电驱动履带车辆带约束广义预测速度控制

电传动履带车辆存在的参数非线性时变性强、惯量大,路面阻力容易受强扰动等特点,采用传统的PI控制容易产生较大的超调,降低暂态控制性能,传统的滑模控制算法难以克服常值扰动,消除稳态误差,易引起输出量剧烈抖振。针对上述问题,设计了广义预测速度控制器,结合电机饱和特性,对控制量进行了约束。仿真实验表明,所设计的控制算法能够克服系统参数非线性时变、路面扰动因素的影响,且跟踪准、响应快、超调小。     

时延分布式控制系统的Truetime仿真分析

针对航空发动机分布式控制系统的时延问题,应用Matlab的Truetime工具箱,设计了控制系统仿真分析平台,分析了时延对系统稳定性的影响。首先针对一类应用状态反馈的控制系统,分析了存在传感器到控制器单侧时延的情况下,系统保持稳定的充分条件。在此基础上,以某型航空发动机为例,基于Truetime工具箱设计了分布式控制仿真系统,分析了不同的时延条件对系统稳定性的影响。仿真结果与理论分析结果一致,证明了系统的有效性。     

基于复杂网络理论的C2组织结构

从复杂网络理论角度,构造出了C2组织结构的网络拓扑模型,并根据C2组织结构的网络特性提出了一个重要的统计特性——节点的重要度,说明节点与其他节点联系的紧密性和重要性,进而分析了C2组织结构网络中的各个统计参数在C2组织结构网络中所具有的现实意义,并基于某个作战想定构建出C2组织结构网络的动态演化过程,更深层次地分析C2组织结构的合理性和高效性,为优化C2组织结构奠定基础。     

陆军武器火控系统的发展趋势

介绍了陆军武器装备火控系统的作战使命和工作原理,分析了信息化作战条件下,陆军武器火控系统的作用和使用需求,提出了未来陆军武器火控系统体系网络化、操纵智能化、功能一体化、性能精准化、结构模块化的发展趋势,分析了需对应突破的关键技术。     

微陀螺仪检测平衡回路建立与验证

基于梳齿电容微结构,分析了电压驱动梳齿电容振动产生静电力的工作原理;针对微陀螺仪开环直接检测的不足,采用静电力平衡哥氏力的方法构建平衡回路,抑制哥氏振动。提取了微陀螺仪哥氏输出信号振动幅值;以哥氏振动幅值为控制量,设计了微陀螺仪检测平衡回路。仿真和实验表明构建的检测平衡回路能够有效地平衡哥氏力,抑制哥氏振动,使质量块回到平衡位置,微陀螺仪标度因数线性度和对称性有显著提高,测量范围、阈值和分辨率等性能均有不同程度改善。     

卡尔曼滤波器和跟踪微分器在光电跟踪系统中的应用

光电跟踪系统通常采用跟踪偏差反馈闭环控制,若同时采用速度前馈复合控制可以有效提高系统跟踪精度,分别使用了卡尔曼滤波器和跟踪微分器两种算法求取跟踪速度信号,通过仿真分析和工程应用,确认卡尔曼滤波器求取的速度信号更准确,噪声更小,更适合于光电跟踪系统的前馈复合控制。     

虚拟射击试验中的航迹融合方法

针对高炮武器系统虚拟射击试验中存在的航迹融合问题,研究了航迹在虚拟射击试验中的融合方法。分别通过虚实资源静态分析和动态分析,明确了试验中各试验要素内涵和虚实资源间信息交互的内容。由于虚实资源间交互的信息内容不同,易产生数据格式、信息理解等方面的不一致,且集中表现在数据处理上。因此,从空间一致性维护和时间一致性维护两个方面,给出了航迹在虚拟射击试验中的融合方法。     

直接力/气动力复合控制系统的有限时间镇定

考虑到复合控制系统中,直接力的离散特性会使系统的设计复杂化。针对采用姿控式直/气复合控制的导弹,基于有限时间稳定理论,引入辅助滑模面,研究其控制系统的有限时间镇定,得到一个受控良好的复合控制系统。在此基础上,利用辅助模糊控制,对系统不确定性进行估计,进一步改善了复合系统的控制品质。最后以俯仰通道为例,对所提出的方法进行仿真,结果验证了该方法的有效性。     

基于配置管理的软件维护性评估

对软件质量进行定量化管理是软件工程领域的趋势,也是软件质量保证的重要手段。针对软件维护性定量评估难、数据获取难的问题,分析了软件维护性受配置管理关键要素的影响,提出利用配置管理数据对软件维护性间接评估的方法。结合软件工程开发实际,建立了配置管理数据收集过程,利用维护时间作为参数,统计5类功能点维护时间对软件维护性进行度量,实现了软件维护性的定量评估,并利用实际项目对方法的可行性和有效性进行了验证。     

增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。