CN107272410A - 一种基于滑模控制和神经网络的卫星机动自主定轨方法 - Google Patents
一种基于滑模控制和神经网络的卫星机动自主定轨方法 Download PDFInfo
- Publication number
- CN107272410A CN107272410A CN201710545222.5A CN201710545222A CN107272410A CN 107272410 A CN107272410 A CN 107272410A CN 201710545222 A CN201710545222 A CN 201710545222A CN 107272410 A CN107272410 A CN 107272410A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- mtr
- mtd
- sliding
- 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
- 238000009415 formwork Methods 0.000 title claims abstract description 25
- 230000007935 neutral effect Effects 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 125000001475 halogen functional group Chemical group 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Radio Relay Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于滑模控制和神经网络的卫星机动自主定轨方法,结合滑模控制和神经网络观测器,用滑模控制的控制量结合对卫星距离的观测量来准确输出卫星的位置信息,实现更精确地定轨。通过滑模控制和神经网络紧密结合,可以实时地实施机动控制并显示卫星的状态量,更好地实现朗格朗日卫星的定轨。
Description
技术领域:
本发明涉及一种基于滑模控制和神经网络的卫星机动自主定轨方法,属于航天卫星导航系统领域。
背景技术:
滑模控制与自适应、模糊和神经网络等智能算法控制的结合,可以提高整个系统的性能。滑模变结构已经用于解决更加复杂的问题,如解决运动跟踪、模型跟踪、不确定系统控制等一系列问题,并和Lyapunov稳定性理论、超稳定性理论、模型参考自适应理论相结合。神经自适应控制的一个发展是从采取BP网络发展到采用其他类型的神经网络。如采用RBF网络的自适应控制,采用递归神经网络的自适应控制和采用模糊神经网络的自适应控制。
作为地—月系重要的动力学平衡点—拉格朗日点,在其附近布置导航卫星,构建导航星座,对我国深空探测的发展具有重要的战略意义,并有其独有的优越性。
用来描述拉格朗日点卫星运动的动力学模型均采用圆型限制性三体问题模型,尽管采用这种近似模型有利于拉格朗日点周期轨道的求解,但用圆型限制性三体问题模型求解的周期轨道对初值误差和空间摄动非常敏感,若要将卫星保持在周期轨道上需要高频或连续的轨道控制。高频或连续的轨道机动控制必然会对拉格朗日导航卫星的定轨精度产生影响,如何实现拉格朗日导航卫星轨道机动期间的高精度轨道确定是关系到拉格朗日卫星导航系统的高精度、连续性等导航定位服务性能提升的核心技术问题。
本发明将利用神经网络技术实现拉格朗日导航卫星的机动轨道确定,拉格朗日导航卫星的控制利用滑模控制方法实现。
发明内容:
本发明针对上述轨道机动控制的不足,设计了一种基于滑模控制和神经网络的卫星机动自主定轨方法。
本发明所采用的技术方案有:一种基于滑模控制和神经网络的卫星机动自主定轨方法,包括:
(1)滑模保持控制算法
滑模控制器可以分为两个方面:离散时间滑模面设计和自适应滑模控制器设计;
①离散时间滑模面设计
其中x=[rT,vT]T,和分别为位置偏差和速度偏差, 为A的分块;
令滑模面为s(k)=Cx(k)=C1r(k)+C2v(k)
其中C=[C1,C2],当系统状态到达滑模面时,有
C1r(k)+C2v(k)=0
通过设置C1和C2的值构造离散时间滑模面;
②自适应滑模控制器设计
对某一时刻tk+1,有s(k+1)=Cx(k+1)
进一步可得s(k+1)=CAx(k)+CBΔv(k)
Δv(k)=-(CB)-1{CAx(k)-(I3-TK)s(k)+TDsgn[(s(k)]}
其中为采样时间,为符号函数,
D和K中的参数取值为
(2)神经网络自适应观测器
考虑如下非线性时变系统:
其中,u∈Ei,y∈Rm,X∈Rn;f(·)为已知的非线性函数;g(·)为已知的非线性观测函数;β(k)表示系统随时间变化的参数,它是一个随时间慢变的非线性函数;
从非线性时变系统的输入uk及输出yk估计系统的状态,用BP网络动态系统构成状态观测器,系统的输出作为估计器的输入,动态方程如下:
其中Zk∈Rn为BP网络动态系统的状态,θ为BP网权值和阈值向量。
本发明具有如下有益效果:
(1).本发明结合滑模控制和神经网络观测器,用滑模控制的控制量Δv(k)结合对卫星距离的观测量来准确输出卫星的位置信息,实现更精确地定轨。
(2).滑模控制设计的是控制率。传统的控制,都是设定控制状态为零,实现状态的跟踪。但是滑模控制不是将控制误差为零作为控制目标,而是要把误差控制到一个滑模面上。然后设计滑模面使得一旦状态到达滑模面,就会自动收敛到零,精确度更高。
(3).滑模控制没有较大的位置偏差,具有较强的鲁棒性。
halo轨道滑模保持控制的Monte-Carlo仿真结果(10年)
统计量 | ΔV(m/s) | tmax(day) | nΔv | pm(km) |
最大值 | 19.035 | 16.0 | 606 | 30.998 |
均值 | 16.917 | 9.7 | 604 | 18.883 |
最小值 | 14.938 | 8.0 | 600 | 12.522 |
