CN107390531B - 参数学习有限时间收敛的高超声速飞行器控制方法 - Google Patents
参数学习有限时间收敛的高超声速飞行器控制方法 Download PDFInfo
- Publication number
- CN107390531B CN107390531B CN201710789197.5A CN201710789197A CN107390531B CN 107390531 B CN107390531 B CN 107390531B CN 201710789197 A CN201710789197 A CN 201710789197A CN 107390531 B CN107390531 B CN 107390531B
- Authority
- CN
- China
- Prior art keywords
- formula
- neural network
- angle
- designed
- follows
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 12
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 10
- 238000010276 construction Methods 0.000 abstract 2
- 230000001537 neural effect Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005312 nonlinear dynamic 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种参数学习有限时间收敛的高超声速飞行器控制方法,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。技术方案是通过构造一阶滤波器与辅助信号获取建模误差信息,结合跟踪误差与辅助信号设计神经网络自适应律,针对高超声速飞行器模型中的未知非线性函数估计设计了RBF神经网络方法,将有限时间学习的思想引入神经网络权重更新律设计中,相比传统的神经网络方法,本发明通过构造一阶滤波器与辅助信号将建模误差信息引入权重更新律,能保证参数学习误差有限时间收敛,从而保证学习的快速性。由于采用神经网络学习对不确定性进行估计,无需进行模型线性参数化表达,可实现不确定高超声速飞行器控制,便于实际工程应用。
Description
技术领域
本发明涉及一种高超声速飞行器控制方法,特别涉及一种参数学习有限时间收敛的高超声速飞行器控制方法。
背景技术
高超声速飞行器指能够在大气层内以超过五倍声速飞行的飞行器,由于其突出的飞行能力使得全球实时打击成为可能,因此受到国内外的广泛关注;由于飞行环境复杂且存在气动参数摄动,飞行器模型具有强不确定性,且模型线性参数化形式在实际中难以获得。
《Novel auxiliary error compensation design for the adaptive neuralcontrol of a constrained flexible air-breathing hypersonic vehicle》(XiangweiBu,Xiaoyan Wu,Zhen Ma,Rui Zhang,Jiaqi Huang,《Neurocomputing》,2016,171:313-324.)一文针对高超声速飞行器的未知非线性动态提出了一类神经网络估计方法,根据跟踪误差给出神经网络权重自适应律。然而,这类神经网络学习方法只依据Lyapunov理论设计自适应律以保证***稳定性,不能保证学习速度,在实际***中难以取得满意的跟踪性能。
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,本发明提供一种参数学习有限时间收敛的高超声速飞行器控制方法。该方法通过构造一阶滤波器与辅助信号获取建模误差信息,结合跟踪误差与辅助信号设计神经网络自适应律,针对高超声速飞行器模型中的未知非线性函数估计设计了RBF神经网络方法,将有限时间学习的思想引入神经网络权重更新律设计中,相比传统的神经网络方法,本发明通过构造一阶滤波器与辅助信号将建模误差信息引入权重更新律,能保证参数学习误差有限时间收敛,从而保证学习的快速性。由于采用神经网络学习对不确定性进行估计,无需进行模型线性参数化表达,可实现不确定高超声速飞行器控制,便于实际工程应用,实用性好。
本发明解决其技术问题所采用的技术方案:一种参数学习有限时间收敛的高超声速飞行器控制方法,其特点是包括以下步骤:
步骤一、建立高超声速飞行器纵向通道动力学模型:
其中, 表示动压,ρ表示空气密度,CL、CD、CT、CM(α)、CM(q)、CM(δe)均为气动参数,表示平均气动弦长,S表示气动参考面积。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。
步骤二、定义高度跟踪误差eh=h-hd,设计航迹角指令γd:
式中,hd为高度指令,为高度指令的一阶微分,kh>0,ki>0。考虑巡航段航迹角变化小,航迹角指令的一阶微分取为零。
取x1=γ,x2=θp,x3=q,θp=α+γ代表俯仰角;将式(3)-(5)写成如下严格反馈形式:
其中,fi,i=1,3为未知函数,gi,i=1,3为根据高超声速飞行器模型得到的已知函数。
步骤三、定义航迹角跟踪误差:
e1=x1-γd (8)
设计俯仰角虚拟控制量:
式中,k1>0,为由RBF神经网络得到的f1估计值,其中为神经网络最优权重向量的估计值,θ1为RBF函数向量。
定义设计一阶滤波器如下:
