CN106651090A - 一种归一化的人机系统飞行品质预测方法 - Google Patents
一种归一化的人机系统飞行品质预测方法 Download PDFInfo
- Publication number
- CN106651090A CN106651090A CN201610832892.0A CN201610832892A CN106651090A CN 106651090 A CN106651090 A CN 106651090A CN 201610832892 A CN201610832892 A CN 201610832892A CN 106651090 A CN106651090 A CN 106651090A
- Authority
- CN
- China
- Prior art keywords
- noise
- vector
- flight quality
- model
- quality prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000003190 augmentative effect Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 abstract 1
- 239000000243 solution Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种归一化的人机系统飞行品质预测方法，属于飞行器设计技术领域。所述方法包括构建增广被控对象、构建飞行员最优控制模型指标函数、计算飞行员最优控制增益、求解观测噪声方差和操纵噪声方差、计算指标函数J、进行寻优计算直至找到令J取得最小值的加权系数、进行人机系统飞行品质预测模型拟合以及最后进行飞行品质预测的步骤。本发明提供统一的飞行品质预测标准模型，避免了原始模型系数A和B的多样性，可以形成归一化的飞行品质预测模型，有利于模型推广使用，一定程度上降低了指标函数加权系数对模型评估的影响。
Description
技术领域
本发明属于飞行器设计技术领域，具体涉及一种归一化的人机系统飞行品质预测方法。
背景技术
利用飞机驾驶员模型开展模拟飞行员主观评价的飞行品质预测，一直是国内外学者努力追求的目标。其中基于驾驶员最优控制模型(Optimal control pilot model,OCM)开展飞行品质预测是其中的方法之一。当前基于驾驶员最优控制模型模拟飞行员开展飞行品质预测存在的主要问题之一就是评估模型同一化问题。目前飞行品质预测模型同时受指标函数、任务驱动函数和加权系数影响，在拟合中易产生结果迥异的数学表达式，如文献[David K.Schmidt.Optimal Flight Control Synthesis via Pilot Modeling[J].Journal of Guidance and Control,1978,2(4):308-312]提供的飞行品质预测模型为
PR＝2.5+ln(10JPR)+0.3
而文献[Craig R.Edkins.The Prediction of Pilot Opinion Ratings UsingOptimal and Sub-optimal Pilot Models[R].AD-A278629,1994,3]提供的预测模型为
由此可以见，即使在计算中取得了相同指标函数JPR，按照现有技术也无法获得一致的飞行品质预测结果。为此，需要提供一种新的归一化的人机系统飞行品质预测模型解决上述问题。
发明内容
本发明提供一种归一化的人机系统飞行品质预测方法，所述方法基于加权系数选择原则和指标函数计算原则对加权系数进行选择，然后进行人机系统飞行品质预测。
所述的归一化的人机系统飞行品质预测方法，具体包括如下步骤：
第一步，构建增广被控对象。
第二步，根据飞行任务，构建飞行员最优控制模型指标函数，给定初始加权系数值。
第三步，计算飞行员最优控制增益。
第四步，求解观测噪声方差和操纵噪声方差，计算Kalman滤波增益。
第五步，计算指标函数J。
第六步，以指标函数J为目标函数，以加权系数为自变量，进行寻优计算，直至找到令J取得最小值的加权系数。
第七步，根据最优注意力分配加权系数，计算指标函数，进行人机系统飞行品质预测模型拟合。
根据飞行试验结果对形如下式的飞行品质预测模型进行拟合。
其中的参数A和B为模型系数，采用现有飞行品质试验数据拟合得到。
第八步，采用上述模型进行飞行品质预测。
本发明的优点在于：
(1)对原始基于驾驶员最优控制模型的人机系统飞行品质预测模型进行了改进，一定程度上降低了指标函数加权系数对模型评估的影响。
