基于深度学习光流法的荧光油膜全局速度测量

针对基于先验的传统光流法存在前提条件苛刻的问题，提出使用基于深度学习的光流法进行荧光油膜全局速度测量。采用数值仿真试验对基于先验的改进HS光流法和基于深度学习的FlowNet2光流法进行对比，结果显示：在不外加干扰时，改进HS光流法和FlowNet2光流法的平均端点误差分别为0.458 7像素/s和0.381 7像素/s；在亮度变化、噪声干扰或不同的演化时间下，FlowNet2光流法的平均端点误差均明显低于改进HS光流法，平均端点误差差值最大可达5.19像素/s；风洞试验进一步证明，FlowNet2光流法能够获得正确、清晰、定量的荧光油膜全局速度场，较改进HS光流法鲁棒性更高，对风洞工程应用具有一定的参考价值。     

陆地卫星地面站天馈遭雹灾后的维修与测试

维修主要包括波导元器件和馈源的除水处理和馈源膜片的更换。用醋酸纤维素作为新膜片代替原膜片,其电参数与原参数接近。文中对电压驻波比 S、正切值、膜片的插入损失、G/T 值、LNA 性能及误码性能作了测试,并列出有关参数。     

复杂水下环境下高精度SINS/USBL误差标定技术

针对SINS/USBL组合系统在导航与定位前需要对一体化样机进行精确标定的问题,对复杂水下声场环境下高精度SINS/USBL误差标定技术展开了研究,包括对安装误差角和空间杆臂误差的估计.基于标定模型的几何关系,推导了标定的状态方程和量测方程,并提出了新型的基于相对量测信息滤波估计的误差标定技术.为解决标定过程中由于存在声学野值而导致滤波估计性能下降的问题,通过高斯牛顿迭代将Huber M估计嵌入到变分贝叶斯框架中,推导了基于M估计的非线性鲁棒自适应标定算法,在精确校正后无需重复标定.仿真的结果验证了该方案的有效性、实用性和鲁棒性.     

基于强化学习的航天器姿态控制器设计

航天器在轨执行某些任务时，其质量参数会发生未知变化，传统控制方法在这种情况下控制效果不佳。本文提出基于强化学习的航天器姿态控制器设计方法，该方法在姿态控制器训练过程中不需要对航天器进行动力学建模，不依赖航天器的质量参数。当质量参数发生较大未知变化时，训练好的控制器仍然可以保持较好的控制效果。仿真测试表明:使用基于强化学习方法训练的控制器确实具有良好的鲁棒性。此外，回报函数的设计会明显影响姿态控制器的训练，因此对不同的回报函数设计进行了研究。     

基于ESO的超局部无模型PMSM转速预测控制

针对永磁同步电机(PMSM)由于参数变化和外界干扰导致控制性能下降的问题, 提出了一种基于扩展状态观测器(ESO)的超局部无模型转速预测控制(MFSPC)方法, 并解决了数字系统中的一拍延迟问题。该方法仅利用速度环的输入和输出, 不考虑电机参数, 避免了因电机参数变化导致的模型失配。针对传统MFSPC方法参数调整多、工作量大、输出脉动大、抖振明显、抗干扰性和鲁棒性差的问题, 建立了ESO, 实时监测系统的总扰动, 并进行前馈补偿。利用ESO产生的转速预测, 解决了数字控制系统中的一拍延时问题, 并基于频域分析, 整定控制参数, 提高控制性能。实验结果分析表明:所提方法有较强的抗干扰性和鲁棒性, 能够稳定跟踪额定转速, 有较快的动态响应。