标准值 | 0.766 | 1.7 | 1.2 | 3.089 |
ΔV(m/s)为卫星的10年总能量消耗,tmax(day)为相继两次冲量的最长时间间隔,nΔv为10年的控制总次数,pm(km)为10年的最大位置偏差。(注:halo轨道是一类围绕日-地系统平动点的周期性振动轨道)
根据上面表格,在多种误差影响下,滑模控制仍能实现各轨道的长期保持,但与标准轨道仿真结果相比,10年总能量消耗和位置偏差都增加了一个量级。滑模控制的各halo轨道年均消耗为1.2m/s,halo轨道的位置偏差pm在15.8-18.9km附近,,这正说明了滑模控制具有较强的鲁棒性。
(4).神经网络算法满足实时性,具有良好的跟踪性能。一定程度上克服了传统代数方法设计观测器时增益过大、重复计算以及不能满足适时性。
(5).圆型限制性三体问题模型求解的周期轨道对初值误差和空间摄动非常敏感,若要将卫星保持在周期轨道上需要高频或连续的轨道控制,高频或连续的轨道机动控制必然会对拉格朗日导航卫星的定轨精度产生影响。滑模控制和神经网络紧密结合,可以实时地实施机动控制并显示卫星的状态量,更好地实现朗格朗日卫星的定轨。
具体实施方式:
本发明基于滑模控制和神经网络的卫星机动自主定轨方法包括:
(1)滑模参数的设定
C1r(k)+C2v(k)=0
定义一个指标
其中Q=QT为加权阵,且
引入一个变量v(k)=Q22 -1Q21r(k)+v(k)
代入到上式得如下式子:
其中v(k)是名义上的控制量,且有
上述方程的解为
其中P为下列矩阵方程的隐式解
结合上述两个方程,最后解出
(2)自适应滑模控制器设计
最为关键的速度控制量的表达式如下:
Δv(k)=-(CB)-1{CAx(k)-(I3-TK)s(k)+TDsgn[(s(k)]}
首先我们得确定一些滑模控制器的参数
Q11=diag[2,2,2],Q12=diag[1,1,1]
Q21=diag[1,1,1],Q22=diag[4,4,4]
K=diag[5x10-3,5x10-3,5x10-3]
然后进行Monte-Carlo仿真,现引入轨道误差捕获误差、导航误差和执行误差,考虑三种误差分布情况:(I)较小的位置导航误差和较小的速度导航误差;(II)较小的位置导航误差和较大的速度导航误差;(III)较大的位置导航误差和较大的速度导航误差;仿真的结果如下表所示:
误差 | ΔV(m/s) | tmax(day) | nΔv | pm(km) |
I | 16.917 | 9.7 | 604 | 18.883 |
II | 148.039 | 8.9 | 605 | 167.074 |
III | 160.300 | 9.0 | 604 | 191.429 |
(3)神经网络观测器的搭建
本发明一个优点就是只需要观测卫星与朗格朗日卫星之间的距离的量测量,一定程度上避免了量测量复杂导致神经网络训练过度麻烦的情况。
下面将进一步说明如何来确定权值矩阵的值:
为了正确估计系统的状态,BP网络的权,阈值通过极小化代价函数Ek来进行调整,式中
BP网络采用误差反向传播的算法来修正权值和阈值,修正量表示为Δθ=-ηkgradEk,其中,ηk为学习因子,gradEk为Ek的梯度。通过修正量经过一段时间的训练学习,会找到最佳的权值矩阵。
以上面测出的控制量和与卫星的距离的量测量为神经网络的输入,卫星的实时状态作为输出,利用标称轨道的数据进行神经网络的训练,选择最为合适的权值矩阵的值,来最好地实现神经网络的观测效果,实时输出卫星的状态,并以此状态作为下一个时间滑模控制的输入,循环控制,从而实现卫星的精确定轨。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (1)
1.一种基于滑模控制和神经网络的卫星机动自主定轨方法,其特征在于:包括
(1)滑模保持控制算法
滑模控制器可以分为两个方面:离散时间滑模面设计和自适应滑模控制器设计;
①离散时间滑模面设计
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>r</mi>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mo>=</mo>
<msub>
<mi>A</mi>
<mn>11</mn>
</msub>
<mi>r</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>A</mi>
<mn>12</mn>
</msub>
<mi>v</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>v</mi>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mo>=</mo>
<msub>
<mi>A</mi>
<mn>21</mn>
</msub>
<mi>r</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>A</mi>
<mn>22</mn>
</msub>
<mi>v</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>B</mi>
<mn>2</mn>
</msub>
<mi>u</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
其中x=[rT,vT]T,和分别为位置偏差和速度偏差,(i=1,2;j=1,2)为A的分块;
令滑模面为s(k)=Cx(k)=C1r(k)+C2v(k)
其中C=[C1,C2],(i=1,2),当系统状态到达滑模面时,有
C1r(k)+C2v(k)=0
通过设置C1和C2的值构造离散时间滑模面;
②自适应滑模控制器设计
对某一时刻tk+1,有s(k+1)=Cx(k+1)
进一步可得s(k+1)=CAx(k)+CBΔv(k)
Δv(k)=-(CB)-1{CAx(k)-(I3-TK)s(k)+TDsgn[(s(k)]}
其中为采样时间,为符号函数,
D和K中的参数取值为