(2)采用本发明评估模型，在试验数据拟合中可以获得更为一致的模型参数A和B，由此在充足的试验数据支持下，可以提供统一的飞行品质预测标准模型，避免了原始模型系数A和B的多样性，可以形成归一化的飞行品质预测模型，有利于模型推广使用。
附图说明
图1是本发明的一种归一化的人机系统飞行品质预测方法流程图。
图2为实施例飞行品质预测比较图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提供一种归一化的人机系统飞行品质预测方法，所述方法基于加权系数选择原则和指标函数计算原则对加权系数进行选择，然后进行人机系统飞行品质预测。所述的加权系数选择原则是指：飞行员可以最优的调节注意力分配使跟踪误差和体力负荷最小。即驾驶员模型应该最优的分配加权系数使跟踪误差和体力负荷最小。
所述的指标函数计算原则是指：驾驶员评分指标函数，应同时体现脑力负荷、体力负荷以及操纵效果。尽量排除加权系数变化和驱动函数设置影响。
本发明提供一种归一化的人机系统飞行品质预测方法，以单通道跟踪任务为例，结合图1所示流程，包括如下实施步骤：
步骤一：构建形如下式的增广被控对象：
其中，xs是带有延迟的增广状态向量，为xs的一阶导数，As、Bs、Cs、Ds、Es是增广系数矩阵，up是飞行员操纵量，y是输出状态量，w是外界扰动向量。 Cs＝[C DCd]，Cs＝[C DCd]，Ds＝D，x为飞机小扰动方程状态向量，xd为带有时间延迟的增广状态向量，Ad、Bd、Cd分别为带有时间延迟的增广系数矩阵。A、B、C、D、E分别为飞机小扰动状态方程特性系数矩阵。
飞行员实际感知向量yobs为
yobs＝Csxs+Dsup+vy (2)
其中，vy是与近期观测历史有关的感知噪声，采用高斯白噪声建模。观测噪声强度Vy为：
其中，ρy是感知噪声信噪比，典型单轴跟踪任务中感知噪声信噪比ρy通常为0.01，对应信噪比为-20dB，fy是注意力分配系数。为观测噪声方差。
步骤二，根据飞行任务，构建驾驶员最优控制模型指标函数，给定初始加权系数值Qy和ru。
采用二次指标函数形式构建驾驶员最优控制模型指标函数如下：
其中，Qy≥0,ru≥0,f≥0分别是指标函数的加权系数，它们反映了飞行员对信息观察、油门杆、驾驶杆、操纵速率等不同驾驶要素的重视程度，Qy是观察向量加权系数，ru是操纵向量加权系数，f是操纵速率加权系数。其中，f的选择依赖于给定的神经动力延迟常数Tn。飞行员参数根据指标函数和飞行员生理参数确定。是up的一阶导数，E∞是指标函数稳态期望值。
步骤三，计算飞行员最优控制增益。
可以通过最优控制理论得到控制关系为：
其中，是带有操纵量的状态向量X的估计值，是飞行员最优操纵量，Gp是调节器增益向量，K是由下列Riccati方程确定的唯一解
0＝(Ao)TK+KAo+Qo-KBof-1(Bo)TK (6)
其中
将X＝[xs up]T＝[x xd up]T代入(5)式，则
其中Gn是状态向量估计值增益向量，Gn1是的增益向量。令
则
Ip即为飞行员最优控制增益。因此，(8)式可写为
令引入操纵噪声vu，则，
其中vu是强度为Vu的零均值高斯白噪声。其中ρu是操纵噪声信噪比系数，是操纵噪声方差。
步骤四：循环迭代求解观测噪声方差和操纵噪声方差，计算Kalman滤波增益。
联立(1)和(12)式得到
其中， 为状态向量X的一阶导数， C1＝[C DCd D]，w为外界扰动向量，vu为操纵噪声，vy为观测噪声。
上式中状态向量X的估计值可以由Kalman滤波得到，其中滤波增益：
F＝Σ1(C1)T(Vy)-1 (14)
其中估计误差矩阵Σ1是由下列Riccati方程确定的唯一解：
0＝A1Σ1+Σ1(A1)T+W1-Σ1(C1)T(Vy)-1(C1)Σ1 (15)
其中W1＝diag(W,Vu)，W为外界扰动强度，Vu为操纵噪声强度。带有状态估计的人机闭环状态方程为
其中I1＝[Ip,0]，Cδ＝[0 Cd 1]，F为Kalman滤波增益矩阵，δ为飞机舵面偏转量。
协方差矩阵Xcov是下列Lyapunov方程的解
其中Qlyp＝diag(Vw,Vy,Vu)，Vy是观测噪声强度。
则，输出协方差矩阵，
由此得到观测噪声方差和操纵噪声方差分别为：
这样对于给定初始观测噪声强度Vy和操纵噪声强度Vu值，可以分别得到一个和并可以计算得到信噪比系数ρy和ρu，由此可以形成循环迭代计算，直到信噪比满足ρy＝0.01和ρu＝0.003为止。同时，迭代结束后可以得到Kalman滤波增益。
步骤五：计算指标函数J：
