基于四元数互补滤波的无人机姿态解算

针对无人机低成本姿态解算这一基本问题,考虑到传统姿态算法运算量大、不易调试,采用微惯性单元(MEMS)测量无人机原始姿态数据,采用基于四元数的互补滤波算法,有效降低姿态解算的运算量,实现MEMS各传感器的信息融合。从理论上证明了基于四元数的互补滤波器的稳定性,分析了滤波器的性能。采用无人机真实数据验证了算法的有效性,解算得到的俯仰角、滚转角精度小于1°,航向角精度小于2°。与传统姿态算法比较,本算法简单有效、运算量小、易于调试。     

基于自适应神经网络的非线性系统故障诊断

针对一类模型未知及状态不可测的非线性系统,提出了基于自适应神经网络的故障诊断策略,不仅在线估计神经网络的矩阵权重,而且在线估计高斯函数的宽度和中心。该方法对系统的未知非线性特性没有特别要求,仅对神经网络提出较弱的假设条件。首先利用径向基函数(Radial Basis Function,简称RBF)神经网络构造状态观测器,估计系统的状态。然后利用另一个自适应RBF神经网络作为故障估计器,其输入是系统的估计状态(而不是系统状态),其输出为系统所发生的故障模型。利用Lyapunov稳定理论详细分析了状态误差和故障误差的收敛性,分别给出了两个神经网络的参数调整律,仿真证明了该方法的实用性和有效性。     

一类M/G/1排队系统的最优控制

研究一类排队系统容量有限，服务规则是先到先服务的M／G／1排队系统．服务台在一定的顾客数目下启动，在系统空闲时关闭．采用补充变量法和L变换分析，得到了稳态条件下的概率母函数．采用N策略，研究了这类排队系统的最优控制策略，得到了一种最优控制方法．控制目标是根据系统的状态,动态地确定最优服务台启动策略以保证系统平均利润最大．通过给出的目标函数确定服务台启动的最佳顾客数，从而可以获得最优经济效益．     

基于自适应神经网络的歼击机模糊跟踪控制

提出了一种基于T-S模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,利用T-S模糊模型对系统的已知特性进行近似建模,设计基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.在模糊控制的基础上,引入了基于RBF神经网络的自适应控制,用于在线对消不确定项和模糊建模误差的影响,以保证系统具有期望的鲁棒H∞跟踪性能.所提出的方案保证了闭环系统的稳定性,有效地提高了系统的鲁棒性和跟踪性能.仿真实例表明了所提出方法的有效性.     

故障诊断专家系统知识获取的变精度粗集方法

针对故障诊断专家系统知识获取的问题，利用变精度粗集(VPRS)理论模型进行知识简化，并采用正则条件熵和互信息熵对故障特征的选择进行评价，实现最简诊断知识的提取，以建立专家系统知识库。对滚动轴承故障诊断的实验表明，该方法有效地弥补了传统故障诊断专家系统知识获取的不足，可正确地实现故障诊断功能，在实际系统的故障诊断中具有应用价值。     

网络控制系统的可镇定性和可检测性

基于线性时不变系统的被控对象，建立了控制器为事件驱动时长时延网络控制系统的数学模型，对网络控制系统的均值可镇定性、均方可镇定性、均值可检测性和均方可检测性作了定义，得到了网络控制系统可镇定、可检测的充要条件，最后以不稳定的倒立摆为对象进行了仿真研究．     

二次D稳定约束下不确定T-S模糊系统的L∞鲁棒可靠控制

针对一类受持续有界扰动的T-S不确定模糊系统,提出了考虑执行器故障的鲁棒可靠控制器设计方法。引入基于L_∞范数理论的鲁棒性能指标及二次D稳定的概念,给出了鲁棒可靠控制器存在的充分条件。通过求解线性矩阵不等式完成可靠控制器的设计,从而使系统即使在发生执行器故障的情况下仍能满足给定的L_∞性能指标,并且闭环系统二次D稳定。仿真实例表明了本方法的有效性。     

一类状态不可测非线性时滞系统的神经网络故障诊断

针对一类状态不可测的非线性时滞系统,提出了基于神经网络故障诊断的新方法.采用系统的状态和时滞状态的估计值作为神经网络的输入对故障进行估计.首先构造一种状态观测器结构,利用输出信息和神经网络的非线性逼近能力对系统不可测状态进行估计,然后对系统发生的故障用另一个RBF神经网络进行估计,故障估计器的输入为系统的当前估计状态以及时滞状态,所估计出的故障是随时间变化的非线性函数.基于Lyapunov理论,分析并证明了系统的稳定性和参数收敛性,同时作了仿真研究.仿真结果表明,该方法能够很好地解决一类状态不可测的非线性时滞系统的故障诊断问题.     

基于DRNN的机器人轨迹跟踪自适应控制

针对模型未知和动力学非线性机器人轨迹跟踪,提出了一种基于分布式动态回归神经网络（ＤＲＮＮ）的自适应控制方法．该方法在ＰＤ动态反馈控制的基础上,引入神经网络辨识器（ＮＮＩ）在线逼近对象的非线性动力学,并设计出神经网络自适应控制器（ＮＮＣ）来补偿机器人动力学非线性造成的误差．仿真结果表明该控制方案具有良好的跟踪性能和较强的鲁棒性．     

智能重构控制技术及其应用

重构控制已成为目前控制领域的研究热点和具有挑战性的课题。概述了重构控制发展的背景、现状及存在问题，通过分析得知，重构控制的智能化已成为该领域发展的重要方向，并进一步总结了目前若干具有代表性的智能重构控制方法，着重介绍了基于神经网络和模糊推理的智能故障诊断和智能重构控制方法。最后，展望了智能重构控制在飞行控制领域的应用前景