小型无人机控制逻辑建模及仿真

无人机的飞行轨迹具有明显的分段特性,且在各飞行段内其飞行状态和控制方式有明显的区别。针对这一特点,可以通过建立飞行全过程的控制逻辑模型实现对无人机的监控任务。Stateflow是一个基于有限状态机理论的图形化离散事件仿真环境,可以用于控制逻辑建模。利用Stateflow建立了某小型无人机飞行全过程的控制逻辑模型,为无人机的控制逻辑建模提供了新的设计方法。通过对所研究的小型无人机非线性系统模型进行仿真,验证了所建立的控制逻辑模型的正确性。     

基于LMI的时滞随机系统非脆弱保成本控制

针对具有状态和控制输入时滞的随机系统,考虑控制器增益存在加性摄动时,设计一种非脆弱保成本控制器。主要目的是,设计的状态反馈控制器对于所有容许的控制器摄动,仍然能够保证闭环系统不仅均方渐近稳定,而且二次型性能指标函数具有确定上界。基于Lyapunov稳定性、Ito公式、Schur补引理和线性矩阵不等式(LMI)等方法,把控制问题转化为LMI可行问题,以LMI的形式给出控制器存在的充分条件,当LMI可行时即可构造出相应的状态反馈控制律。最后,提供数值算例进一步说明该设计方法是正确和有效的。     

F-35源代码暗藏杀机

当美国盟友的飞行员们驾驶着花费巨资买来的F-35闪电Ⅱ战斗机驰骋天空的时候,他却不能确定到底是谁在控制这架飞机。这听起来是不是有点像科幻电影?但这却完全可能发生在不久的将来。美国国防部官员近日宣称,美国将保留F-35战斗机机载软件源代码这一核心技术,不会向合     

反馈干扰系统的自校正控制方法

为实现系统跟踪期望输出及系统未知参数的在线闭环辨识,针对带反馈干扰的未知参数系统,结合最小方差控制算法和增广最小二乘法设计了自校正调节器。首先通过对反馈通道干扰的分析,给出了系统的等效模型;其次,按系统输出最小方差的原理设计了控制器,实现了系统跟踪期望输出;第三,运用增广最小二乘法对系统参数的辨识,给出未知参数的无偏一致估计,实现了参数的在线闭环辨识。通过对未知参数的辨识,用所辨识的参数计算调节器的参数,完成对控制律的修改,实现了系统跟踪期望输出和参数的在线闭环辨识。最后,利用该方法对实例进行了仿真研究。仿真结果表明:所提方法简单可行。     

离散滑模预测控制的鲁棒性

采用单步预测的思想对滑模预测控制算法进行简化,分析其鲁棒性机理,并将它与传统离散滑模控制设计方法的鲁棒性机理进行对比研究,给出了闭环系统的鲁棒稳定性证明。结果表明:传统离散滑模控制方法通过在控制律中引入不确定性上界值以克服不确定因素的影响,虽然能够保证系统的鲁棒性,但同时必然导致过度补偿,从而加剧抖振。而滑模预测控制采用反馈校正与滚动优化相结合的方法以保证系统鲁棒性,从原理上避免了抖振现象。仿真结果验证了理论分析的正确性。     

微陀螺闭环驱动方法

为了获得最佳的驱动效率,采用相位控制技术设计了微陀螺谐振环路,使微陀螺产生驱动模态谐振.为了提高微陀螺的稳定性,设计了ITAE性能指标最优的PID控制器,使微陀螺驱动轴振动幅值保持恒定.闭环驱动电路的测试结果表明,谐振环路振荡频率与驱动模态频率非常接近,采用PID控制器后,在一40℃～80℃范围内,微陀螺驱动轴振动幅值的变化仅为0.1%,振动幅值稳定性有显著改善.     

浅论军事医学科研成本管理

加强军事医学科研成本管理,是贯彻落实科学发展观的重要举措,是提高科研效益的重要手段,是提高科研竞争力的重要途径和执行科研经费核算制度的重要保证。针对当前科研成本管理中存在的问题,应建立和健全科研成本管理机制,加强对“人、财、物”的成本控制,强化科研的规范性,并高度重视科研保密安全工作。     

基于序列二次规划算法的控制律寻优设计

针对某型无人机设计的纵向控制系统,运用经典控制器设计,然后通过参数优化而进行时域自动调节控制律参数的方法设计控制律,优化算法采用序列二次规划法.自动调参的过程是直观可视的.仿真结果表明运用该方法所设计出的控制律满足飞行品质要求,比传统的人工调节控制器参数效果更好,并提高了工作效率.这种方法可以应用于其他控制对象.     

基于效果的炮兵火力打击控制

针对当代战争形态变化对炮兵战斗行动提出的诸多挑战,以军事科学发展观为牵引,以我军炮兵战术理论为依据,借鉴美军"基于效果作战"理论,结合运用系统科学与控制论原理,在抽象、规范炮兵火力打击行动的基础上,提出了基于效果的炮兵火力打击控制概念,并对其特征、内容、原则和方法进行了具体阐述,是推动炮兵战术理论发展的一种尝试.     

自组织特征映射网络在目标分类识别中的应用

为了在日趋复杂的空战环境中准确分析出目标的类型,以达到辅助决策之目的,采用自组织特征映射网络来对目标进行分类识别.首先提取影响目标识别的类特征,然后对其预处理.在此基础上建立SOM网络目标识别模型,并利用SOM网络算法实施无监督的自组织学习.在学习的过程中,通过不断调节网络节点间的权向量,来实现目标聚类.最后,通过仿真验证了该方法在目标分类识别中的可行性和实用性.