基于概率极限状态的RAIM风险评估

为了提供准确可靠的完好性服务,提出了基于概率极限状态的RAIM完好性风险评估。考虑所需导航性能参数和噪声的因素,建立了安全系数与可靠系数相结合的完好性风险评估指标体系,确立风险评价准则。非精密进近的算例分析表明,系统评估方法是可行的且有效的。     

从自动飞行到自主飞行--飞行控制与导航技术发展的转折和面临的挑战

无人机要替代有人驾驶飞机 ,在不确定性环境中执行各类任务 ,必然面临着自主控制的巨大挑战。先进飞行控制和导航技术作为最主要的支撑技术 ,目前只能适应相对结构化任务环境的要求 ,而要解决动态、不确定环境下的自主飞行控制问题尚有很大的差距。当前 ,由自动飞行到自主飞行 ,已发展到了一个大的转折点。本文将从人与机器的关系和人 -机分工及演进的角度阐述作者对这些问题的现状、发展和面临的挑战所进行的系统分析。     

中继卫星天线指向控制策略研究

首先根据中继卫星系统中中继卫星跟踪用户星的要求,定义了中继卫星天线坐标系,推导出了中继卫星天线对用户星的跟踪规律,通过该跟踪规律可以推出中继卫星跟踪用户星时天线方位和俯仰轴转角,为了保证中继卫星与用户星之间的通信,中继卫星单址天线需要精确的指向用户星;然后详细描述了天线指向控制概念,并且设计了星上自主控制方案,星上自主控制方案由捕获和自动跟踪模式组成,一方面设计了天线捕获过程,另一方面对自动跟踪模式的天线步进逻辑进行了合理选择;最后根据推导的跟踪规律,以不同轨道的用户星作为跟踪目标,对所设计的天线指向控制系统进行了数学仿真,并且通过对仿真结果的分析验证了中继卫星单址天线指向性能。     

无人机空中加油自主编队控制器设计

针对自主空中加油(AAR)任务中的飞行器编队形成问题,提出了一个完整的自主控制器方案。采用基于视线的编队制导律控制队形,产生制导指令。针对加油编队过程中产生的模型误差和尾涡扰动等不确定性,基于RBF神经网络和自适应Backstepping方法,设计了UAV姿态和速度非线性控制律来在线逼近和补偿不确定性,保证系统的鲁棒性和稳定性。使用协调转弯方式将航迹角指令转换为姿态指令,以实现控制律对航迹角指令的精确跟踪。最后,仿真结果验证了制导律和控制律的有效性。     

二次奖罚学习自动机

研究了奖罚型学习自动机的一种非线性强化算法。与线性的奖罚模型（ＬＲＰ）不同,新模型的行动选择概率的更新函数为二次的。这使得该模型的学习性能优于ＬＲＰ,且对不同的环境,其具有不同的行为和特点。     

基于势函数法的航天器自主姿态机动控制

主要研究存在禁止姿态的航天器自主姿态机动控制问题.首先,给出航天器的动力学和运动学模型,利用四元数描述航天器与机动姿态和禁止姿态的姿态偏差,用相应的欧拉转角描述不同姿态间的距离.为利用势函数完成禁止姿态回避,结合航天器的运动情况设计排斥势函数(RPF)存在条件后,根据禁止姿态最小允许夹角构造一种新的排斥势函数.接着,利...     

基于神经网络的飞行器再入制导研究

论述了神经网络理论在飞行器再入制导方面的应用.在分析各方法优缺点的基础上,提出了一种基于广义同归神经网络(GRNN)模型的再入制导方法.神经网络通过一组选定的轨迹样本进行有导师训练,训练好之后作为控制指令生成器,输入为再入过程中飞行器的状态参数,输出为倾侧角控制量,迎角控制量则由迎角剖面给定.仿真结果验证了该方法在再入...     

基于二叉树支持向量机的装备故障诊断研究

本文提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

再入飞行器自适应最优姿态控制

针对再入飞行器姿态控制问题,应用自适应动态规划（ADP）理论设计了姿态控制器。将再入飞行器的姿态控制建模为非线性系统的最优控制问题,提出单网络积分型强化学习（SNIRL）算法进行求解,该算法简化了积分型强化学习（IRL）算法在迭代计算中的执行-评价双网络结构,只需要采用评价网络估计值函数就可以求得最优控制律,其收敛性得到了理论证明。基于SNIRL算法设计了自适应最优控制器,并证明了闭环系统的稳定性。通过数值仿真校验了SNIRL算法比IRL算法计算效率更高,收敛速度更快,并校验了自适应最优姿态控制器的有效性 。