其中，Je＝Ycov(1,1)，Ju＝Ycov(2,2)，row_u＝row_X-row_x-row_xd，row_X是向量X的行数，row_x是向量x的行数，row_xd是向量xd的行数。
步骤六：根据最优注意力分配假设计算加权系数。
根据加权系数选取原则和指标函数计算原则假设，飞行员可以最优的对注意力分配，使指标函数最小。由此，设定不同Qy和ru，可以通过寻优算法直到指标函数J取得最小值。由此确定了OCM模型加权系数Qy和ru。
步骤七：根据最优注意力分配加权系数，进行人机系统飞行品质预测。
根据飞行试验结果对形如下式的飞行品质预测模型进行拟合。
其中的参数A和B为模型系数，采用现有飞行试验数据拟合计算得到。如果采用参考文献[Edkins C R.The prediction of pilot opinion ratings using optimal andsub-optimal pilot models[R].AD-A278629，1994，3]中的飞行数据，可以得到参数数值为A＝90.51，B＝97.08。
值得注意的是，本发明提供了一种进行飞行品质预测的方法和飞行品质预测函数形式，其中参数A、B将随着飞行试验样本的增加而趋于准确。上述A、B参数值。不代表本发明的详细要求。
步骤八：采用上述模型进行飞行品质预测。
实施例
对以往驾驶员人机闭环飞行品质评价试验进行人机闭环仿真再现，对比传统基于驾驶员最优控制模型评估结果，如果按照本发明方法获得评估结果更为准确，则说明了本发明正确性。采用文献[Edkins C R.The prediction of pilot opinion ratings usingoptimal and sub-optimal pilot models[R].AD-A278629，1994，3]飞行试验数据进行比对，试验飞行器纵向动力学特性如表1所示。
表1 待评价对象的飞行器纵向动力学特性参数值
| 待评价对象 | k | a1 | a2 | b1 | b2 | b3 | τD |
| 1 | 20 | 1 | 1.8 | 1 | 8.4 | 36 | 0.04 |
| 2 | 20 | 1 | 1.8 | 1 | 4.8 | 36 | 0.04 |
| 3 | 20 | 1 | 1.8 | 1 | 8.4 | 36 | 0.24 |
| 4 | 20 | 1 | 1.8 | 1 | 4.8 | 36 | 0.24 |
| 5 | 20 | 0 | 5 | 0 | 1 | 100 | 0 |
| 6 | 20 | 1 | 1.25 | 1 | 8 | 25 | 0.33 |
| 7 | 20 | 1 | 1.25 | 1 | 8 | 25 | 0.2 |
| 8 | 20 | 1 | 1.25 | 1 | 1.8 | 25 | 0.33 |
| 9 | 20 | 1 | 1.25 | 1 | 1.8 | 25 | 0.2 |
其中，θ为飞机俯仰姿态角，δe为驾驶杆操纵量，k、a1、a2、b1、b2、b3、τD是纵向动态特性参数，按表1中取值，可以得到飞行品质显著不同的9种待评价对象。
下面按照步骤二，建立指标函数如下，这一指标函数包含了飞机响应、飞行员操纵量和操纵速率。
确定模型参数如表2所示。其中观测向量加权系数Qy＝7.2和操纵加权系数ru＝32.5为原始参考文献应用OCM评分时的取值。
表2 OCM模型参数
而后，按照步骤三到步骤六，采用寻优算法，计算得到最优的注意力分配和指标函数结果以及预测的飞行员评分如表3所示。其中带宽均方误差幅值为Q/R为按本发明方法计算得到的观察加权系数与操纵加权系数比值、f是操纵速率加权系数、PRtest是飞行试验真实驾驶员评分、PRpre是按本发明计算得到的预测评分、OCM是原始参考文献按照原始加权系数得到的飞行品质预测评分
表3 采用本发明方法得到的飞行品质预测评分
| case | Q/R | f | J | PRtest | PRpre | OCM |
| 1 | 0.02645 | 0.006915561 | 0.1238499 | 1-2 | 2.4465 | 3.8 |
| 2 | 0.02605 | 0.006843557 | 0.1253448 | 2-3 | 2.9524 | 3.4 |
| 3 | 0.02468 | 0.006829771 | 0.1262538 | 4 | 3.2570 | 4.3 |
| 4 | 0.02523 | 0.006900134 | 0.1256869 | 4-5 | 3.0673 | 4.5 |
| 5 | 0.01962 | 0.006880264 | 0.1226397 | 2 | 2.0325 | 1.9 |
