基于人工智能技术的低空飞行器管控关键技术研究

以人工智能技术在低空飞行领域的应用为切入点,分析了人工智能技术驱动下低空飞行器向平台无人化、控制智能化、任务多元化发展带来管控对象多元复杂、管控难度不断提升、管控时空深度拓展的现实挑战。提出了以预实践决策提升飞行审批效率、以自主式决策实时监控飞行状态、以数据驱动式决策精准处置违规行为的主要决策方法和发展途径,剖析了人工智能技术、软杀伤技术、硬毁伤技术在管控建设及应急处置中的运用要点和优缺点。     

关于某型空空近距导弹攻击区的计算仿真

在分析导弹效能的基础上,建立了某型先进空空近距导弹的攻击区以及杀伤概率发射区和效能发射区的数学模型,并进行了仿真计算,其结果在作战运用中具有一定的指导意义.     

基于分层控制结构的有人/无人机编队队形控制

针对有人/无人机(MAV/UAV)系统在三维空间下的协同编队队形保持和变换问题,提出了具有分层结构的有人/无人机编队控制方法。根据有人/无人机指挥控制方式和作战流程,设计有人/无人机编队系统控制结构,其中,采用动态面控制方法设计有人机轨迹跟踪控制器,解决了反步控制中虚拟控制信号反复求导的问题;基于有限集中分布式编队控制策略设计无人机编队控制器,实现了多架无人机与有人机的协同编队飞行,并基于Lyapunov理论证明了控制器的稳定性。最后,针对三维空间下的有人/无人机编队进行仿真,仿真结果验证了所设计有人/无人机编队控制策略的有效性。     

非线性增益递归滑模动态面自适应NN控制

针对一类严反馈非线性不确定系统的跟踪控制问题,提出一种非线性增益递归滑模动态面 (Dynamic surface control, DSC)自适应控制方法. 通过设计一个新的非线性增益函数,并构造递归滑模动态面的控制策略和新的Lyapunov函数,同时利用神经网络在线逼近系统不确定项, 该方法有效解决了具有输入饱和约束条件下系统控制精度与动态品质间的矛盾,增强了控制器对其自身参数摄动的非脆弱性. 理论证明了闭环系统所有状态是半全局一致最终有界的,且跟踪误差可收敛至任意小.     

一类纯反馈非线性系统的简化自适应神经网络动态面控制

针对一类完全非仿射纯反馈非线性系统,提出一种简化的自适应神经网络动态面控制方法.基于隐函数定理和中值定理将未知非仿射输入函数进行分解,使其含有显式的控制输入;利用简化的神经网络逼近未知非线性函数,对于阶SISO纯反馈系统,仅一个参数需要更新;动态面控制可消除反推设计中由于对虚拟控制反复求导而导致的复杂性问题.通过Lyapunov稳定性定理证明了闭环系统的半全局稳定性,数值仿真验证了方法的有效性.     

非脆弱递归滑模动态面自适应神经网络控制

针对一类非匹配不确定非线性系统的跟踪控制问题, 提出了一种递归滑模动态面自适应控制算法. 采用神经网络(neural network, NN)在线逼近系统不确定项, 通过设计递归滑模动态面有效综合反推步骤中每步跟踪误差之间相互影响和制约的关系. 该方法避免了反推法存在的“微分爆炸”问题, 克服了传统动态面方法对其低通滤波器时间常数和神经网络自适应参数摄动脆弱的缺点. 稳定性分析证明了该方法能够保证闭环系统所有状态半全局一致最终有界, 且跟踪误差可以收敛至原点的任意小邻域.     

无人机自主性评价方法新进展

从哲学、技术两个角度,剖析了自主性内涵的演变。从作战使用、技术发展、科学量化3个方面分析了自主性评价的军事需求,并归纳了无人机自主性评价方法的国外研究新进展。基于评价对象、人机关系等方面得出对比分析结论。讨论了无人机自主性评价方法的发展趋势。     

执行器非线性超低空空投航迹倾角自适应控制

针对超低空空投下滑阶段执行器非线性、外界不确定性大气扰动以及模型存在未知非线性等因素干扰轨迹精确跟踪问题,提出一种鲁棒自适应神经网络动态面跟踪控制方法。建立了含执行器输入非线性的超低空空投载机纵向非线性模型,采用神经网络逼近模型中未知非线性函数,引入非线性鲁棒补偿项消除了执行器非线性建模误差和外界扰动。应用Lyapunov稳定性理论证明了闭环系统所有信号均是有界收敛的。仿真验证了所提方法既保证了轨迹跟踪的精确性又具有较强的鲁棒性。     

一种基于正交直线构造的摄像机畸变标定方法

提出了一种不需要利用共线特征点就可以消除非线性迭代优化过程中参数耦合问题的畸变参数标定方法,只需一幅图像即可获得高精度标定结果.首先设计了可避免非线性优化不稳定的畸变校正模型,然后直接利用4点求得的单应性矩阵并与另一点构建平面内正交线段,并结合对偶圆环点构造了正交代价函数.通过Nelder-Mead非线性单纯型法对正交代价函数中的畸变参数进行寻优,即可完成畸变参数的标定.仿真和实际图像实验表明了该方法的有效性.     

一种无参考运动模糊图像的质量评价方法

针对高动态环境下视觉导航系统的可靠性受到运动模糊制约,而现有的结构相似度算法（SSIM）对模糊图像评价不敏感的问题,提出了一种基于改进结构相似度的无参考运动模糊图像质量评价算法。首先,将原始运动模糊图像经过同运动方向的模糊算子生成再模糊图像;之后,将原始模糊图像与再模糊图像进行8×8分块,并在相应子块中找到边缘信息丰富的子块;然后,计算原始模糊图像和再模糊图像中对应边缘信息丰富子块的结构相似度;最后,通过边缘置信度对子块加权得到整幅图像的模糊评价指标。实验结果表明,此评价方法结果与主观评价结果具有较高的一致性,能够准确地对运动模糊图像进行评价。由于本方法能有效地优化边缘子块的权值,与传统的平均结构相似度（MSSIM）评价方法相比,具有更高的灵敏性。