永磁同步电机有限时间抗扰控制方法研究

针对永磁同步电机在实际应用中变负载、磁饱和内外干扰等因素影响下的稳定控制问题，提出了基于super-twisting算法的扩张状态观测器（super-twisting extended state observer,STESO）对总扰动进行准确估计和补偿。通过分析永磁同步电机的动力学模型，构建永磁同步电机的扩张状态模型，并以此为基础设计STESO，在有限时间内实现对永磁同步电机总扰动的准确观测。利用Lyapunov方法分析了STESO的稳定性，并推导了误差收敛时间的表达式。仿真实验结果表明，所提方法在位置和转速控制上响应速度快、扰动影响恢复时间短，相比于PID控制、自抗扰控制和基于改进模型预测的自抗扰前馈控制等方法具有更好的快速性和更强的抗扰性，蒙特卡洛实验结果同样显示所提方法针对参数不确定性具有较强的鲁棒性。     

具有最佳汉明相关性能的跳频序列族

在非正交跳频扩展频谱多址通信系统中用作跳频图样的P~k进制序列族要求具有小的汉明互相关。文[1]中得到了给定长度和字母表大小的序列的异相自相关及互相关的下限,并构造了具有最佳汉明相关性能的序列族。本文中提出一种更一般的构造方法,文[1]的构造是它的一个特例。构造出的序列族具有最佳汉明相关性能,并且可部分解决Hop—and—Stay问题。     

反舰导弹电视制导ATR方法研究——多目标几何识别

本文运用图象处理与图象识别技术,结合应用光学的方法,研究了舰船目标图象识别的有关问题,并提出了一个可用于反舰导弹电视制导的自动目标识别（ATR）系统的方案设想。实验室模拟结果表明本方案具有实现的可行性     

多喷嘴系统控制律

大型航天器(航天飞机、空间站等)的反作用控制系统(RCS)是由多喷嘴组成,具有较高的冗佘度。本文对此系统提出一种控制律,包括控制指令的产生与分配的方法,编成程序包后,便于机载计算机实时操作。     

一种自组织神经网络及其应用

提出了一种适用于目标识别和故障诊断的自组织神经网络（ＳＮＮ）模型和一种基于模糊关联度的判别准则。ＳＮＮ学习速度快,能在不破坏原有“知识”的情况下,学习、记忆新知识,且具有对外部环境的自适应能力。新的判别准则充分考虑了网络输出矢量各分量的大小因素及其与各期望目标矢量的相关程度,使类别判决更加合理可靠。本模型被用于被动声纳目标分类,取得了较好的效果。     

多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器,提高了估计的精确度。以前的跟踪式卡尔曼滤波器的估计精度与目标的运动状态有关,当目标的运动不能够用线性状态空间模型描述时,其估计精度将要下降。而多层网络的引入,改善了这一不足。多层神经网络经过训练以后,能够对卡尔曼滤波器的结果进行修正。仿真结果表明,多层神经网络的应用,使估计精度显著提高。     

多状态系统故障树质蕴含集的求取算法

本章首先给出多状态系统状态空间的立方体表示方法,然后建立相应的运算规则。在这些规则的基础上,提出多状态系统故障树质蕴含集的求取算法。通过实例分析,说明了这种方法的可行性。     

模糊自组织神经网络及其在信息融合目标识别中的应用

本文重点研究了在目标识别领域中信息融合技术的神经网络模型,针对特征层融合的高维数、量纲不统一、信息表达方式差异等特点,利用模糊自映射神经网络来实现特征间的有效融合。经实验仿真证实,这一融合方法较单源识别正确识别率提高７个百分点左右