基于自适应迭代学习的小行星绕飞容错控制

对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分：其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数（RadialBasisFunction,RBF）神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10^-2数量级内的较高姿态控制精度。     

交互式多模型粒子滤波优化重采样算法

针对标准交互式多模型粒子滤波(IMMPF)算法中存在粒子退化及多样性匮乏问题,提出了交互式多模型粒子滤波优化重采样(IMMPFOR)算法,利用线性优化理论改善模型中具有小权值的粒子精度。该算法的新颖性体现在给定量测信息条件下,利用线性优化方法及模型交互概率将每个模型中拥有小权值的粒子替换成新的粒子。新的粒子既包含本模型中粒子信息,又包含了本模型与其他模型交互后的粒子信息。目标跟踪的仿真结果证明:每个模型新产生的粒子集合可以准确地近似真实状态后验概率密度函数,系统的估计精度与标准IMMPF算法相比有较大提升。     

自适应引导长度的无人机航迹跟踪方法

为保证无人机安全稳定的飞行,实现高精度的航迹跟踪,基于引导点的非线性制导算法,提出了一种引导长度自适应的航迹跟踪方法。首先建立无人机运动学模型,依此对非线性的制导算法进行理论分析与试验验证,建立无人机飞行速度与引导长度之间的关系。之后引出引导长度自适应的航迹跟踪方法,详细讨论方法的具体实现过程。最后通过各种情况下的仿真对比试验,验证所提出方法的有效性。仿真结果表明,所提出的方法能较精确地跟踪各种复杂航迹,同时在较大的初始偏差和航路点临时切换的情况下能稳定、快速地收敛到期望航迹,更好地满足各种实际飞行任务的需求。     

基于递推更新卡尔曼滤波的磁偶极子目标跟踪

针对磁性目标跟踪问题,以磁偶极子等效场源模型为基础,建立磁性目标跟踪的离散状态空间模型,将磁偶极子目标实时跟踪问题转化为状态空间模型的滤波估值问题。针对磁性目标初始条件难以获得且现有卡尔曼类滤波算法在大初始误差条件下容易出现发散的问题,提出一种递推观测更新的卡尔曼滤波算法,将现有的一步观测更新描述为递推更新过程,等效降低大初始误差带来的大非线性误差。仿真与实测数据测试结果表明,本文算法具有良好的精度和收敛性,能够有效抑制磁偶极子跟踪中由于大初始误差导致的滤波发散,适于实际应用。     

基于高斯过程的机器人自适应抓取策略

在机器人抓取作业时,目标物体的位姿经常发生变化。为了使机器人在运动过程中能够适应物体的位姿变化,提出了一种基于高斯过程的机器人自适应抓取策略。该方法建立了从观测空间到关节空间的映射,使机器人从样本中学习,省去了机器人视觉系统的标定和逆运动学求解。首先,拖动机器人抓取物体,记录物体的观测变量和机器人的关节角度;然后,利用记录的样本训练高斯过程模型,实现观测变量和关节角度的关联;最后,当得到新的观测变量时,通过训练的高斯过程模型得到机器人的关节角度。经过训练后,UR3机器人成功抓取了物体。     

基于自适应算法的Stewart平台微振动低频激励控制研究

针对空间微振动环境模拟的需求,以Stewart平台为对象,研究低频微振动激励控制.传统定增益控制器需要反复调节参数来获取满意的系统输出,同时由于摩擦等因素引起的非线性现象,导致难以在低频段建立精确的系统模型,以上问题均给控制器的设计带来困难.为此,设计一种自适应控制器加传统PID控制器的控制方案,并针对自适应控制器对于非参数不确定性等因素敏感的问题,采用dead-zone技术对自适应律进行修正,以提高控制器的鲁棒性.将此算法应用于Stewart微激励控制系统中,实验结果表明系统平台可以很好的输出单自由度与多自由度低频正弦激励,验证控制器在实际工程中的有效性.     

干扰机应对自适应捷变频雷达的一种干扰方法

雷达干扰机与雷达抗干扰相互促进发展,现在自适应捷变频雷达具有很强的抗窄带瞄准式干扰和宽带阻塞式干扰的能力。文章中提出了现有干扰机对自适应捷变频雷达实施干扰的一种新方法及实施方案——频谱拖引。     

基于归一化神经网络的航天器自适应姿态跟踪控制

针对以变速控制力矩陀螺（VSCMGs）为姿态控制执行机构的航天器在同时考虑惯性参数和执行机构不确定性情况下的姿态跟踪控制问题,提出了一种基于归一化神经网络的自适应姿态跟踪控制方法。设计一个非线性反馈控制器作为航天器姿态控制的基本控制器,利用归一化神经网络设计补偿控制器,用以在线估计和消除包含系统不确定参数的未知不确定函数的影响,避免了标准自适应控制方法需要进行大量不确定参数估计的缺陷。采用神经网络输入归一化技术,简化了闭环系统复杂的稳定性分析过程。理论分析证明了闭环系统的稳定性和姿态跟踪误差的收敛性。仿真结果表明,所提出的控制方法能满足航天器在惯性参数和执行机构不确定性及外干扰存在情况下的高精度姿态跟踪控制要求。
     

基于特征空间的GPS自适应阵干扰抑制技术研究

讨论了GPS系统中自适应阵干扰抑制的问题,对比研究了最优自适应阵与基于特征空间自适应阵的抗干扰性能。通过理论推导和仿真分析,与最优自适应阵相比,基于特征空间在信号与干扰噪声比性能上略有不如,但其在理论上能够完全抑制干扰,具有更好地干扰抑制比。