一类不确定非线性系统的回馈递推滑模鲁棒控制器设计

针对一类多输入多输出不确定非线性系统，用一个RBF神经网络获得未建模动态和外来扰动的估计值，将回馈递推思想与滑模控制相结合，逐步回馈递推，设计了鲁捧控制器。将这种方案用于某型侧滑转弯导弹的飞行控制系统设计。其中，为克服导弹作动器的位置饱和、速率饱和问题，改进了滑动面的符号函数，并采用模糊逻辑对滑动面的斜率进行实时调整。仿真表明了该控制方法的有效性。     

基于模糊自适应卡尔曼滤波的INS/GPS 组合导航系统算法研究

针对车载组合导航系统量测噪声统计特性随实际工作条件的不同而变化的特点,提出了一种基于模糊自适应卡尔曼滤波的车载INS/GPS组合导航算法。该方法通过监视理论残差与实际残差的比值是否在一附近,应用模糊推理系统不断的调整量测噪声协方差阵的加权,对卡尔曼滤波的量测噪声协方差阵进行递推在线修正,使其逐渐逼近真实噪声水平,从而使滤波器执行最优估计,提高导航系统的精度。对车载组合导航系统的仿真结果表明,这种算法对时变的量测噪声具有较强的自适应性,进而精度比常规卡尔曼滤波也大为提高,是一种可行的车载组合导航算法。     

系统可靠性优化方法

介绍了性优化的各种模型：组合优化模型、两类失效模式优化模型、可靠必优化分配模型、多目标优化模型以及可靠性模糊优化模型等。分析了可靠性优化分配模型各种解法的优缺点。研究认为，蒙特卡罗法具有简单和广泛适用性特点，因而推荐使用该法。     

遗忘因子模糊自调整算法及在故障诊断中的应用

基于参数估计的故障诊断方法因为具有确定故障发生的时间、位置和程度的能力而越来越引起人们的重视。时变（快速的或慢速的）参数辨识是基于参数估计故障诊断方法的关键。本文根据系统的变化，基于模糊控制的原理自动调整遗忘因子，导出了一种实现比较简单，对参数的时变具有较高跟踪速度和跟踪精度的辨识方法。理论分析和仿真试验证实了该方法的有效性     

基于Boosting的模糊分类规则集成学习及应用

由于难于获得先验知识,样本可分性差,辐射源识别很难达到很高的识别率。结合AdaBoost算法和遗传算法,提出了一种模糊分类规则的迭代学习方法。在每轮迭代训练过程中,算法通过调整训练样本的分布,利用遗传算法产生分类规则。减少分类规则能够正确分类样本的权值,使得新产生的分类规则重点考虑难于分类和拒识的样本。在规则学习的适应度函数中考虑训练实例的分布,使模糊分类规则在产生阶段就考虑相互之间的协作,改善了模糊分类规则的整体识别能力。辐射源识别实验结果表明,该方法具有良好的分类识别性能。     

结构的模糊可靠性分析与应用

简述了模糊可靠性理论、有关定义并探讨了理论在结构强度设计中的应用方法，最后以航天器复合材料舱段结构为例，把蒙特卡罗法和模糊可靠性理论结合起来，进行模糊随机可靠性分析和计算。     

导弹模糊增益调参鲁棒飞控系统设计

由于导弹飞控系统的高度非线性、时变性和不确定性,如何设计导弹高性能鲁棒控制系统是一项关键技术。利用模糊逻辑很强的知识综合和推理等特点,基于模糊控制和H∞鲁棒控制方法,建立了一种模糊参数化的增益调参飞控系统鲁棒设计方法,并利用线性矩阵不等式(LMI)技术,将鲁棒增益调参控制器设计转化成了相应的LMI凸优化问题,解决了复杂鲁棒控制器的求解问题。并将该方法应用于导弹鲁棒控制系统设计,仿真结果表明了该设计方法有效性。模糊逻辑、鲁棒控制以及线性矩阵不等式技术的有机结合可以设计具有全局稳定性及鲁棒性能要求的高性能导弹飞控系统。     

固体推进剂制造工艺危险性评定的模糊数学方法

根据国内固体推进剂研制的情况,借助于模糊数学的基本原理,提出了一种其工艺危险性评价的模糊数学方法,用隶属函数的概念描述了危险等级界限的模糊性;采用优化方法确定了影响因素的权重因子集合,并详细地对评判步骤、模糊关系矩阵的确立等问题进行了讨论。最后,通过对模糊数学方法与判分法和逻辑法的比较,讨论了新方法的特点。     

基于模糊神经网络的涡结构识别方法研究

研究气动光学传输效应产生的机理是红外成像末制导的共性基础技术之一,基于涡结构对光学传输效应进行建模是一种非常有效的方法,而涡结构的识别是其必要前提。文中提出一种新的涡结构识别方法,把折射率场经小波变换后的系数矩阵等效为具有一定纹理结构的图像,计算图像的共生矩阵及其统计量,由于涡结构模式复杂,特征量较多,设计了等价结构的模糊神经网络进行涡结构识别。与小波分解后直接提取特征量的识别方法相比,本文的方法从空、频角度更加准确全面地表征湍流涡结构模式,计算机仿真结果表明该方法优于神经网络的识别效率。     

竞争学习模糊神经网络及在导弹故障诊断中的应用

尽管基于解析冗余的故障诊断方法有许多突出的优点而越来越多地得到的研究和应用，但它依赖于系统的模型，当系统存在非线性或不确定性时，存在难以建模的困难，模糊神经网络可以通过学习建立系统的模型，且模型参数有明确的物理意义，初始参数易于选择，成为解决这一问题的优选途径，作者通过把模糊神经网络的学习转化为竞争聚类和线性优化问题，基于竞争聚类和最小二乘原理，提出了一种模糊神经网络学习算法，并在某伺服机构上进行