基于拓扑变化预计算的多层卫星网络路由协议

设计了一种基于拓扑变化预计算的多层卫星网络路由协议.与已有协议不同,该协议在网络拓扑变化前完成路由计算,并采用了自适应的链路状态报告方式.从路由计算时机和链路状态报告方式2方面分析了协议的合理性.与常规路由协议相比,此路由协议收敛更快,更能适应多层卫星网络拓扑变化频繁的特点.     

通道失配条件下的线阵导引头STAP检测研究

针对均匀线阵导引头下视跟踪目标状态,建立了目标空时导向矢量、杂波协方差矩阵、STAP权值等模型,基于协方差矩阵加权的基本理论,研究了高斯分布、均匀分布2种通道失配误差对STAP检测性能的影响,建立了数学模型并进行了仿真.结果发现,均匀分布误差对STAP检测性能影响较大,若相位误差达到10°,将导致SINR损失下降10 dB左右,而高斯分布误差影响很小.     

基于自适应Agent仿真的系统可靠性预计方法

建立了基于自适应Agent的系统仿真模型的3层体系结构,设计了3类Agent对象:环境仿真Agent、系统仿真Agent和单元仿真Agent,分别模拟了环境、系统对象和基本工作单元,建立了考虑任务环境影响因素、由若干Agent组成的系统可靠性仿真模型,是对系统可靠性预计方法的新探索.     

起重机防摇摆模糊自适应PID控制的仿真

起重机起吊过程中,由于绳索摇摆,使吊物位置变化复杂,线路变化非线性,吊物位置不确定;而采用常规定参数PID控制难以解决货物位置控制问题,无法对起重机的位置和摆角进行精确控制。针对这些问题,采用拉格朗日能量法建立起重机起吊系统模型,提出一种基于模糊自适应PID控制的起重机起吊控制方法,结合模糊控制理论对PID参数进行自适应整定。仿真结果表明,与传统定参数PID控制相比,模糊自适应PID控制具有良好的适应性和鲁棒性,可提高起重机起吊系统的动态性能。     

基于鲁棒高阶容积滤波的无人机相对导航状态估计方法

由于无人机相对导航系统具有非线性强、噪声非高斯的特点,传统的基于卡尔曼滤波算法设计的相对导航滤波器存在估计失准甚至发散的问题。考虑到高阶容积卡尔曼滤波和最大熵滤波算法分别在解决非线性问题和非高斯问题时的优势,利用最大熵滤波的量测更新方法对高阶容积卡尔曼滤波的测量更新方程进行了改进,将传统的量测更新问题转换成了线性衰退的求解问题,避免了对测量噪声进行高斯假设,同时解决了系统非线性和量测噪声非高斯的问题。进行了相应的数学仿真,仿真结果表明:所提算法的估计精度超过了高阶容积卡尔曼滤波和最大熵滤波算法的,验证了算法的有效性。     

统计线性化无序量测更新算法

在实际的多传感器系统中,由于各种传感器具有不同的采样率,预处理时间,以及数据通信延迟,因而会出现多个传感器量测不同步到达融合中心的现象。进一步地,当较早时刻产生的量测在较晚时刻产生的量测之后到达融合中心时,无序量测问题就出现了。针对离散时间非线性系统,提出基于统计线性化固定点平滑器的最佳统计线性化无序量测算法,它可以处理单步和两步延迟(甚至多步)无序量测,且能达到与重新滤波法相同的估计精度。     

非高斯背景条件下水声信号粒子滤波性能分析

基于贝叶斯滤波原理,介绍了粒子滤波(Particle Filter,PF)的基本思想和具体算法实现步骤。针对非高斯噪声对水下信号目标跟踪的影响,分别对符合高斯分布、韦伯分布和伽马分布的随机噪声序列,在噪声均值和方差相同的条件下,对比分析了扩展卡尔曼滤波(Extended Kaman Filter,EKF)算法和PF算法的估计精度。仿真结果表明,在非线性非高斯环境下EKF算法跟踪性能严重下降,而PF算法能继续保持较好的跟踪精度,证明PF算法在非线性非高斯系统中的有效性。     

自适应反步滑模控制在火箭炮伺服系统中应用

针对实际系统运行过程中所存在的转动惯量和负载力矩变化大等各种不确定因素,提出了一种新型的自适应反步滑模位置控制器(ABSMC)。首先对于模型中的不确定参数,采用自适应鲁棒算法进行有效估计,通过对模型的等价变换和选择适当的Lyapunov函数,最终给出系统的自适应控制器和不确定参数自适应律的设计方法。仿真和实验结果表明,该控制器能够有效抑制抖振,系统跟踪误差小,跟踪性能好,对参数摄动及外界负载扰动具有较强的鲁棒性。     

弹药自动装填机器人免疫遗传模糊神经滑模控制

提出了一种基于改进免疫遗传算法的弹药自动装填机器人自适应模糊神经滑模控制器(IIGAAFNSMC)。用径向基神经网络来近似等效滑模控制中的不确定参数,通过自适应免疫遗传算法在线调整径向基神经网络非线性隐含层的结构和参数。利用最小二乘法计算线性输出层的权值,自适应模糊系统调节滑模控制的增益,减小了网络逼近误差和外部干扰并消除了传统滑模控制中的抖振问题。仿真结果表明,该方法比传统的神经网络滑模控制器具有更高的逼近精度和速度。     

求解武器目标分配问题的改进粒子群算法

在建立多种类型武器目标分配模型的基础上,提出了一种求解该模型的改进粒子群算法。首先,定义粒子聚焦距离变化率,使惯性权重依据聚焦距离变化率自适应调整;其次,采用速度最大值线性递减的策略平衡算法收敛精度与全局寻优能力之间的矛盾;最后,粒子替换策略使算法改善了因自适应惯性权重的引入而造成收敛速度变慢的问题。仿真结果表明,提出模型和算法合理有效,算法收敛快,适合求解各种种群规模的武器目标分配问题。