一种加速度辅助“当前”统计模型距离跟踪方法

在经典的“当前”统计模型中,机动频率通常为经验值,并需预设加速度极限值。针对这一局限,利用递归线性平滑牛顿预测器对加速度进行预估后,得到“当前”统计模型中目标机动频率值的解析解,避免了机动加速度极限值的设置,同时实现了过程噪声协方差矩阵的自适应计算。此外,利用简化的Sage-Husa滤波方法实现了量测噪声协方差矩阵的自适应更新。通过计算机仿真验证了该算法相较于经典的“当前”统计模型的距离跟踪性能更优。     

基于位移峰值信息的实时自适应分段速度估算方法

力/触觉再现技术是遥操作、飞行器仿真培训以及增强型虚拟现实等系统的有益补充。准确度高、噪声低且计算快速的速度估算是确保高效力/触觉再现系统实现的重要环节之一。从位移数据峰值信息出发,提出了一种自适应分段速度估算方法。相对现有的有限步长差分法在采样率较高时容易引入噪声分量和自适应回溯窗法在低速运动时需要较长计算时间等缺点,自适应分段法在确保估算准确度和光滑度的基础上同时具备计算快速的特性,从而能够满足力/触觉再现技术所需的准确性和实时性要求。文章最后建立了力/触觉再现实验系统,通过实验验证了该速度估算方法的有效性和快速性。     

对流场自适应的确定性涡方法

本文系统地研究了随机走步涡团法所面临的主要问题，以统一的途径构造了自适应涡团模型，粘性扩散的确定性算法及确定边界涡量的新方法，数值结果是令人满意的。     

对壳体问题的h—p—n自适应有限元法

本文对壳体问题提出一个h-p-n的自适应有限元法，本文提出的算法局限于轴对称问题。算法通过圆柱形壳体的例题得到验证。实践证明，方法具有计算可靠，快捷的优点。     

使用神经元网络的鲁棒自适应倾斜转弯导弹自动驾驶仪设计

本文对于倾斜转弯自动驾驶仪设计，提出了一种基于神经元网络的鲁棒自适应控制方法。对具有Ｓ形隐神经元的前馈神经元网络控制器的设计作了详细分析。在未知所谓最优神经元网络的先验知识时，我们利用了神经元网络的优点和鲁棒自适应理论设计了一个控制器，该设计采用李雅普诺夫理论确定自适应律，并确保闭合回路中有所信号的有界性。无需预先进行离线训练阶段，并且仅使用一个简单的神经元网络。可以证明，跟踪误差收敛于零域。控制     

一类非线性系统自适应神经网络块控制器设计

对一类多输入多输出非线性系统,提出了一种基于块控原理自适应控制器设计方法.利用反演设计技术和RBF神经网络设计了控制器,并通过引入改进的Lyapunov函数,成功地避免了在控制函数矩阵未知情况下的自适应控制奇异问题.利用Lyapunov稳定性定理证明了系统的所有信号均有界.最后的仿真研究表明了该设计方法的有效性.