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。     

模糊神经网络控制器及其在航天器姿态控制系统中的应用研究

在航天器姿态控制领域，模糊控制技术作为一种辅助控制方法得到越来越多的关注。本文提出了一种基于模糊聚类算法和分布式模糊神经网络的模糊神经网络控制器，并将其用于《东方红三号》卫星应急星地大回路姿态控制系统之中。仿真研究表明，这种模糊神经网络控制器能够有效地从样本数据提取信息，实现分区域控制，并且具有较强的鲁棒性。该方法具有较为满意的控制效果。     

中低轨道卫星星座间的激光链路

阐述在中低轨道卫星星座全球通讯网络中应用的激光星间链路与在中继星间应用的激光星间链路相比，所具有的明显的优势。同时给出了应用于小卫星上的小光学用户终端的基本组成，并指出了当前在中低轨道卫星星座激光星间链路研究中所应当进行的主要研究方面。     

城市供水调度系统的现状与发展

简述国内城市供水调度系统的应用现状，指出在实际应用中存在的问题和解决的途径。并介绍了系统几年来的发展及今后的趋势。     

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PETRI网的导弹控制系统故障诊断梯形图求解法

故障诊断是保证航空航天等大型复杂系统可靠性的重要措施，故障树为此提供了一种有效的方法，但故障树是一种系统静态行为的描述方法，如何描述系统状态的动态变迁过程成为人们追求的目标，本文在论述逻辑关系的PETRI网表示的基础上，提出了系统状态动态变迁过程的PETRI网模型梯形图求解算法，进而提出了基于PERTI网的故障诊断的梯形图求解方法，并用一实例说明了这一过程。     

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。     

面向空间容迟容断网络的路由算法研究

将空间网络作为一种典型的容迟/容断网络(Delay/Disruption Tolerant Network,DTN),同时利用空间网络星座拓扑的规律性和可预见性,通过构造链路通断时间图,快速建立虚拟拓扑路由表;针对路由过程中可能出现的链路中断问题,设计了拥塞控制机制、正常中断机制和链路失效机制来提高路由效率;在The ONE网络仿真平台中对提出的时间图路由算法(Time-GraphRouter)进行了仿真,并与传染路由(EpidemicRouter)、转发等待路由(SprayAndWaitRout-er)、预测路由(ProphetRouter)三种路由机制进行了对比。仿真结果表明,文章提出的路由算法的平均投递率达到了0.98以上,综合性能优于其他三种路由算法。     

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.     

一种高超声速滑翔飞行器轨迹智能预测方法

针对高超声速滑翔飞行器(Hypersonic glide vehicle, HGV)机动性强、轨迹预测困难的问题,选取气动加速度作为预测参数,提出了一种基于集合经验模态分解和注意力长短时记忆网络的HGV轨迹智能预测方法。首先,以HGV六自由度运动方程为基础,分析了其机动特性和气动力变化规律,建立了动力学跟踪模型,对气动加速度进行实时估计;其次,利用集合经验模态分解对估计的气动加速度进行分解和重构,减弱噪声影响,避免对预测模型的干扰;最后,利用去噪后的气动加速度数据对注意力长短时记忆网络进行训练,进而预测未来气动加速度数据并重构HGV未来轨迹,实现轨迹的在线预测。实验仿真表明,该方法能有效预测HGV机动轨迹,预测精度高、稳定性好。