(2)神经网络自适应观测器
考虑如下非线性时变系统:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>&beta;</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,u∈Ei,y∈Rm,X∈Rn;f()为已知的非线性函数;g(·)为已知的非线性观测函数;β(k)表示系统随时间变化的参数,它是一个随时间慢变的非线性函数;
从非线性时变系统的输入uk及输出yk估计系统的状态,用BP网络动态系统构成状态观测器,系统的输出作为估计器的输入,动态方程如下:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Z</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>y</mi>
<mi>&Lambda;</mi>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中Zk∈Rn为BP网络动态系统的状态,θ为BP网权值和阈值向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710545222.5A CN107272410B (zh) | 2017-07-06 | 2017-07-06 | 一种基于滑模控制和神经网络的卫星机动自主定轨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710545222.5A CN107272410B (zh) | 2017-07-06 | 2017-07-06 | 一种基于滑模控制和神经网络的卫星机动自主定轨方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107272410A true CN107272410A (zh) | 2017-10-20 |
CN107272410B CN107272410B (zh) | 2019-05-31 |
Family
ID=60072228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710545222.5A Expired - Fee Related CN107272410B (zh) | 2017-07-06 | 2017-07-06 | 一种基于滑模控制和神经网络的卫星机动自主定轨方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107272410B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112797988A (zh) * | 2020-11-18 | 2021-05-14 | 北京理工大学 | 基于神经网络的未知机动航天器轨道确定方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07135800A (ja) * | 1993-11-10 | 1995-05-23 | Toshiba Corp | 誘導機の制御装置 |
CN102073276A (zh) * | 2011-02-21 | 2011-05-25 | 哈尔滨工业大学 | 采用rbf神经网络的挠性结构自适应变结构控制方法 |
CN102594251A (zh) * | 2012-02-17 | 2012-07-18 | 南京电力设备质量性能检验中心 | 一种具有测量延时输出的伺服电机的滑模控制方法 |
US8285659B1 (en) * | 2009-08-18 | 2012-10-09 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Aircraft system modeling error and control error |
CN103092213A (zh) * | 2013-01-21 | 2013-05-08 | 南京航空航天大学 | 六旋翼飞行器的轨迹跟踪控制方法 |
CN103116275A (zh) * | 2013-03-01 | 2013-05-22 | 河海大学常州校区 | 基于滑模补偿的微陀螺仪鲁棒神经网络控制系统及方法 |
CN103595046A (zh) * | 2013-11-28 | 2014-02-19 | 上海电力学院 | 以柴油机侧为主的风柴混合电力系统负荷频率控制方法 |
CN104635495A (zh) * | 2015-02-09 | 2015-05-20 | 北京航空航天大学 | 一种含模型参数不确定性平流层卫星的经向偏移分级控制方法 |
CN105843240A (zh) * | 2016-04-08 | 2016-08-10 | 北京航空航天大学 | 一种考虑执行器故障的航天器姿态积分滑模容错控制方法 |
CN106885577A (zh) * | 2017-01-24 | 2017-06-23 | 南京航空航天大学 | 拉格朗日导航卫星自主定轨方法 |
-
2017
- 2017-07-06 CN CN201710545222.5A patent/CN107272410B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07135800A (ja) * | 1993-11-10 | 1995-05-23 | Toshiba Corp | 誘導機の制御装置 |
US8285659B1 (en) * | 2009-08-18 | 2012-10-09 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Aircraft system modeling error and control error |
CN102073276A (zh) * | 2011-02-21 | 2011-05-25 | 哈尔滨工业大学 | 采用rbf神经网络的挠性结构自适应变结构控制方法 |
CN102594251A (zh) * | 2012-02-17 | 2012-07-18 | 南京电力设备质量性能检验中心 | 一种具有测量延时输出的伺服电机的滑模控制方法 |
CN103092213A (zh) * | 2013-01-21 | 2013-05-08 | 南京航空航天大学 | 六旋翼飞行器的轨迹跟踪控制方法 |
CN103116275A (zh) * | 2013-03-01 | 2013-05-22 | 河海大学常州校区 | 基于滑模补偿的微陀螺仪鲁棒神经网络控制系统及方法 |
CN103595046A (zh) * | 2013-11-28 | 2014-02-19 | 上海电力学院 | 以柴油机侧为主的风柴混合电力系统负荷频率控制方法 |
CN104635495A (zh) * | 2015-02-09 | 2015-05-20 | 北京航空航天大学 | 一种含模型参数不确定性平流层卫星的经向偏移分级控制方法 |
CN105843240A (zh) * | 2016-04-08 | 2016-08-10 | 北京航空航天大学 | 一种考虑执行器故障的航天器姿态积分滑模容错控制方法 |
CN106885577A (zh) * | 2017-01-24 | 2017-06-23 | 南京航空航天大学 | 拉格朗日导航卫星自主定轨方法 |
Non-Patent Citations (1)
Title |
---|
刘吉宏 等: "永磁同步风电机组神经网络滑模多目标优化控制", 《可再生能源》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112797988A (zh) * | 2020-11-18 | 2021-05-14 | 北京理工大学 | 基于神经网络的未知机动航天器轨道确定方法 |
CN112797988B (zh) * | 2020-11-18 | 2023-04-07 | 北京理工大学 | 基于神经网络的未知机动航天器轨道确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107272410B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11286065B2 (en) | Method for designing reentry trajectory based on flight path angle planning | |
CN105333879B (zh) | 同步定位与地图构建方法 | |
CN104392047B (zh) | 一种基于平稳滑翔弹道解析解的快速弹道规划方法 | |
Han et al. | Online policy iteration ADP-based attitude-tracking control for hypersonic vehicles | |
CN104765368B (zh) | 一种基于模糊自适应算法的无人艇航向航速协同控制方法 | |
CN111351488A (zh) | 飞行器智能轨迹重构再入制导方法 | |
CN106441308A (zh) | 一种基于自适应权重鸽群算法的无人机航路规划方法 | |
Lawrance et al. | Path planning for autonomous soaring flight in dynamic wind fields | |
CN103412488B (zh) | 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 | |
CN109270960A (zh) | 基于Radau伪谱法的在线最优反馈再入制导方法 | |
CN106768123A (zh) | 一种无人直升机燃油预估方法 | |
CN102289714B (zh) | 一种基于行为模型的小型无人旋翼机自主起降控制方法 | |
CN106227223A (zh) | 一种基于动态滑模控制的uuv轨迹跟踪方法 | |
CN103499974A (zh) | 一种双机协同被动雷达探测路径规划方法 | |
CN114199248B (zh) | 一种基于混合元启发算法优化anfis的auv协同定位方法 | |
CN104850009A (zh) | 一种基于捕食逃逸鸽群优化的多无人飞行器编队协调控制方法 | |
CN109858137B (zh) | 一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法 | |
CN110281912A (zh) | 一种智能车辆横向纵向综合控制系统及控制方法 | |
CN107092987A (zh) | 一种中小型无人机自主着舰风速预测方法 | |
CN115657711B (zh) | 一种基于深度强化学习的高超声速飞行器规避制导方法 | |
CN109976189A (zh) | 一种智能舰艇自动巡航模拟仿真方法 | |
CN107272410B (zh) | 一种基于滑模控制和神经网络的卫星机动自主定轨方法 | |
Zhang et al. | Adaptive fault-tolerant sliding mode control for high-speed trains with actuator faults under strong winds | |
CN106599541A (zh) | 一种动态电力负荷模型的结构和参数在线辨识方法 | |
CN107609250B (zh) | 地形重力波举力参数化方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190531 |
|
CF01 | Termination of patent right due to non-payment of annual fee |