基于ANFIS的智能导航自适应滤波算法研究

智能导弹等智能化飞行器在快速跨域、高速机动飞行时,由于传感器切换、外形改变等因素,会对组合导航信息融合系统引入随机非Gauss噪声等影响,离线优化的参数往往不能满足滤波器精度的需求。自适应网络模糊推理系统ANFIS是一种将人工神经网络和模糊推理技术相结合而成,符合人类认知特点的决策方法,它可以对导航数据进行学习,实现智能决策、实时修改滤波器内部参数,对滤波器进行优化。仿真结果表明,基于ANFIS优化的智能导航自适应滤波算法可以有效减少噪声和干扰带来的影响,提高导航精度。     

参数自适应凸优化下的月面着陆最优轨迹规划

针对月面高精度下降着陆问题,提出了一种基于最优观测器的参数自适应凸优化月面着轨迹规划算法。首先,针对下降着陆主减速段需要尽可能减少燃料消耗的问题,考虑约束及动力学模型的非凸性,采用无损凸化技术将月面下降着陆问题转化为二阶锥规划问题;其次,为减少下降着陆过程中质量、比冲等参数不确定性影响,设计了基于Riccati方程的最优观测器;再根据标称参数凸优化所产生的最优轨迹进行飞行,利用该过程中加速度计实时测量信息,结合推力器输出信息,实现对着陆器参数的在线实时估计;在参数估计实现收敛后,通过在线求解二阶锥规划问题实现最优轨迹的在线规划。仿真结果表明,该观测器能够实现在线参数实时估计;该算法相较其他定点着陆算法,仅需要发动机具有离散的推力域,且具有精度更高的优势。     

月面着陆动力下降段最优轨迹序列凸优化方法

针对月面着陆器动力下降制导过程中,时变惯性加速度和重力加速度难以估计与补偿等问题,提出一种基于序列凸优化的在线制导算法。在考虑月面曲率及月球自转的着陆器动力学建模基础上,首先对模型及约束条件进行凸化,得到一个二阶锥规划(SOCP)问题;然后对经典序列凸优化进行了改进,对时变加速度剖面予以实时估计和补偿,提升了现有优化算法的性能,使着陆器在尽可能节约燃料的前提下实现高精度着陆。仿真结果表明,与经典的显式制导律相比,所提出的算法在动力下降段燃料消耗更少。由多种位置偏差下的打靶分析结果可知,所提出的算法均能满足性能指标要求;即使起始位置存在±2500 m的较大波动时,仍能以高精度的速度、位置完成动力下降制导。