| 6 | 0.02026 | 0.006901263 | 0.1256827 | 3 | 3.0659 | 3 |
| 7 | 0.02097 | 0.0069047 | 0.1290369 | 4 | 4.1764 | 3.9 |
| 8 | 0.02147 | 0.00698524 | 0.1311418 | 4 | 4.8586 | 4.4 |
| 9 | 0.02208 | 0.006990307 | 0.1336044 | 6 | 5.6430 | 4.9 |
比较本发明方法的评分结果和原始OCM结果如图2所示，可见两种方法都对飞行品质进行了有效预测。为进一步比较二者差异，按下式计算并比较总的拟合评分回归模型剩余标准差：
得到原始OCM模型剩余标准差为0.9177。按本发明得到剩余标准差为0.7154。因此本发明飞行品质预测结果更为准确。可以证明本发明方法是合理和正确的。
Claims (4)
1.一种归一化的人机系统飞行品质预测方法，其特征在于：具体包括如下步骤，
第一步，构建增广被控对象；
其中，xs是带有延迟的增广状态向量，为xs的一阶导数，As、Bs、Cs、Ds、Es是增广系数矩阵，up是飞行员操纵量，y是输出状态量，w是外界扰动向量。 Cs＝[C DCd]，Cs＝[C DCd]，Ds＝D，x为飞机小扰动方程状态向量，xd为带有时间延迟的增广状态向量，Ad、Bd、Cd分别为带有时间延迟的增广系数矩阵，A、B、C、D、E分别为飞机小扰动状态方程特性系数矩阵；
飞行员实际感知向量yobs为
yobs＝Csxs+Dsup+vy (2)
其中，vy是观测噪声，观测噪声强度Vy为：
其中，ρy是感知噪声信噪比，fy是注意力分配系数，为观测噪声方差；
第二步，根据飞行任务，构建飞行员最优控制模型指标函数，给定初始加权系数值Qy和ru；
第三步，计算飞行员最优控制增益；
第四步，求解观测噪声方差和操纵噪声方差，计算Kalman滤波增益；
第五步，计算指标函数J；
第六步，以指标函数J为目标函数，以加权系数为自变量，进行寻优计算，直至找到令J取得最小值的加权系数；
第七步，根据最优注意力分配加权系数，计算指标函数，进行人机系统飞行品质预测模型拟合；
根据飞行试验结果对形如下式的飞行品质预测模型进行拟合：
其中的参数A和B为模型系数，采用现有飞行品质试验数据拟合得到，
第八步，采用上述模型进行飞行品质预测。
2.根据权利要求1所述的一种归一化的人机系统飞行品质预测方法，其特征在于：第三步中所述的计算飞行员最优控制增益，具体为：
通过最优控制理论得到控制关系为：
其中，是带有操纵量的状态向量X的估计值，是飞行员最优操纵量，Gp是调节器增益向量，K是由下列Riccati方程确定的唯一解
0＝(Ao)TK+KAo+Qo-KBof-1(Bo)TK (6)
其中
将X＝[xs up]T＝[x xd up]T代入(5)式，则
其中Gn是状态向量估计值增益向量，Gn1是的增益向量；令
则
Ip即为飞行员最优控制增益，因此，式(8)写为
令引入操纵噪声vu，则，
其中vu是强度为Vu的零均值高斯白噪声，其中ρu是操纵噪声信噪比系数，是操纵噪声方差。
3.根据权利要求1或2所述的一种归一化的人机系统飞行品质预测方法，其特征在于：第四步具体为：
联立(1)和(12)式得到：
其中， 为状态向量X的一阶导数， C1＝[C DCd D]，w为外界扰动向量，vu为操纵噪声，vy为观测噪声；
上式中状态向量X的估计值由Kalman滤波得到，其中滤波增益：
F＝Σ1(C1)T(Vy)-1 (14)
其中估计误差矩阵Σ1是由下列Riccati方程确定的唯一解：
0＝A1Σ1+Σ1(A1)T+W1-Σ1(C1)T(Vy)-1(C1)Σ1 (15)
其中W1＝diag(W,Vu)，W为外界扰动强度，Vu为操纵噪声强度。带有状态估计的人机闭环状态方程为：
其中I1＝[Ip,0]，Cδ＝[0 Cd 1]，F为Kalman滤波增益矩阵，δ为飞机舵面偏转量；
协方差矩阵Xcov是下列Lyapunov方程的解，
其中Qlyp＝diag(Vw,Vy,Vu)，Vy是观测噪声强度；
则，输出协方差矩阵，
由此得到观测噪声方差和操纵噪声方差分别为：
4.根据权利要求1所述的一种归一化的人机系统飞行品质预测方法，其特征在于：第五步中所述的指标函数J：
