变体飞行器有限时间切换H∞跟踪控制

针对变体飞行器变形过程中的跟踪控制问题,基于切换线性变参数控制理论建立了变体飞行器模型。为了抑制变形过程中控制器切换和不确定性的影响,保证闭环系统有限时间有界同时满足指定的H_∞性能指标,基于模态依赖平均驻留时间方法和多Lyapunov函数方法,提出一种切换有限时间H_∞跟踪控制器的设计方法,并分析了系统的有限时间鲁棒稳定性,通过求解线性矩阵不等式得到控制器存在的充分条件。仿真结果表明,所提方法能够使飞行器系统准确跟踪指令,且对于控制器切换和不确定性具有鲁棒性,降低了控制器设计的保守性。     

机载摆扫式光谱仪高转速三面摆镜设计与优化

为满足机载摆扫式光谱仪在25Hz扫描频率下工作的要求,设计了具有三面反射镜的摆镜结构。首先,计算镜面反射区域面积与旋转轴偏离量的关系,通过比较摆镜布置不同数目反射镜时的性能,设计了围绕旋转轴布置三面反射镜的摆镜结构形式,通过600r/min的转速即可完成每分钟1 800次的高频摆扫;同时采用匀速摆扫的运动方式,降低了摆镜的控制难度,提高了系统的稳定性。然后,采用拓扑优化、集成优化等方法对摆镜结构进行了优化,摆镜最终质量为5.28kg,轻量化率达到58%。最后,通过有限元仿真计算得到:摆镜在机载平台600r/min转速离心力与1 g重力的作用下,面型精度RMS值优于λ/20,基频达到1 199Hz,具有较高的力学稳定性,满足机载摆扫式光谱仪的高扫描频率要求。     

面向目标检测的稀疏表示方法研究进展

目标检测作为图像理解的一个基础而重要的课题深受国内外学者的重视,在军事和民用中具有广泛应用.应用背景的多样性和复杂性使得传统目标检测算法难以克服复杂背景、噪声干扰、光照变化以及非刚体形变、遮挡、弱特征、尺度、视角和姿态变化等因素的影响.近些年来发展起来的稀疏表示方法为图像处理及目标检测研究提供了新的思路,本文概述了稀疏表示基本概念和理论研究进展,综述了稀疏表示方法在目标特征学习、目标分类器和滤波器设计以及多源信息融合目标检测等目标检测领域中的国内外重要研究进展,并展望了稀疏表示方法在目标检测领域的发展方向.     

基于飞行参数约束的湍流退化图像快速复原算法

为了克服盲目去卷积求解点扩展函数中由于点扩展函数大小的不确定性引起的复原图像的模糊和振铃现象,提出了一种基于飞行参数估计点扩展函数大小的湍流退化图像快速复原算法.利用飞行参数中飞行马赫数、高度、攻角等已知的先验条件来估计,最扩展函数大小,并建立了一个点扩展函数大小与飞行参数的函数表达式,解决了点扩展函数估计的盲目性,减少了估计时间,提高了退化图像复原校正的质量与速度.仿真试验结果表明:该方法对提高图像复原的速度与质量有明显效果.     

基于动态中继选择的无人机自组网协作接入协议

对无人机自组织网络中的协作机制进行了研究,提出一种基于动态中继选择的无人机自组网协作时分信道接入协议.该协议在传输中继数据包时引入了双队列协作机制,在网络层数据包缓存队列之外引入了独立的媒体接入控制(Media access control,MAC)层中继数据包缓存队列,并且能够实现默认中继节点与辅助中继节点的动态选择...     

仿真模型有效性定量确认方法

仿真模型有效性评估是当今国际仿真界研究的一个热点问题。它主要包括模型确认和模型验证两部分内容。本文综述了仿真模型确认方法，重点介绍了在工程上适用的仿真模型有效性评估的定量化确认的统计检验方法。最后用实例说明方法的使用情况。     

数字仿真发展趋势

数字仿真的发展,需要需求牵引和技术推动,显然,研究数字仿真发展趋势势必要从此出发;随着科技发展,数字仿真在深度和广度上需要相应做进一步扩展;仿真发展要与时俱进,必须搞好仿真现代化;为了持续发展数字仿真技术,必须增强仿真产业化的力度.21世纪将是仿真技术大有作为的好时机,仿真技术沿着以数字化、虚拟化、智能化、网络化、服务化和普适化为现代化特征的方向发展,必然能够持续创造一系列高新技术产业的仿真硕果,必然能够支持数字化制造业掀起第三次工业革命,必然能够进一步掀起复杂系统的面纱,必然能够安全而又经济有效地完成时代赋予仿真的使命.     

基于仿真的复杂系统研究

复杂系统是客观存在的,其复杂性和非线性,不仅使其成为一个反直观系统,而且也是进一步提高控制精确度的障碍,势必要深入研究复杂系统.目前,复杂系统的研究方法有二:①涌现,②控制.研究复杂系统大部分都用涌现的方法,而对于控制的方法实际上在人工智能技术问世的时候已经开始使用了,例如专家系统的实践,各种逻辑系统的仿真都是使用这种自下而上的方法完成的.如今,在复杂控制系统仿真得到广泛的应用.基于仿真的复杂系统研究正在掀开复杂系统的面纱,公开复杂系统的奥秘将是21世纪的重要任务之一.     

数据驱动的航天器故障诊断研究现状及挑战

总结了基于数据驱动的故障诊断技术理论、方法及其在航天器上的应用现状,指出其面临的挑战并提出一种解决方案。将基于数据驱动的故障诊断方法按照技术发展顺序分为基于传统机器学习的方法、基于深度学习的方法以及基于迁移学习的方法。基于传统机器学习的方法需要大量的人工参与和丰富的专家经验,在小样本数据上有着优异的性能,但不适合处理大数据。在大数据背景下,重点介绍了卷积神经网络、循环神经网络、深度自编码器以及深度信念网络的基本概念以及原理,对其在航天器故障诊断领域的研究现状进行了阐述和总结。针对深度学习严重依赖于带标签数据这一问题,介绍了基于迁移学习的故障诊断技术,并提出适应航天器应用的场景,为数据驱动的故障诊断技术工程应用提供了一种方法和思路。