考虑扰动引力影响的弹道助推段误差传播解析计算方法

针对地球扰动引力对弹道导弹惯性导航精度影响日益突出这一问题,研究了沿弹道扰动引力的多项式拟合方法,并基于线性系统理论和弹道摄动思想推导了用于求解扰动引力对弹道助推段状态影响的完整解析表达式。同时考虑扰动引力影响与导弹视加速度之间的耦合特性,将扰动引力引起的视加速度偏差视为扰动引力影响的附加补偿项,并进行迭代修正。仿真结果表明:扰动引力拟合残差小于3×10~(-7)m/s~2,考虑耦合项修正的弹道误差传播解析模型计算残差减小为原有方法的1/3,计算时间仅为直接采用弹道积分求差法的1/10。     

基于循环神经网络的锂电池SOC估算方法

鉴于锂电池荷电状态(state of charge, SOC)实时准确估计的重要性。针对大倍率脉冲放电工况下锂电池的强非线性和时变特性,训练了一个循环神经网络对锂电池SOC进行估算,该网络能够将电池管理系统测量所得的电压、电流、温度映射到SOC。基于某型号18Ah锂电池性能测试所获得的大倍率脉冲工况放电数据进行了实验验证,得到三种温度下锂电池SOC估算结果的平均绝对值误差为1.92%,证明了该方法的有效性。     

船舶轴频电场跟踪

针对轴频电场包络跟踪中先验信息缺失的问题,研究了船舶轴频电场跟踪对传感器阵列的基本要求,引入了一种基于最大似然选择的多初值渐进更新扩展卡尔曼滤波算法。建立船舶轴频电场包络跟踪的状态空间模型,用水平电偶极子对船舶轴频电场包络进行建模;建立基于最大似然选择的多初值模型;基于轴频包络信号特征,研究了对传感器阵列排布方式的要求。仿真结果表明,利用轴频电场包络对船舶进行跟踪是可行的,要求传感器阵列至少由3个传感器组成,且3个传感器不在一条直线上;在传感器阵列满足要求的情况下,该算法可以有效解决轴频电场包络跟踪中的先验信息缺失问题,具有较高的实用价值。     

飞行器执行机构故障的鲁棒容错控制器设计

针对具有冗余操纵机构飞行器的执行机构故障,提出了一种主控制器加补偿控制器的鲁棒容错控制器结构。两个控制器可分开单独设计。系统无故障时,仅主控制器作用,保证被控系统具有较高的性能;系统发生故障后,启用补偿控制器,在保证闭环系统稳定的前提下尽可能地补偿故障对系统造成的影响。控制器可以兼顾系统的性能鲁棒性和容错性,可作为自修复飞行控制系统中的应急控制律。采用PID基于扩张状态观测器的故障补偿的方法实现了该控制器结构。最后,以飞机方向舵卡死故障为例,验证了该控制器的正确性和有效性。     

基于MPC和ESO-DO的四旋翼轨迹跟踪控制

针对扰动作用和模型不确定性下四旋翼无人机精确轨迹跟踪控制问题,提出了一种主动干扰抑制和模型预测控制(Model Predictive Control, MPC)策略。模型预测控制器通过扩张状态观测器(Extended State Observer, ESO)和扰动观测器(Disturbance Observer, DO)来估计和补偿干扰,从而实现位置环精确控制。在存在外部干扰和参数不确定性的情况下,通过仿真实验,证明了所提出的方法提高了对建模误差和干扰的鲁棒性,同时实现了对参考轨迹的平滑跟踪。     

微机上运行的多功能仿真语言GASP/PC

文中介绍了IRM-PC机上多功能仿真软件GASP/PC的开发,叙述了GASP/PC仿真语言的形成以及对于连续、离散和复合仿真模型的GASP/PC语言的结构与仿真方法。     

目标区域局部特征和局部图像质量相结合的激光干扰效果评估

为客观描述光电成像系统激光干扰效果,提出目标区域局部特征和图像质量相结合的干扰效果评估算法。图像的局部特征用特征点描述,图像质量用结构相似度指数描述。该算法利用特征点匹配算法确定场景图像中的目标区域,计算干扰前后目标区域内特征点数量的变化、干扰后目标区域内未饱和面积所占的比重以及目标区域内图像的结构相似度指数,并将上述各参数相乘得到最终的评价指标。利用该方法对典型激光干扰图像进行评估,结果表明:在不同入射功率和不同光斑位置情况下,所提评估指标比单独使用结构相似度的评估指标具有更大的取值范围和更明显的非线性变化特征。这说明:该指标能够反映光电成像系统激光干扰过程的丰富细节,更加适合激光干扰效果的评估。     

基于异环境重要性采样的增强DDRQN网络

针对局部可观测多智能体学习环境下,智能体与环境频繁交互造成环境不稳定,导致智能体无法使用经验回放机制(experience replay)的问题,采用了一种基于异环境重要性采样的回放经验利用机制。并结合该机制再深度强化学习算法,深度分布式循环Q网络(DDRQN)基础上进行了改进,提出一种增强型的深度分布式循环Q网络。通过对Deep Mind的Py SC2平台Defeat Roaches局部可观测多智能体学习环境实验结果对比分析表明,增强型的深度分布式循环Q网络相比于DDRQN网络,具有良好的学习性能,稳定性、收敛速度均具有显著提升。