火星软着陆能量最优制导律转移能力分析

着陆器在动力下降段的转移能力是影响定点软着陆的重要因素。文章从转移能力的角度出发,研究火星软着陆动力下降段能量最优制导律,分析燃料质量系数、时间权重以及不同初始高度和速度对转移能力的影响。由于能量最优制导律不能保证满足路径约束,因此对于确定的着陆器初始状态,着陆器转移能力不仅与燃料质量系数有关,还受到制导律本身的制约。当转移距离超过一定的界限时,尽管燃料充足,着陆轨迹会进入地表以下,造成任务失败。时间权重是能量最优制导律的关键参数,既影响燃耗,也影响着陆轨迹的形状。实际工程任务中,为实现燃料的充分利用,需根据着陆器状态调整制导律中的时间权重。本文给出了最优时间权重的确定方法,实现了一定燃料质量系数下的最大转移能力。     

二元机翼颤振的指令滤波反推自适应约束控制

为有效抑制二元机翼颤振现象,设计了一个指令滤波反推自适应约束控制器。考虑二元机翼气动弹性系统存在多项式结构非线性特性以及系统不确定的情况,针对二元机翼控制面偏转角度限制以及系统外部阵风扰动等问题,将前/后缘双控制面布局的二元机翼动态方程以状态空间形式描述,采用反推控制技术进行控制律整体设计,通过指令滤波环节对虚拟/实际控制信号进行幅值限制,并将滤波前后的信号差引入到自适应约束控制律设计过程中。仿真结果表明,在一定来流速度下,开环系统出现极限环颤振现象,闭环控制系统能快速达到稳定状态,二元机翼颤振现象得到有效抑制。     

基于并行模型自适应滤波的空间目标相对位姿估计

摘要： 扩展卡尔曼滤波(EKF)的估计精度受限于测量噪声统计特性的准确程度,如果敏感器测量噪声方差偏离其标称值,将会对滤波性能产生不利影响.尽管自适应扩展卡尔曼滤波(AEKF)能够对测量噪声方差进行估计,但是,噪声特性准确的情况下,AEKF的性能往往不及传统EKF.针对上述问题,本文提出一种并行模型自适应滤波(PMAF),基于特定的自适应率将EKF和AEKF结合起来,使得在先验信息准确的情况下,EKF在状态估计中起主导作用;相反,在实际噪声方差偏离标称值时,令AEKF起主导作用.这样,即能有效削弱测量噪声统计特性不确定性对滤波性能的影响,又能确保正常情况下的估计精度.以空间目标相对位姿估计为例,通过数学仿真对EKF、AEKF和PMAF进行了对比研究,表明所提算法的综合性能优于传统方法.     

基于快速自适应超螺旋算法的制导律

针对地空导弹攻击机动目标的制导律设计问题,提出了一种有限时间稳定的新型二阶滑模制导律。在弹目相对运动模型的基础上,将制导问题转化为一阶系统的控制问题。在超螺旋（ST）算法中引入线性项和一种新的参数自适应律,提出了一种快速自适应超螺旋（FAST）算法,该算法不需要已知系统不确定性的边界且收敛速度较快。利用类二次型Lyapunov函数证明了系统有限时间稳定性,给出了收敛时间估计公式。通过与自适应滑模制导律、ST制导律和光滑二阶滑模制导律的仿真对比,验证了所设计的制导律在保证制导精度的同时,能够在有限时间内提高滑模变量的收敛速度,并且避免了参数选择困难的问题。      

一类微型扑翼飞行器的滑模自适应姿态控制

针对微型扑翼飞行器这类非线性时变系统,基于李雅普诺夫稳定性理论提出了滑模自适应控制算法,应对系统中的不确定性和抑制扰动,完成飞行器悬停阶段调整方位的姿态控制.在高频的扑翼状态下,系统模型利用摄动理论中的平均化法进行近似时不变处理.控制器的设计以滑模控制为主体,滑模面利用误差角三角函数和体角速度构造,来避免不必要的偏航控制,同时结合自适应控制方法,实时逼近无法准确计算的惯性张量和干扰力矩,缓解传统滑模控制中开关函数所带来的抖振问题.Simulink仿真结果表明,滑模自适应控制算法优于传统滑模控制,在正弦干扰气流的影响中有良好的鲁棒性,以此验证了算法的可行性.     

