摘要：用改进的反步控制(backstepping)和动态控制分配(dynamic control allocation,DCA)相结合的方法使某战斗机在不同的飞行条件下能够自适应地跟踪不同的指令。首先介绍了经典的李雅普诺夫方法以及经典的反步控制方法,然后提出了适用于一般飞控系统模型的改进反步控制方法,最后针对一般控制分配方法无法补偿忽略舵机动态的问题,介绍了一种动态控制分配方法,并将其成功应用于整个闭环系统的设计中。通过反步法保留了系统中稳定的非线性项,将不稳定的非线性项消去,又通过动态分配使忽略舵机惯性造成的影响最小。仿真结果表明所设计的闭环方案具有良好的响应特性,在不同的飞行条件下均可以实现对指令信号的良好跟踪,并具有一定的鲁棒性。

摘要：用改进的模型预测控制(model predictive control,MPC)和控制分配(control allocation,CA)相结合的方法解决了大型民机在遭遇不同阵风干扰下仍能够跟踪不同指令目标的问题。首先分别计算静态和动态可达指令集,然后针对最终实际可达的指令集,分别设计相应的稳态向量计算器和MPC控制器,而控制分配器将MPC输出的虚拟控制信号最终分配给各个舵面。该方法通过投影算法将原有指令信号进行两步过滤,将可达指令集不断缩小,从而减轻了原有在线优化计算的工作量。仿真结果表明用文中方法设计的闭环方案具有良好的响应特性,在阵风干扰下仍可以实现对指令信号的良好跟踪,并具有一定的鲁棒性。

摘要：以无人机失去推力后,如何使其跟踪一条给定下滑直线为研究背景,提出了一种跟踪下滑直线的自适应非线性制导方法。首先根据几何关系推导得到跟踪下滑直线的横纵向制导律,并证明了所得制导律的稳定性;然后考虑到无动力状态下横纵向制导之间的影响较为明显,为了提高系统的跟踪精度以及抗风扰动能力,将所得制导律转化为一个二阶黏滞阻尼振荡系统,从改善该振荡系统收敛速率的角度出发,设计了制导律的自适应方案。仿真结果表明,在无风和有风扰动的条件下,所提出的方法均可提高系统的跟踪精度。

摘要：飞行器高超声速定速巡航时,面临着严重的气动热弹性问题,同时系统伴有匹配不确定性、非匹配不确定性以及外界扰动的问题,为了应对上述问题,提出了一种指令滤波积分动态面Backstepping滑模控制方法,首先该方法采用指令滤波处理Backstepping的计算膨胀问题,然后引入滑模控制来解决外界扰动和匹配不确定性问题;考虑到降低滑模控制引起的抖动,同时处理非匹配不确定性问题,利用高阶滑模的思想,在每一个控制回路中增加一个附加虚拟控制状态方程,并将控制的输出作用在一个积分器上,这样不仅可以降低滑模控制器的抖动,还可以利用自适应Backstepping方法处理不匹配不确定性问题;然而引入附加控制状态方程会增加系统的阶次,这使得利用Backstepping方法设计控制器时的复杂性有所增加,为此采用动态面的方法来解决这一复杂性增加的问题。最后从整体上证明了所提方法的全局稳定性,并通过仿真实验验证了该方法的鲁棒性和有效性。

摘要：针对非线性动态逆控制在扰动影响下鲁棒性不足的问题,提出一种适用于工程的基于改进分段常数自适应动态逆控制方法,用于增强控制系统对干扰的鲁棒性以及提高控制响应的准确性。在扰动影响下对模型做出合理的分析;提出了适用于飞行控制系统的改进的分段常数自适应动态逆控制方法;证明了设计的控制器在扰动影响下的稳定性和动态特性,以及改进后的分段常数自适应的误差收敛范围;对飞机模型进行描述给出了符合实际战斗机控制需求的自适应动态逆角速度控制策略,并且基于改进后的方法设计控制律并在执行机构故障和重心突变扰动下进行仿真,对比验证了基于改进的分段常数自适应动态逆方法设计的控制器的鲁棒性和动态性能。结果表明基于改进的分段常数自适应动态逆控制具有鲁棒性强、控制精度高的特点。

摘要：线性系统存在随机偏差情况下,最优二步卡尔曼滤波(OTSKF)可以获得系统状态及偏差的最优估计。无迹卡尔曼滤波(UKF)利用Sigma点采样和UT变换技术经非线性系统传播状态的均值和方差,是一种典型的非线性滤波方法。飞行器是一种典型复杂非线性系统,将惯性测量单元(IMU)的故障作为一种随机偏差处理,建立了包含IMU故障的滤波模型。将UKF算法和二步滤波思想应用到飞行器之中,提出了一种适用于飞行器IMU故障诊断的最优二步无迹卡尔曼滤波(OTSUKF)算法。针对于飞行器,提出了一种滤波模型设计的方法。基于该模型,应用所提出的OTSUKF算法实现了飞行器状态的最优估计和IMU故障的辨识,该算法经过了实际飞行数据验证其对风扰动具有鲁棒性并且与已经被提出的迭代最优二步扩展卡尔曼滤波(IOTSEKF)方法进行了对比验证其最优性。

摘要：通过建立EGARCH-POT-Copula-CoVaR模型,本文分析了互联网金融业对于银行业、证券业和保险业的风险溢出效应。结果显示:第一,如果互联网金融业面临极端风险,其对于银行业、证券业和保险业均存在明显的风险溢出效应,平均溢出比例较高,并且平均溢出效应和平均溢出比例均是证券业最高、保险业次之、银行业最小;第二,在现实中的互联网金融业风险集中爆发时间段内,溢出效应绝对值均增大,但是溢出比例却呈现出差异性,其对于证券业溢出比例增大,而对于银行业和保险业反而减小;第三,互联网金融可能在一定程度上助涨了股市泡沫,监管当局需要严格防范互联网金融风险引发的股市危机。