-
公开(公告)号：CN118821619A
公开(公告)日：2024-10-22
申请号：CN202411288292.3
申请日：2024-09-14
摘要： 本发明公开了一种基于敏感性分析的高速飞行器机动对抗设计方法，包括分析高速飞行器机动对抗过程的影响因素，按高速飞行器本体技术参数和高速飞行器策略参数进行分类，基于Sobol指数法进行高速飞行器机动对抗策略参数全局敏感性分析，进而开展高速飞行器机动对抗策略参数局部敏感性分析并寻找高速飞行器最优策略参数组合，对高速飞行器本体技术参数进行敏感性分析，进而分析当前高速飞行器本体技术参数设计的合理性和进一步提升的优先级。本发明对高速飞行器从本体技术参数与机动对抗策略参数两方面进行敏感性分析，提升了高速飞行器机动对抗设计的完备性，降低了高速飞行器机动对抗设计的主观性，提升了高速飞行器机动对抗设计的经济性。
-
-
-
公开(公告)号：CN117891281B
公开(公告)日：2024-06-21
申请号：CN202410295198.4
申请日：2024-03-15
IPC分类号： G05D1/495 , G05D1/46 , G05D101/10 , G05D109/20
摘要： 本发明公开了一种基于嵌套双模态的二阶非奇异终端滑模飞行控制方法，利用高阶滑模控制方法，既能解决系统不确定问题，提高控制精度，又能解除相对阶为1的限制，减弱传统一阶滑模控制的抖振现象；同时结合线性滑模和终端滑模的动态特性，使系统状态在滑模动态面任意位置都能具有满意的收敛速度，实现全局快速收敛，并解决了终端滑模的奇异问题。
-
公开(公告)号：CN117891281A
公开(公告)日：2024-04-16
申请号：CN202410295198.4
申请日：2024-03-15
IPC分类号： G05D1/495 , G05D1/46 , G05D101/10 , G05D109/20
摘要： 本发明公开了一种基于嵌套双模态的二阶非奇异终端滑模飞行控制方法，利用高阶滑模控制方法，既能解决系统不确定问题，提高控制精度，又能解除相对阶为1的限制，减弱传统一阶滑模控制的抖振现象；同时结合线性滑模和终端滑模的动态特性，使系统状态在滑模动态面任意位置都能具有满意的收敛速度，实现全局快速收敛，并解决了终端滑模的奇异问题。
-
公开(公告)号：CN118884837A
公开(公告)日：2024-11-01
申请号：CN202411341728.0
申请日：2024-09-25
IPC分类号： G05B13/04
摘要： 本发明公开了一种基于多目标强化学习的无人机控制方法，包括模型的构建和仿真环境的搭建、规定无人机控制要求、根据控制要求设计多目标强化学习进行训练以及以多目标强化学习算法Actor网络模型作为控制器部署算法的步骤；通过规定无人机的控制要求为在保证安全以及节省能量的条件下依次达到期望的偏航、高度、速度和滚转，提出多目标强化学习算法自适应的调整各控制目标权重，以满足规定的控制要求。本发明解决了在无人机控制场景中，强化学习奖励函数设计存在的多目标权重确定问题，减少了奖励函数设计对专家知识的依赖，避免了对多目标权重反复尝试的过程，能够快速得到控制器。
-
公开(公告)号：CN118798693B
公开(公告)日：2024-11-15
申请号：CN202411288367.8
申请日：2024-09-14
IPC分类号： G06Q10/0637 , G06Q10/0639 , G06N3/0499 , G06N20/20 , G06N5/043
摘要： 本发明涉及一种小样本情况下高速飞行器机动对抗效能评估方法，包括如下步骤：S1：分析高速飞行器机动对抗过程，建立高速飞行器机动对抗指标体系框架，S2：根据构建的指标体系框架进行网络结构拓扑，通过建立单块神经网络模型，组合形成最终的复杂分块神经网络模型，S3：建立以R个MLP模型为基学习器，1个线性叠加学习器为元学习器的单块神经网络模型框架，S4：将“区间单调性”专家知识进行数学抽象表达构成基学习器的Loss函数的正则项，S5、基于S1‑S4中得到复杂分块神经网络模型对高速飞行器机动对抗效能进行评估；本发明结合了数据及专家知识，降低了人为主观性，提升了小样本情况下，高速飞行器机动对抗效能评估网络模型的准确度及鲁棒性。
-
公开(公告)号：CN118915476A
公开(公告)日：2024-11-08
申请号：CN202411413271.X
申请日：2024-10-11
IPC分类号： G05B13/04
摘要： 本发明公开了一种分布式推力倾转机翼飞行器的动力学建模与控制方法，建模方法包括建立多体动力学张量模型和设计模态转换阶段机翼和鸭翼同步倾转平滑轨迹步骤，控制方法采用内外环双回路串联的混合控制框架，包括外环轨迹跟踪控制模块、内环姿态控制模块、逻辑切换模块和分布式推力控制分配模块，最后通过设计参考轨迹对以上控制方法进行仿真验证；通过机翼与鸭翼质心、机体质心和全机总质心重合的结构重量布局设计，降低了建模和控制难度，并利用多体动力学方法建立张量形式的分布式倾转机翼飞行器精细动力学模型，相对传统单体动力学建模方法，模型精度有所提高。
-
公开(公告)号：CN118859976A
公开(公告)日：2024-10-29
申请号：CN202411341111.9
申请日：2024-09-25
摘要： 本发明公开了一种基于等变强化学习的固定翼姿态控制方法，包括以下步骤，S1：在平面地球假设下，基于固定翼运动学和动力学方程建立固定翼模型；S2：设定假设条件，建立步骤S1中固定翼模型的近似航向镜面对称结构；S3：定义强化学习的观测空间，动作空间，奖励函数；S4：选择Actor‑Critic架构强化学习算法作为训练算法，利用近似航向镜面对称结构设计强化学习神经网络结构；S5：搭建仿真环境，训练强化学习算法，最终以强化学习算法中的Actor神经网络模型作为控制器部署算法；本发明缓解了强化学习样本效率低下的问题，能够和任意深度Actor‑Critic强化学习算法相结合来加快其在固定翼控制问题中的训练速度。
-
公开(公告)号：CN118798693A
公开(公告)日：2024-10-18
申请号：CN202411288367.8
申请日：2024-09-14
IPC分类号： G06Q10/0637 , G06Q10/0639 , G06N3/0499 , G06N20/20 , G06N5/043
摘要： 本发明涉及一种小样本情况下高速飞行器机动对抗效能评估方法，包括如下步骤：S1：分析高速飞行器机动对抗过程，建立高速飞行器机动对抗指标体系框架，S2：根据构建的指标体系框架进行网络结构拓扑，通过建立单块神经网络模型，组合形成最终的复杂分块神经网络模型，S3：建立以R个MLP模型为基学习器，1个线性叠加学习器为元学习器的单块神经网络模型框架，S4：将“区间单调性”专家知识进行数学抽象表达构成基学习器的Loss函数的正则项，S5、基于S1‑S4中得到复杂分块神经网络模型对高速飞行器机动对抗效能进行评估；本发明结合了数据及专家知识，降低了人为主观性，提升了小样本情况下，高速飞行器机动对抗效能评估网络模型的准确度及鲁棒性。
-
-
-
-
-
-
-
-
-
搜索结果
106 条记录 (耗时 0.036 秒)