一种基于方差的自适应火星图像阈值选取算法

在基于光学成像的深空探测自主导航中,图像边缘处理直接影响视线矢量的提取,从而对自主导航的精度产生较大影响。传统的Otsu算法更侧重同区域灰度的均匀性,适用于图像中目标区域和背景区域面积相差不大的情况,因此在自主导航初始阶段,导航精度较低。根据深空探测巡航段拍摄到的火星图像的特点,基于已有火星探测任务的实拍图像,在Otsu算法的基础上,重新设计准则函数,提出了一种基于方差的火星图像阈值自适应选取算法。该算法将灰度值高于待定阈值的区域的方差表示为待定阈值的函数,以函数一阶微分的最大值对应的灰度值作为最优阈值。该方法具有计算量小、图像分割精确的优点。仿真结果表明,相较于传统的Otsu算法,通过该算法得到的图像阈值能够实现更高的视线矢量提取精度及自主导航精度。     

蜂群无人机自组网多优先级自适应退避算法

针对现有媒质接入控制（MAC）协议退避算法无法为蜂群无人机自组网（FANETs）提供区分服务,且在重负载时性能严重恶化等问题,提出一种多优先级自适应退避算法。采用忙闲因子自适应机制和最优竞争窗自适应机制,根据信道忙闲程度和网络状态参数自适应实时更新各优先级竞争窗口（CW）长度,从而使每次退避的竞争窗口可快速收敛到最佳状态,并实现了多业务区分服务,得到了最优的系统性能。通过建立不同优先级退避过程的三维Markov链模型求解得到了饱和吞吐量下的最优竞争窗自适应因子,并且理论推导了系统吞吐量和平均MAC时延的数学表达式。仿真结果表明,所提算法在重负载时能够实现多优先级区分服务并有效提高系统的吞吐量性能,相比区分业务优先级的自适应退避（PAB）算法和支持QoS的自适应竞争窗口退避算法（Q-ABACW）,性能均有较大提升。      

基于混合多智能体遗传算法的作业车间调度问题研究

针对作业车间调度问题(JSP)的非确定性多项式特性与解空间分布的大山谷属性,本文提出一种多智能体遗传算法(MAGA)与自适应模拟退火算法(ASA)的混合优化算法,用于寻找最大完工时间最短的调度。首先,将每个染色体视作独立的智能体并采用工序编码方式随机初始化每个智能体,结合多智能体协作与竞争理论设计了实现智能体之间交互作用的邻居交互算子,进而利用一定数量智能体进行全局搜索,找到多个适应度较高的可行解。其次,为避免算法陷入局部最优,采用ASA对每个智能体开展局部寻优。最后,通过基准测试库中典型实例的计算结果验证了该算法的有效性。     

基于HHGA-RBF神经网络的复合材料结构脱层损伤监测研究

针对应用于结构健康监测中的径向基函数神经网络(RBFNN)算法和训练中存在的一些问题,提出一种将递阶遗传算法和最小二乘法相结合,用于优化径向基神经网络的结构和参数的新算法,遗传过程中采用自适应的交叉和变异概率有效地加快了遗传收敛速度和避免早熟现象的出现。搭建了复合材料结构健康监测实验系统,并将实验模态分析结果归一化后送入训练好的ＲＢＦ神经网络进行预测,实现了对复合材料梁的脱层损伤定位和损伤程度的辨识仿真。结果表明基于混合递阶遗传算法的径向基神经网络(HHGAkRBF)收敛速度快,鲁棒性好,精度高。