其中，Je＝Ycov(1,1)，Ju＝Ycov(2,2)，row_u＝row_X-row_x-row_xd，row_X是向量X的行数，row_x是向量x的行数，row_xd是向量xd的行数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610832892.0A CN106651090B (zh) | 2016-09-20 | 2016-09-20 | 一种归一化的人机系统飞行品质预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610832892.0A CN106651090B (zh) | 2016-09-20 | 2016-09-20 | 一种归一化的人机系统飞行品质预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106651090A true CN106651090A (zh) | 2017-05-10 |
| CN106651090B CN106651090B (zh) | 2020-06-23 |
Family
ID=58852353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610832892.0A Active CN106651090B (zh) | 2016-09-20 | 2016-09-20 | 一种归一化的人机系统飞行品质预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106651090B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109683473A (zh) * | 2018-10-26 | 2019-04-26 | 中国飞行试验研究院 | 一种综合性人机闭环系统建模及验证方法 |
| CN110376886A (zh) * | 2019-07-09 | 2019-10-25 | 东南大学 | 一种基于扩张状态卡尔曼滤波器的模型预测控制算法 |
| CN113344425A (zh) * | 2021-06-28 | 2021-09-03 | 北京航空航天大学 | 一种基于qar数据的飞行品质监控方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105372994A (zh) * | 2015-12-10 | 2016-03-02 | 中国人民解放军海军航空工程学院 | 一种基于鲁棒自适应最优控制的飞行员操纵行为描述方法 |
| CN105404152A (zh) * | 2015-12-10 | 2016-03-16 | 中国人民解放军海军航空工程学院 | 一种模拟飞行员主观评价的飞行品质预测方法 |
-
2016
- 2016-09-20 CN CN201610832892.0A patent/CN106651090B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105372994A (zh) * | 2015-12-10 | 2016-03-02 | 中国人民解放军海军航空工程学院 | 一种基于鲁棒自适应最优控制的飞行员操纵行为描述方法 |
| CN105404152A (zh) * | 2015-12-10 | 2016-03-16 | 中国人民解放军海军航空工程学院 | 一种模拟飞行员主观评价的飞行品质预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘嘉 等: "自适应飞机驾驶员最优控制模型研究及应用", 《航空学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109683473A (zh) * | 2018-10-26 | 2019-04-26 | 中国飞行试验研究院 | 一种综合性人机闭环系统建模及验证方法 |
| CN109683473B (zh) * | 2018-10-26 | 2021-12-24 | 中国飞行试验研究院 | 一种综合性人机闭环系统建模及验证方法 |
| CN110376886A (zh) * | 2019-07-09 | 2019-10-25 | 东南大学 | 一种基于扩张状态卡尔曼滤波器的模型预测控制算法 |
| CN110376886B (zh) * | 2019-07-09 | 2022-05-10 | 东南大学 | 一种基于扩张状态卡尔曼滤波器的模型预测控制算法 |
| CN113344425A (zh) * | 2021-06-28 | 2021-09-03 | 北京航空航天大学 | 一种基于qar数据的飞行品质监控方法及系统 |
