基于当前统计模型的有向图切换IMM算法

将当前统计模型和变结构多模型估计算法相结合,提出了一种新的用于跟踪机动目标的交互多模型算法,计算机仿真结果显示该算法能有效提高交互多模型估计器的费效比。     

变工况下轴承健康监测的相关向量机与自适应阈值模型方法

工况在旋转机械运行过程中通常是变化的。变化的工况和故障一样,也会引起机械振动特征发生改变,从而引起诊断误差。为此,提出一种用于变工况下轴承健康监测的新方法。该方法使用相关向量机拟合振动特征的统计量随工况参数的变化,得到特征统计量与工况参数之间的连续函数关系;基于不同工况下的特征统计,构建自适应阈值模型。将该方法用于不同转速下的轴承健康监测,结果表明,当转速超过某一个较小的值时,该方法有效。     

滑模变结构控制的月球着陆舱姿态控制系统设计

在我国的探月计划中,要实现月球探测器软着陆于月球表面.在分析月球着陆舱软着陆段的飞行任务对于姿态控制要求的基础上,基于滑模变结构控制方法,根据实际姿态角和期望姿态角的偏差,给出了线性滑动模态面的切换方程,采用指数趋近律和边界层削抖的方法,推导出期望控制力矩的计算公式.并研究了姿控发动机的配置特点和点火逻辑.给出了由期望力矩计算实际控制力矩的方法.仿真结果表明,该姿态控制系统能迅速地将着陆舱跟踪到期望姿态.着陆舱经过514s飞行,在距月面2 km处将速度减为零,将姿态调整到垂直向下,完成了飞行任务.飞行轨迹比较平滑,具有较好的鲁棒性和自适应性.     

跟踪机动目标的一种新的多模型算法

在机动目标跟踪的多模型(MM)方法的研究中,提出了一种新的多模型方法,即最小子模型集切换(MSMSS)算法.这种MSMSS算法从总模型集中自适应确定最小模型集,用来完成多模型(MM)估计.仿真结果表明,和标准的交互式MM(IMM)相比,所提到的算法,在保持同等的跟踪性能的前提下需要很小的计算量,在计算量相等的情况下具有更好的跟踪性能.     

中央空调系统模糊控制应用研究

中央空调变流量节能控制系统是采用模糊控制理论和变频技术，根据空调末端负荷的变化，自动对冷冻(温)水、冷却水泵、冷却塔风机等设备进行实时优化控制，使得系统流体流量跟随负荷的变化而同步变化，确保在中央空调舒适性的前提下大幅度降低能耗。基于空调节能的巨大潜力，提出空调变流量模糊控制原理和方法。利用该方法开发的样机在实际工程中的应用表明控制可靠、节能效果显著。     

改进的变步长LMS自适应滤波算法分析

通过建立步长因子μ与误差信号e(n)之间的非线性函数关系,提出了一种改进的自适应变步长最小均方(LM S)算法。该算法克服了LM S算法在自适应稳态阶段μ取值偏大的缺陷,具有在误差e(n)接近零处缓慢变化的特点。该算法还具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,解决了收敛时间和稳态误差的矛盾。将该算法对比一般的变步长算法,该改进算法在平稳过程中具有更小的稳态误差,同时还具有更好的跟踪时变系统的能力。     

基于模型参考的SINS/GPS制导炸弹俯仰偏航控制

由于SINS/GPS制导炸弹俯仰偏航要进行大空域的机动飞行,导致了其作为被控对象的状态方程参数变化剧烈,就要求飞控系统具有更强的适应能力和鲁棒性.因此.设计了基于模型参考变结构控制方法的鲁棒自动驾驶仪,具有良好的瞬态性能和抗参数大范围变化能力强等优点.以某型SlNS/GPS制导炸弹为例.选取典型的气动恶劣条件,进行了按给定制导指令飞行的六自由度全弹道飞行控制仿真,仿真结果表明,该自动驾驶仪能对制导炸弹实现鲁棒自适应控制,为飞控系统设计提供了重要参考.     

GMA离散自适应滑模变结构位移追踪控制研究

超磁致伸缩作动器A)有应变大、能量密度高和响应速度快的特点,在主动隔振领域具有广阔的应用前景,但是其自身材料的磁滞非线性导致其位移控制精度大大降低.为提高其控制精度,方便在实际工程中应用,提出一种前馈逆补偿和反馈控制相结合的位移追踪控制策略.首先,采用自由能磁滞模型表示GMA的磁滞非线性特性;然后,通过变步长的LMS自...     

零下50℃的“温暖”

数九寒天,滴水成冰。驻守在我国最北端的第十六集团军,每年都要在最寒冷的冬日里,将官兵们全部拉至陌生地域,让他们在野外生存数十天,摸索极寒条件下部队作战与生存的各种有效数据。训练中,他们将官兵的防冻伤放在首位,力争做到无一人因冻伤而非战斗减员。他们将上级配发的保温与取暖物品全部派上用场,让官兵们更加适应极寒天气,穿林海、跨雪原,寻找极寒中克敌制胜的战法。     

基于稀疏贝叶斯学习的扩展目标雷达关联成像*

雷达关联成像不依赖于雷达与目标的相对运动,是一种高分辨凝视成像方式。传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该算法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该算法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。