代复杂系统的神经网络结构,能够通过少量仿真计算结果作为训练样本实现模型的收敛并能有效反映被替代系统的原有特性。选择以一个多航天器的天文观测任务作为典型用例,建立了仿真分析模型,并与蒙特卡洛仿真方法结果进行了对比,验证了此方法的准确性和计算效率。     

基于神经网络的SINS/GPS/TAN 容错组合导航系统设计

在联邦滤波器结构的基础上 ,设计了一种基于神经网络的天文惯性导航系统 /全球卫星定位系统 /战术导航系统 (SINS/GPS/TAN)容错组合导航系统。该系统首先在各子滤波器中用神经网络滤波 (NNF)代替传统的卡尔曼滤波 ,然后用模糊神经网络 (FNN)对各子系统进行故障检测 ,最后由神经元进行全局融合。通过仿真 ,验证了该方法的有效性     

基于递归模糊神经网络的鲁棒BP算法研究

讨论了一种基于递归模糊神经网络的鲁棒BP算法的实现。该算法采用极大似然法修正传统BP算法的指标函数 ,利用M估计器和自举算法在线估计样本的误差分布 ,适合于动态非线性系统的辨识 ,逼近精度高 ,收敛速度快 ,在小噪声扰动时处于稳定 ,对过失误差有很强的鲁棒性。仿真结果证明了该算法的有效性     

基于神经网络的无迹滤波改进算法

介绍了采用无迹变换(UT)描述随机变量通过非线性系统后的均值及方差的方法,提出可以将神经模糊推理系统(ANFIS)用于确定无迹变换中的参数,使其对随机变量均值的描述达到二次以上精度,并给出了改进的无迹滤波器(UKF)结构和神经网络训练方法;仿真结果表明,该算法适用于系统含有未知输入或系统噪声为非高斯的情况,并可解决一些典型的非线性估计问题,改进算法的性能优于传统无迹滤波器。     

傅里叶变换法用于脉冲多普勒雷达检测加速运动目标的研究

傅里叶变换法通常用于脉冲多普勒雷达检测加速运动目标，尽管该方法的性能会受多普勒拖尾现象限制。机动飞机和导弹属于加速运动目标。本文作者量化了多普勒拖尾的影响。在运用脉冲多普勒雷达检测附加白高斯噪声的非加速目标并估算该目标的径向速度试验中，傅里叶变换法能够使输出信噪比(SNR)随脉冲数线性增加。当目标加速时，只要加速度足够小，那么傅里叶方法仍可以检测目标并估算其平均速度。针对某一给定的加速度，当脉冲数增加时，傅里叶变换法得到的输出信噪比(SNR)随脉冲数的增加成凹函数变化，即输出SNR先增加到最大值然后开始下降，直到该方法不适用为止。因此脉冲数和加速度必须匹配才能获得最佳性能。文中给出了最佳SNR、最佳脉冲数与加速度关系的经验公式。这些结果被证明与采用栅格搜寻的广义似然比检测器设计是相符的。     

基于单隐层神经网络的空天飞行器直接自适应轨迹线性化控制

基于轨迹线性化方法（TLC）及神经网络技术研究了一种新的直接自适应TCC控制方案。利用单隐层神经网络（SHLNN）对于光滑非线性函数的逼近能力，对消系统中不确定因素的影响，神经网络自适应律采用Lyapunov方法设计，保证了整个系统所有信号有界。最后利用该方案设计了空天飞行器飞行控制系统，并在高超声速飞行条件下进行了仿真验证，仿真结果表明整个控制系统具有很好的性能和鲁棒性。     

模糊神经网络控制器在飞行器姿态控制中的应用

基于ＡＫａｗａｍｕｒａ等人提出的Ｎｅｕｒａｌ－Ｆｕｚｙ协作系统概念［１］，根据模糊系统的结构，确定等价结构的神经网络。网络保留了模糊控制系统的优点，空间结构清晰，同时具有学习功能，并介绍了采用多层神经网络表达模糊控制系统的知识规则、模糊推理和学习算法，给出了控制某导弹纵向姿态的仿真结果，结果表明该控制系统具有较强的鲁棒性。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。     

高超声速飞行器动态神经网络反推自适应控制

针对高超声速飞行器纵向模型的高度非线性特点,在考虑模型不确定性的情况下,提出了高超声速飞行器动态神经网络调节函数反推自适应控制方法.对给定的速度指令,引入积分型Lyapunov函数设计跟踪控制器,取消了控制增益一阶导数上界的限制,且避免了控制器的奇异性;对给定的高度指令,引入调节函数技术,设计了反推控制器,避免了将模型化为严反馈形式;采用动态神经网络对未知系统动态进行自适应在线逼近.根据Lyapunov理论证明了设计的控制律保证了闭环系统的稳定性与指令跟踪的精确性.仿真结果验证了该方法的可行性及有效性.     

基于YOLOv5的近岸SAR舰船目标检测方法

由于类似舰船的陆地目标的干扰和舰船的紧密排列,基于合成孔径雷达(SAR)图像的近岸舰船检测会出现较多漏检和误检,提出了一种基于YOLOv5网络的近岸舰船的检测方法。为提高近岸背景下的检测精度,使用了注意力机制模型和CSL的技术用于改进网络;分析了YOLOv5网络、注意力模型和CSL算法,基于YOLOv5进行了检测实验,引入注意力模型来改进网络;结合CSL算法,重构了YOLOv5旋转检测网络。通过调整训练参数和改进注意力,近岸目标检测网络的测试结果达到mAP 80%以上,证实了CSL+YOLOv5算法实现旋转检测的可行性。