磁场信号检测误差分析及补偿算法

针对载体自身磁场特性及三轴磁传感器误差特性建立了地磁导航干扰误差补偿模型,通过对模型进行简化变形,利用系统辨识的最小二乘估计算法(LS)求取误差特性参数.数据分析表明:该方法简单易实现,简化了复杂的求解过程,基本达到了误差补偿的要求.     

改进BP网络在航材需求预测中的应用

针对航材备件需求预测问题,在对影响航材备件需求量的多个因素进行分析研究的基础上,运用改进BP神经网络算法进行预测的仿真实验。实验结果表明,改进BP神经网络能够对积累的历史数据进行充分的应用,并且有较高的预测准确性。     

基于Fisher 准则和最大熵原理的SVM核参数选择方法

针对支持向量机(SVM)核参数选择困难的问题,提出一种基于Fisher准则和最大熵原理的SVM核参数优选方法.首先,从SVM分类器原理出发,提出SVM核参数优劣的衡量标准;然后,根据此标准利用Fisher准则来优选SVM核参数,并引入最大熵原理进一步调整算法的优选性能.整个模型采用粒子群优化算法(PSO)进行参数寻优.UCI标准数据集实验表明了所提方法具有良好的参数选择效果,优选出的核参数能够使SVM具有较高的泛化性能.     

一种基于灰色系统理论的控制系统参数辨识算法的仿真研究

灰色预测补偿是一种对灰色系统进行白化的算法,该算法需要的信息少、计算量小。它可以克服常规PID控制存在超调的缺点。根据灰色PID控制算法,对系统不确定部分建立灰色模型,进行灰色预测补偿。通过仿真研究,该算法具有较强的鲁棒性,可以提高控制质量,减小控制系统的误差。     

基于项目驱动的合作学习在“信息系统原理与工程”课程教学中的应用

通过分析“信息系统原理与工程”课程实施过程中的若干不足,提出了基于项目驱动的合作学习方法,并详细介绍了该方法的具体实施过程和若干注意事项。实践证明该方法在提高学员自主性和创造性,增加学员开发能力方面效果显著。     

攻击时间控制的动态逆三维制导律

为使导弹按照指定的攻击时间攻击目标,在俯仰通道采用增广比例导引,而在偏航通道采用机动控制,该机动控制的作用为调整导弹的攻击时间使其趋于标称值.用剩余时间误差来表示当前剩余时间和标称剩余时间的差值,这里的当前剩余时间按照当前时刻弹目距离与速度的比值来计算.由弹目相对运动关系可知,偏航通道的控制量通过前置角间接控制当前时刻的弹目距离,因此,该控制量通过前置角间接控制剩余时间误差.对此控制系统,采用时标分离的方法设计了期望的慢子系统和快子系统,对这两个子系统分别进行动态逆控制设计,得到了导弹偏航通道的机动控制指令.仿真结果表明,这种制导方法最终使剩余时间误差趋于0,实现了导弹的攻击时间控制,并在导引后期能够获得直线弹道.     

矿井通风非线性网络建模与控制器设计

矿井通风系统是矿井安全生产的重要组成部分,为了解决因通风网络控制和设计不当而引起的瓦斯爆炸等问题,根据通风网络分支间流量和压力相互影响的动力学特性,利用电路Kirchhoff电流电压定律、图论原理和每一分支的流体动力学方程(微分方程),建立了矿井通风网络的多变量非线性全阶和降阶模型,其中分支的模型利用不可压缩的Navier-Stokes方程为集中参数逼近来建立,然后基于反馈线性化进行非线性控制器设计.建立的非线性模型反映了矿井通风流体运动的非线性本质,克服了流体运动的非稳定性.仿真结果表明,设计的控制器能使通风流量和压力可以快速地收敛于其参考值,风量控制准确率除了分支1为98.11%,其它均超过99%,实现矿井通风的精确控制.     

基于集散式模型预测控制的多无人机协同分区搜索

针对多无人机在对大范围目标区域执行协同搜索任务时搜索资源分配不均、容易因频繁转场造成资源浪费等问题,借鉴集中式控制和分布式控制结构的优点,建立了集散式多无人机(unmanned aerial vehicle,UAV)协同搜索结构体系,通过聚类分析和V图划分等方法对目标区域进行分区,结合各子区域任务特点对无人机群进行搜索任务分配,并采用一种经改进后可有效增大UAV预测范围的预测控制模型,研究了动态环境下多UAV集散式协同分区搜索问题,最后,将所提方法与常见几种协同搜索方法进行对比仿真,获取仿真结果验证了所提方法在目标发现概率和搜索效率方面的有效性和优越性.     

地磁辅助惯性组合导航技术分析

从地磁导航的特点出发,指出了地磁／惯性组合导航在未来发展中的优势,并对实现该种组合导航需要的技术手段做了全面的分析,包括：信息融合策略、高精度地磁场模型的构建方式以及滤波算法的设计。同时,阐述了其中的改进方向,为进一步提高该种组合导航性能提供思路。     

基于改进LS-SVR的超磁致伸缩作动器模型辨识

提出了基于遗忘因子矩形窗的最小二乘支持向量机回归( LS - SVR)方法.该方法先将矩形窗方法与传统的LSSVR相结合,用有限个过去的数据做LS - SVR的样本,随着时间增加不断在样本中丢弃旧数据加入新数据,保持样本总数不变;然后在此基础上添加了遗忘因子,在丢弃旧样本的同时兼顾了历史数据的影响.改进后的LS - SVR方法提高了运算速度,同时也提高了辨识的精度.通过仿真实例验证了该方法的有效性和可行性.将此方法应用到超磁致伸缩作动器的在线模型辨识上,取得了较好的辨识结果.