| CN113344425B (zh) * | 2021-06-28 | 2023-04-07 | 北京航空航天大学 | 一种基于qar数据的飞行品质监控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106651090B (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105404152B (zh) | 一种模拟飞行员主观评价的飞行品质预测方法 | |
| CN105867119B (zh) | 一种采用保护映射理论的空天飞行器大包线切换控制方法 | |
| CN106651090B (zh) | 一种归一化的人机系统飞行品质预测方法 | |
| CN105372994B (zh) | 一种基于鲁棒自适应最优控制的飞行员操纵行为描述方法 | |
| CN101807046B (zh) | 一种基于结构可调极限学习机的在线建模方法 | |
| CN114819068A (zh) | 一种混合型目标航迹预测方法及系统 | |
| CN106444375B (zh) | 一种驾驶员最优控制模型加权系数计算方法 | |
| CN103809446B (zh) | 飞行器多回路模型簇颤振抑制复合频率鲁棒控制器设计方法 | |
| Biannic et al. | Surrogate models for aircraft flight control: some off-line and embedded applications | |
| Evdokimenkov et al. | The use of the neural network model of pilot control actions for their individually-adapted support | |
| CN106647327B (zh) | 基于虚拟飞行经验的着舰指挥员纵向强制指令建模方法 | |
| Ahmad et al. | Non-linear modelling of a one-degree-of-freedom twin-rotor multi-input multi-output system using radial basis function networks | |
| CN103777523B (zh) | 飞行器多回路模型簇复合pid鲁棒控制器设计方法 | |
| Sun et al. | Robust adaptive fault estimation for a commercial aircraft oscillatory fault scenario | |
| CN115018074A (zh) | 基于多层次模糊分支结构动态优化的飞行员决策推演方法 | |
| CN103809444B (zh) | 飞行器多回路模型簇人机闭环pid鲁棒控制器设计方法 | |
| CN103823367B (zh) | 纵向飞行模型簇颤振抑制复合频率鲁棒控制器设计方法 | |
| Efremov et al. | Development of Pilot Mathematical Model in the Preview Manual Control Task | |
| CN103809445B (zh) | 飞行器多回路模型簇复合pid控制器设计方法 | |
| CN103809449B (zh) | 飞行器多回路模型簇颤振抑制复合pid鲁棒控制器设计方法 | |
| CN103853049B (zh) | 纵向飞行模型簇复合频率鲁棒控制器设计方法 | |
| Gursoy et al. | Non-iterative adaptive limit and control margin estimation with concurrent learning | |
| Liu et al. | Research on fuzzy logic control methods for Mars airplane | |
| Zaal | Pilot control behavior discrepancies between real and simulated flight caused by limited motion stimuli | |
| CN104656446B (zh) | 一种基于干扰观测器的混合悬浮实验体控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |