CN107479384B - 高超声速飞行器神经网络复合学习非反步控制方法 - Google Patents

高超声速飞行器神经网络复合学习非反步控制方法 Download PDF

Info

Publication number
CN107479384B
CN107479384B CN201710789245.0A CN201710789245A CN107479384B CN 107479384 B CN107479384 B CN 107479384B CN 201710789245 A CN201710789245 A CN 201710789245A CN 107479384 B CN107479384 B CN 107479384B
Authority
CN
China
Prior art keywords
follows
neural network
unknown
hypersonic aircraft
design
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.)
Active
Application number
CN201710789245.0A
Other languages
English (en)
Other versions
CN107479384A (zh
Inventor
许斌
程怡新
郭雨岩
张睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest University of Technology
Shenzhen Institute of Northwestern Polytechnical University
Original Assignee
Northwest University of Technology
Shenzhen Institute of Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwest University of Technology, Shenzhen Institute of Northwestern Polytechnical University filed Critical Northwest University of Technology
Priority to CN201710789245.0A priority Critical patent/CN107479384B/zh
Publication of CN107479384A publication Critical patent/CN107479384A/zh
Application granted granted Critical
Publication of CN107479384B publication Critical patent/CN107479384B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种高超声速飞行器神经网络复合学习非反步控制方法，用于解决现有高超声速飞行器控制方法实用性差的技术问题。技术方案是对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于新定义变量进行估计，为后续控制器设计提供基础；控制器考虑系统的集总不确定性，仅需一个神经网络进行逼近,控制器设计简单,便于工程实现；针对控制增益函数未知情形，基于参数线性化表达方式设计控制器；引入系统建模误差，构建神经网络权值复合更新律和参数自适应复合更新律，实现高超声速飞行器的快速跟踪。本发明基于高增益观测器实现了未知状态的有效估计，不需要反复设计虚拟控制量，简化了控制器设计，易于实现，实用性好。

Description

高超声速飞行器神经网络复合学习非反步控制方法
技术领域
本发明涉及一种高超声速飞行器控制方法，特别涉及一种高超声速飞行器神经网络复合学习非反步控制方法。
背景技术
高超声速飞行器作为一种具有快速打击能力的高精尖武器，引起了许多军事大国的高度重视。由于自身采用发动机/机体的一体化设计，加之复杂的动力学模型和飞行环境，高超声速飞行器具有强非线性和强不确定性等特性。这些特点使得高超声速飞行器控制器设计面临着巨大挑战。因此，不确定性的处理对高超声速飞行器安全飞行至关重要。
反步法作为一种典型控制方法被广泛应用于高超声速飞行器控制中。但传统反步法设计存在固有缺陷。采用反步法设计控制器，需要针对虚拟控制量进行反复微分，这会造成以下问题：(1)反复微分会造成控制设计“复杂度爆炸”问题；(2)控制器设计过程较为复杂，不利于工程实现。当前动态面和指令滤波方法被用来解决“复杂度爆炸”问题，但仍需反复设计虚拟控制量，过程繁琐。
《Neural network based dynamic surface control of hypersonic flightdynamics using small-gain theorem》(Bin Xu,Qi Zhang,Yongping Pan，《Neurocomputing》，2016年第173卷第3期)一文通过设计虚拟控制量(俯仰角、俯仰角速度)实现对航迹角和俯仰角的控制，最后利用舵偏角控制俯仰角速度；该动态面设计仍需逐步设计虚拟控制量并对每个通道的不确定性进行处理，设计过程繁琐，不利于工程实现。
发明内容
为了克服现有高超声速飞行器控制方法实用性差的不足，本发明提供一种高超声速飞行器神经网络复合学习非反步控制方法。该方法对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于新定义变量进行估计，为后续控制器设计提供基础；控制器考虑系统的集总不确定性,仅需一个神经网络进行逼近,控制器设计简单,便于工程实现；针对控制增益函数未知情形，基于参数线性化表达方式设计控制器；引入系统建模误差，构建神经网络权值复合更新律和参数自适应复合更新律，实现高超声速飞行器的快速跟踪。本发明基于高增益观测器实现了未知状态的有效估计，并设计自适应控制器；该设计仅需一个神经网络，不需要反复设计虚拟控制量，简化了控制器设计，易于实现，实用性好。
本发明解决其技术问题所采用的技术方案：一种高超声速飞行器神经网络复合学习非反步控制方法，其特点是包括以下步骤：
(a)建立高超声速飞行器纵向通道动力学模型为：
所述的动力学模型由五个状态变量X＝[V,h,α,γ,q]T和两个控制输入U＝[δe,β]T组成；其中，V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δe是舵偏角，β为节流阀开度；T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩；m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；
(b)定义高度跟踪误差其中hd为高度参考指令；
设计航迹角指令γd为：
其中，kh>0和ki>0，为高度参考指令的一阶导数；
根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：
其中，为高度参考指令的二阶导数；
考虑到巡航段高超声速飞行器的航迹角变化较小，故将航迹角指令的二、三阶导数视为零；
(c)定义姿态Xa＝[x1,x2,x3]T，其中x1＝γ，x2＝θp，x3＝q，θp＝α+γ；因为Tsinα远小于L，在控制器设计过程中近似忽略；
姿态子系统(3)-(5)写成以下严格反馈形式：
其中，fi,i＝1,2,3，gi,i＝1,3为根据(3)-(5)式得到的未知项，且其中未知，已知；g2(x1,x2)＝1；其中未知，已知；
(d)定义新的状态量Z＝[z1,z2,z3]T，其中其中a2，b2为fi，gi，i＝1,2复杂表达，为中间过程变量；
将姿态子系统(8)转换为以下输出反馈形式：
其中a3和b3是关于X的未知函数，且未知，已知；
(e)设计高增益观测器如下：
其中，ε>0，d1>0，d2>0；
利用高增益观测器对状态量Z＝[z1,z2,z3]T进行估计，得到其估计值其中
(f)针对姿态子系统，定义Yd如下所示：
则向量E和滤波跟踪误差S的估计值如下：
其中，Λ＝[λ2,2λ]T，λ>0；
对于未知函数a3(X)，用神经网络来逼近
其中，是神经网络最优权重向量的估计值，θa(X)为神经网络基函数向量；对于未知函数b3(X)，其估计值表达如下
其中，是未知量ωb的估计值；
设计控制器
其中，kA>0是由设计者给定的控制增益参数；
定义建模误差zNN如下:
其中由下式得到
其中，γz>0；
神经网络权值的复合更新律如下：
自适应参数的复合更新律如下：
其中，γa，γb，δa是正参数；
(g)定义速度跟踪误差ZV＝V-Vd,其中Vd为速度参考指令；
设计速度控制器如下：
β＝-kVZV-lV sgn(ZV) (21)
其中，kV,lV是正参数；
(h)根据得到的舵偏角δe和节流阀开度β，返回到高超声速飞行器的动力学模型(1)-(5)，对高度和速度进行跟踪控制。
本发明的有益效果是：该方法对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于新定义变量进行估计，为后续控制器设计提供基础；控制器考虑系统的集总不确定性,仅需一个神经网络进行逼近,控制器设计简单,便于工程实现；针对控制增益函数未知情形，基于参数线性化表达方式设计控制器；引入系统建模误差，构建神经网络权值复合更新律和参数自适应复合更新律，实现高超声速飞行器的快速跟踪。本发明基于高增益观测器实现了未知状态的有效估计，并设计自适应控制器；该设计仅需一个神经网络，不需要反复设计虚拟控制量，简化了控制器设计，易于实现，实用性好。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明高超声速飞行器神经网络复合学习非反步控制方法的流程图。
具体实施方式
参照图1。本发明高超声速飞行器神经网络复合学习非反步控制方法具体步骤如下：
(a)建立高超声速飞行器纵向通道动力学模型：
所述的动力学模型由五个状态变量X＝[V,h,α,γ,q]T和两个控制输入U＝[δe,β]T组成；其中，V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δe是舵偏角，β为节流阀开度；T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩；m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；
相关的力矩及参数定义如下：
CL＝0.6203α，
CD＝0.6450α2+0.0043378α+0.003772，
CM(α)＝-0.035α2+0.036617α+5.3261×10-6，
CM(δe)＝0.0292(δe-α)，
其中，ρ表示空气密度，S表示气动参考面积，表示平均气动弦长，Cx,x＝L,D,T,M表示力和运动系数；
(b)定义高度跟踪误差其中hd为高度参考指令，由设计者给定；
设计航迹角指令γd为：
其中，kh>0和ki>0由设计者给定，为高度参考指令的一阶导数；
根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：
其中，为高度参考指令的二阶导数；
考虑到巡航段高超声速飞行器的航迹角较小，故将航迹角指令的二、三阶导数视为零；
(c)定义姿态Xa＝[x1,x2,x3]T，其中x1＝γ，x2＝θp，x3＝q，θp＝α+γ；因为Tsinα远小于L，在控制器设计过程中近似忽略；
姿态子系统(3)-(5)写成以下严格反馈形式：
其中，
其中未知，已知，
f2(x1,x2)＝0，g2(x1,x2)＝1，
其中未知，已知；
(d)定义新的状态量Z＝[z1,z2,z3]T，其中
z2和z3对时间分别求导得到下式：
其中，b2(x1,x2)＝g1g2＝g1；
其中，
且未知，已知；
将姿态子系统(8)转换为以下输出反馈形式：
其中a3和b3未知；
(e)设计高增益观测器如下
其中，参数ε>0，d1>0，d2>0由设计者给定；
利用高增益观测器对状态量Z＝[z1,z2,z3]T进行估计，得到其估计值其中
(f)针对姿态子系统，定义Yd如下所示：
则向量E和滤波跟踪误差S的估计值如下：
其中，Λ＝[λ2,2λ]T，λ>0；
对于未知函数a3(X)，用神经网络来逼近
其中，是神经网络最优权重向量的估计值，θa(X)为神经网络基函数向量；
对于未知函数b3(X)，其估计值表达如下
其中，是未知量ωb的估计值；
设计控制器
其中，kA>0是由设计者给定的控制增益参数；
定义建模误差zNN如下:
其中可以由下式得到
其中，γz>0由设计者给定；
神经网络权值的更新律如下：
自适应参数的更新律如下：
其中，γa，γb，δa是由设计者给定的正参数；
(g)定义速度跟踪误差ZV＝V-Vd,其中Vd为速度参考指令，由设计者给定；
设计速度控制器如下：
β＝-kVZV-lV sgn(ZV) (21)
其中，kV,lV是由设计者给定的正参数；
(h)根据得到的舵偏角δe和节流阀开度β，返回到高超声速飞行器的动力学模型(1)-(5)，对高度和速度进行跟踪控制。
本发明未详细说明部分属于领域技术人员公知常识。

Claims (1)

1.一种高超声速飞行器神经网络复合学习非反步控制方法，其特征在于包括以下步骤：
(a)建立高超声速飞行器纵向通道动力学模型为：
所述的动力学模型由五个状态变量X＝[V,h,α,γ,q]T和两个控制输入U＝[δe,β]T组成；其中，V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δe是舵偏角，β为节流阀开度；T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩；m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；
(b)定义高度跟踪误差其中hd为高度参考指令；
设计航迹角指令γd为：
其中，kh＞0和ki＞0，为高度参考指令的一阶导数；
根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：
其中，为高度参考指令的二阶导数；
考虑到巡航段高超声速飞行器的航迹角变化较小，故将航迹角指令的二、三阶导数视为零；
(c)定义姿态Xa＝[x1,x2,x3]T，其中x1＝γ，x2＝θp，x3＝q，θp＝α+γ；因为Tsinα远小于L，在控制器设计过程中忽略；
姿态子系统(3)-(5)写成以下严格反馈形式：
其中，f1(x1)，f2(x1,x2)，f3(x1,x2,x3)，g1(x1)，g3(x1,x2)为根据(3)-(5)式得到的未知项，且其中未知，已知；g2(x1,x2)＝1；其中未知，已知；
(d)定义新的状态量Z＝[z1,z2,z3]T，其中其中a2，b2是通过对f1+g1x2求导得到的中间过程变量，是关于f1，f2，g1，g2的函数；
将姿态子系统(8)转换为以下输出反馈形式：
其中a3和b3是关于X的未知函数，且未知，已知；
(e)设计高增益观测器如下：
其中，ε＞0，d1＞0，d2＞0；
利用高增益观测器对状态量Z＝[z1,z2,z3]T进行估计，得到其估计值其中
(f)针对姿态子系统，定义Yd如下所示：
则向量E和滤波跟踪误差S的估计值如下：
其中，Λ＝[λ2,2λ]T，λ＞0；
对于未知函数a3(X)，用神经网络来逼近
其中，是神经网络最优权重向量的估计值，θa(X)为神经网络基函数向量；
对于未知函数b3(X)，其估计值表达如下
其中，是未知量ωb的估计值；
设计控制器
其中，kA＞0是由设计者给定的控制增益参数；
定义建模误差zNN如下:
其中由下式得到
其中，γz＞0；
神经网络权值的复合更新律如下：
自适应参数的复合更新律如下：
其中，γa，γb，δa是正参数；
(g)定义速度跟踪误差ZV＝V-Vd,其中Vd为速度参考指令；
设计速度控制器如下：
β＝-kVZV-lVsgn(ZV) (21)
其中，kV,lV是正参数；
(h)根据得到的舵偏角δe和节流阀开度β，返回到高超声速飞行器的动力学模型(1)-(5)，对高度和速度进行跟踪控制。
CN201710789245.0A 2017-09-05 2017-09-05 高超声速飞行器神经网络复合学习非反步控制方法 Active CN107479384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710789245.0A CN107479384B (zh) 2017-09-05 2017-09-05 高超声速飞行器神经网络复合学习非反步控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710789245.0A CN107479384B (zh) 2017-09-05 2017-09-05 高超声速飞行器神经网络复合学习非反步控制方法

Publications (2)

Publication Number Publication Date
CN107479384A CN107479384A (zh) 2017-12-15
CN107479384B true CN107479384B (zh) 2019-10-22

Family

ID=60604506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710789245.0A Active CN107479384B (zh) 2017-09-05 2017-09-05 高超声速飞行器神经网络复合学习非反步控制方法

Country Status (1)

Country Link
CN (1) CN107479384B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108415247B (zh) * 2018-02-07 2019-12-20 中国航空工业集团公司西安飞机设计研究所 一种基于标称信息的时标分离飞行器弹性体鲁棒控制方法
CN108333939B (zh) * 2018-02-07 2019-12-31 中国航空工业集团公司西安飞机设计研究所 一种基于神经网络的时标分离飞行器弹性体智能控制方法
CN108303889B (zh) * 2018-02-07 2019-12-20 中国航空工业集团公司西安飞机设计研究所 一种基于非线性信息的时标分离飞行器弹性体控制方法
CN108375907B (zh) * 2018-03-28 2020-11-10 北京航空航天大学 基于神经网络的高超声速飞行器自适应补偿控制方法
CN108919651B (zh) * 2018-09-26 2020-09-01 北京航空航天大学 一种考虑执行器输入约束的高超声速飞行器自适应容错控制方法
CN109932905B (zh) * 2019-03-08 2021-11-09 辽宁石油化工大学 一种基于非策略的观测器状态反馈的优化控制方法
CN110320807B (zh) * 2019-07-24 2022-05-17 西北工业大学 基于奇异摄动分解的弹性飞行器数据筛选自适应控制方法
CN110488852B (zh) * 2019-08-28 2020-12-01 北京航空航天大学 一种高超声速飞行器全剖面自适应控制方法
CN111665857B (zh) * 2020-06-21 2022-09-13 西北工业大学 基于复合智能学习的变体飞行器控制方法
CN112731801B (zh) * 2020-12-17 2022-10-14 上海工程技术大学 一种对称死区非线性的自适应动态面输出反馈控制方法
CN112904726B (zh) * 2021-01-20 2022-11-18 哈尔滨工业大学 一种基于误差重构权重更新的神经网络反步控制方法
CN113031449B (zh) * 2021-03-29 2022-08-09 西北工业大学 面向气动未知的宽域飞行智能反步切换控制方法
CN113281997B (zh) * 2021-04-14 2022-08-09 山东师范大学 级联化学反应器的控制方法及系统
CN114281092B (zh) * 2021-12-23 2024-06-14 北京航空航天大学 一种基于滑模干扰观测器的高超声速飞行器协调姿态控制方法
CN114326405B (zh) * 2021-12-30 2023-04-07 哈尔滨工业大学 一种基于误差训练的神经网络反步控制方法
CN114815618B (zh) * 2022-04-29 2023-05-16 哈尔滨工业大学 一种基于动态增益的自适应神经网络跟踪控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2423377A (en) * 2002-12-09 2006-08-23 Georgia Tech Res Inst Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system.
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
CN102880055A (zh) * 2012-09-29 2013-01-16 西北工业大学 基于预测模型的高超声速飞行器神经网络控制方法
CN102880052A (zh) * 2012-09-29 2013-01-16 西北工业大学 基于时标功能分解的高超声速飞行器执行器饱和控制方法
CN102929141A (zh) * 2012-10-10 2013-02-13 西北工业大学 飞行器时间滞后时变模型逼近及控制器设计方法
CN103365296A (zh) * 2013-06-29 2013-10-23 天津大学 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
CN104022742A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法
CN104765272A (zh) * 2014-03-05 2015-07-08 北京航空航天大学 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050137724A1 (en) * 2003-10-10 2005-06-23 Georgia Tech Research Corporation Adaptive observer and related method

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2423377A (en) * 2002-12-09 2006-08-23 Georgia Tech Res Inst Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system.
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
CN102880055A (zh) * 2012-09-29 2013-01-16 西北工业大学 基于预测模型的高超声速飞行器神经网络控制方法
CN102880052A (zh) * 2012-09-29 2013-01-16 西北工业大学 基于时标功能分解的高超声速飞行器执行器饱和控制方法
CN102929141A (zh) * 2012-10-10 2013-02-13 西北工业大学 飞行器时间滞后时变模型逼近及控制器设计方法
CN103365296A (zh) * 2013-06-29 2013-10-23 天津大学 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
CN104765272A (zh) * 2014-03-05 2015-07-08 北京航空航天大学 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load
CN104022742A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《Neural Control for Longitudinal Dynamics of Hypersonic Aircraft》;Bin Xu;《2013 International Conference on Unmanned Aircraft Systems (ICUAS)》;20130531;全文 *
《RBF Neural Network based Adaptive Sliding Mode Control forHypersonic Flight Vehicles》;Jianmin Wang;《Proceedings of 2016 IEEE Chinese Guidance, Navigation and Control Conference》;20160815;全文 *
《基于RBF 神经网络自适应PID四旋翼飞行器控制》;李砚浓;《控制工程》;20160331;第23卷(第3期);全文 *
《基于混合神经网络的鲁棒自适应飞行控制器的设计》;王丽;《电光与控制》;20161130;第23卷(第11期);全文 *

Also Published As

Publication number Publication date
CN107479384A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
CN107479384B (zh) 高超声速飞行器神经网络复合学习非反步控制方法
CN107479383B (zh) 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法
CN107632518B (zh) 基于高增益观测器的高超声速飞行器神经网络复合学习控制方法
CN107450324B (zh) 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN106997208B (zh) 一种面向不确定条件下的高超声速飞行器的控制方法
CN107526296B (zh) 基于预测建模的高超声速飞行器神经网络学习控制方法
CN109426146A (zh) 高超声速飞行器的高阶非奇异Terminal滑模控制方法
CN108828957B (zh) 基于切换机制的飞行器全局有限时间神经网络控制方法
CN108333939B (zh) 一种基于神经网络的时标分离飞行器弹性体智能控制方法
CN110109361B (zh) 一种高超声速飞行器快速平滑自适应滑模控制方法
Ohri GA tuned LQR and PID controller for aircraft pitch control
CN107390531A (zh) 参数学习有限时间收敛的高超声速飞行器控制方法
CN108663940A (zh) 基于集总复合估计的飞行器神经网络学习控制方法
CN111694375A (zh) 翼伞系统航迹规划方法和系统、航迹跟踪控制方法和系统
CN109828602A (zh) 一种基于观测补偿技术的航迹回路非线性模型变换方法
CN110187715A (zh) 一种基于动态耦合分析的高超声速飞行器协调控制方法
CN112327926B (zh) 一种无人机编队的自适应滑模控制方法
CN108873923B (zh) 应急指挥控制固定翼无人机舰面紧急起飞控制方法
CN107479382B (zh) 基于在线数据学习的高超声速飞行器神经网络控制方法
Song et al. A singularity‐free online neural network‐based sliding mode control of the fixed‐wing unmanned aerial vehicle optimal perching maneuver
Yu et al. Optimal design of helicopter control systems using particle swarm optimization
Gao et al. Model analysis, design and experiment of a fan-wing underwater vehicle
Zhen et al. Deep stall landing strategy for small fixed-wing aircraft aided by morphing
CN116301028B (zh) 基于吸气式高超声速平台的多约束在线飞行轨迹规划中段导引方法
CN109101035B (zh) 一种用于高空滑翔uuv纵平面弹道控制的方法

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