摘要：针对多颗微小卫星合作接管失效卫星姿态运动的问题,研究了考虑微小卫星控制约束的多星合作博弈策略学习与协同控制方法。首先,建立了微小卫星合作博弈模型,给出了能够处理微小卫星控制约束的多星合作博弈帕累托最优策略显式表达式。其次,针对微小卫星合作博弈策略学习需求,通过过去与当前时刻数据的并行使用,设计了基于并行学习的策略迭代方法,该方法放松了神经网络(NN)权值矢量学习对持续激励条件的要求。给出了为确保神经网络权值矢量估值收敛,所使用的过去时刻数据所需满足的条件,并通过Lyapunov方法分析了神经网络权值矢量估计误差的一致最终有界性。之后,采用并行学习策略迭代方法进行了微小卫星合作博弈帕累托最优策略数值解的逼近。所获得的合作博弈策略具有反馈控制形式,在进行神经网络权值矢量学习后,各微小卫星能够通过合作博弈策略的独立计算实现失效卫星姿态运动接管过程中的闭环协同控制。所设计方法避免了传统姿态控制方法所需进行的力矩分配,消除了微小卫星数量对其控制计算复杂度的影响。最后,通过数值仿真对所设计方法的有效性进行了验证。

摘要：针对弹道导弹大机动突防后精确制导面临的落点预测需求,提出了一种基于改进二阶优化器学习的神经网络落点预测方法。基于椭圆弹道理论对当前飞行状态的落点进行预测,再求解与真实落点的偏差,并对偏差量进行解耦处理,进而构建了以飞行状态量为输入、以偏差量为输出的样本集,大幅降低了神经网络学习难度。为提高神经网络预测精度,采用3个神经网络分别预测偏差量的3个分量;利用矩阵分块运算法则建立了适用于多GPU并行的改进Levenberg-Marquardt优化器,缩短了网络学习时间且降低了对GPU显存的需求量。设计了详细的仿真实验对该方法的优势和计算复杂度进行了分析,仿真结果表明,落点预测模型的学习难度小,预测精度高,实时性好。在训练集和测试集所含869320个样本中,3σ预测误差为4.97m;在含2块GPU的学习环境中,学习耗时缩短约49.18%;在STM32F407单片机上,落点预测耗时为2.585 ms,能够为制导算法设计提供支撑,具有一定的工程应用价值。

摘要：针对多操纵面飞机执行机构多发、频发故障的严峻问题,提出了一种鲁棒自适应故障估计方法,以得到精确故障信息。通过低通滤波,结合并行学习技术,引入了一组系统变量的滤波变量;基于上述滤波变量,构建了故障估计直接误差向量,进而设计了鲁棒自适应故障估计器;基于Lyapunov稳定性理论证明了所设计估计器的收敛性和鲁棒性。以ADMIRE飞机为对象,在无/有扰动两种仿真情形下,所提方法对单个故障的估计时间为1.6 s,对并发故障的估计时间为3 s,验证了本设计故障估计方法的鲁棒性和快速性。

摘要：针对车辆行驶过程中的特性参数估计问题,基于并行学习思想提出一种鲁棒自适应参数估计方法。通过低通滤波技术,设计一组系统状态和响应函数的一阶滤波变量。结合并行学习,构建特性参数估计的回归向量,并基于参数估计误差向量,设计鲁棒自适应参数更新律。以某型车辆为例,对该方法的有效性进行仿真验证。仿真结果表明,在无/有扰动情形下,该方法均能对车辆质量、粘性摩擦系数、轮胎滚动摩擦系数和空气阻力系数实现良好估计,且能在3 s内实现估计参数的有效收敛,与传统RLS方法相比具有收敛速度快、误差小的特点。

摘要：针对目标捕获后空间机器人的机械臂反作用力对其基座的姿态扰动问题,提出了一种自适应零反作用控制方案。首先,针对目标捕获带来的动力学不确定性,设计了一种激励矩阵调节的固定时间并行学习算法。该算法可在放松持续激励条件的同时,使参数估计的收敛率与回归通道中未知的激励水平无关,因此不同量级惯性参数的估计可在相近时间内收敛。此外,通过分别设计基座姿态控制器与机械臂轨迹跟踪控制器提出了一种具有输入扰动补偿的有限时间零反作用控制方法,能够在机械臂跟踪末端期望位姿轨迹的同时维持基座姿态的稳定性。仿真结果验证了该方案的有效性。

摘要：针对超低轨道卫星在轨运行时存在强烈大气阻力力矩以及姿态控制执行机构故障的情况,基于并行学习策略理论,提出了一种估计与补偿干扰和故障的方法。首先,作为参数辨识的一种思路,并行学习自适应辨识策略被引入到干扰及故障估计问题中,相较传统的观测器,该策略可将干扰和故障同时分别估计,并放松了对实时姿态信息及指令力矩信息的需求。然后,利用上述估计值设计姿态控制器以保证干扰及故障情况下实现卫星的高精度姿态控制。最后,通过对具体的任务过程进行数值模拟,验证了所提方法的有效性。

摘要：为了解决支持向量机算法在大样本处理的"过学习"现象,文章设计出在并行系统中使用的多分类器支持向量机算法,应用多支持向量机分类器系统代替单一分类器,解决了大样本数据集上学习内存开销大、训练速度慢的缺点;同时,提出了一种自组织选择性融合算法,根据终止法则找到最优复杂度的融合模型,自主更新各分类器并调整其分类性能,把各分类器的分类结果融合为最终的分类,有效解决了大样本多分类器融合受子样本分布状态影响、各分类器学习能力相差过大的缺点,从而提高了训练效率和分类效率。

摘要：依靠车辆自动驾驶系统快速与高效的环境感知能力,可有效减少人为操控失误、降低交通事故发生率。针对自动驾驶车辆在车体和路况信息等参数估计过程中存在的时间延迟、误差较大的问题,提出一种考虑有限时间的自动驾驶车辆行进参数估计方法。首先通过构建辨识参数的仿射参数模型,推导了参数估计误差向量,并基于有限时间收敛理论设计了自适应参数更新律。同时,采用并行学习技术,对参数收敛过程的持续激励条件进行优化,从而简化估计过程,以期降低系统运行成本和响应时间。最后,利用所设计的车辆参数估计方法对车辆参数、路面状况等指标进行仿真验证。仿真结果表明,较之现有方法,所提方法能够实现快速地参数收敛,且收敛结果稳定、准确可靠。