式中xf1、θf1为x1、θ1通过滤波器(10)后获得的信号,设计辅助矩阵P1、辅助向量Q1、W1如下:
式中,l1>0,神经网络权重通过如下自适应律获得:
其中,γ1>0,Γ1为正定常数对角矩阵。
设计一阶滤波器如下:
式中x2d为x2c通过滤波器(13)后获得的信号,α2>0。
定义俯仰角跟踪误差:
e2=x2-x2d (14)
设计俯仰角速率虚拟控制量:
式中,k2>0。
设计一阶滤波器如下:
式中x3d为x3c通过滤波器(16)后获得的信号,α3>0。
定义俯仰角速率跟踪误差:
e3=x3-x3d (17)
设计舵偏角控制律如下:
式中,k3>0,为由RBF神经网络得到的f3估计值,其中为神经网络最优权重向量的估计值,θ3为RBF函数向量。
令设计一阶滤波器如下:
式中xf3、θf3为x3、θ3通过滤波器(19)后获得的信号,设计辅助矩阵P3、辅助向量Q3、W3如下:
式中,l3>0,神经网络权重通过如下自适应律获得:
其中,γ3>0,Γ3为正定常数对角矩阵。
步骤四、定义速度跟踪误差:
式中,Vd为速度指令。设计节流阀开度如下:
式中,kpV>0、kiV>0、kdV>0。
步骤五、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:该方法通过构造一阶滤波器与辅助信号获取建模误差信息,结合跟踪误差与辅助信号设计神经网络自适应律,针对高超声速飞行器模型中的未知非线性函数估计设计了RBF神经网络方法,将有限时间学习的思想引入神经网络权重更新律设计中,相比传统的神经网络方法,本发明通过构造一阶滤波器与辅助信号将建模误差信息引入权重更新律,能保证参数学习误差有限时间收敛,从而保证学习的快速性。由于采用神经网络学习对不确定性进行估计,无需进行模型线性参数化表达,可实现不确定高超声速飞行器控制,便于实际工程应用,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是本发明参数学习有限时间收敛的高超声速飞行器控制方法的流程图。
具体实施方式
参照图1。本发明参数学习有限时间收敛的高超声速飞行器控制方法具体步骤如下:
步骤一、建立高超声速飞行器纵向通道动力学模型:
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)。其中表示动压,ρ表示空气密度,CL、CD、CT、CM(α)、CM(q)、CM(δe)均为气动参数,表示平均气动弦长,S表示气动参考面积。
步骤二、定义高度跟踪误差eh=h-hd,设计航迹角指令γd:
式中,hd为高度指令,由设计者给出,为高度指令的一阶微分,kh=0.5,ki=0.05。考虑巡航段航迹角变化小,航迹角指令的一阶微分取为零。
取x1=γ,x2=θp,x3=q,θp=α+γ代表俯仰角;可将式(3)-(5)写成如下严格反馈形式:
其中,fi,gi,i=1,3为根据高超声速飞行器模型得到的未知非线性函数。上式中,
步骤三、定义航迹角跟踪误差:
e1=x1-γd (8)
设计俯仰角虚拟控制量:
式中,k1=2,为由RBF神经网络得到的f1估计值,其中为神经网络最优权重向量的估计值,θ1为RBF函数向量。
定义令x1、θ1通过一阶滤波器:
其中设计辅助矩阵P1、辅助向量Q1、W1如下:
式中,l1=2,神经网络权重通过如下自适应律获得:
其中,γ1=1,Γ1为对角元素为0.05的对角矩阵。
令x2c通过一阶滤波器得到x2d:
式中α2=0.05。
定义俯仰角跟踪误差:
e2=x2-x2d (14)
设计俯仰角速率虚拟控制量:
式中,k2=2。
令x3c通过一阶滤波器得到x3d:
式中α3=0.05。
定义俯仰角速率跟踪误差:
e3=x3-x3d (17)
设计舵偏角控制律如下:
式中,k3=5,为由RBF神经网络得到的f3估计值,其中为神经网络最优权重向量的估计值,θ3为RBF函数向量。
令分别使x3、θ3通过一阶滤波器获得xf3、θf3:
其中设计辅助矩阵P3、辅助向量Q3、W3如下:
式中,l3=1,神经网络权重通过如下自适应律获得:
其中,γ3=2,Γ3为对角元素为0.05的对角矩阵。
步骤四、给定速度指令定义Vd,定义速度跟踪误差:
设计节流阀开度如下:
式中,kpV=0.5、kiV=0.001、kdV=0.01。
步骤五、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,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)
1.一种参数学习有限时间收敛的高超声速飞行器控制方法,其特征在于包括以下步骤:
步骤一、建立高超声速飞行器纵向通道动力学模型:
其中, 表示动压,ρ表示空气密度,CL、CD、CT、CM(α)、CM(q)、CM(δe)均为气动参数,表示平均气动弦长,S表示气动参考面积;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;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;
步骤二、定义高度跟踪误差eh=h-hd,设计航迹角指令γd:
式中,hd为高度指令,为高度指令的一阶微分,kh>0,ki>0;考虑巡航段航迹角变化小,航迹角指令的一阶微分取为零;
取x1=γ,x2=θp,x3=q,θp=α+γ代表俯仰角;将式(3)-(5)写成如下严格反馈形式:
其中,fi,i=1,3为未知函数,gi,i=1,3为根据高超声速飞行器模型得到的已知函数;
步骤三、定义航迹角跟踪误差:
e1=x1-γd (8)
设计俯仰角虚拟控制量:
式中,k1>0,为由RBF神经网络得到的f1估计值,其中为神经网络最优权重向量的估计值,θ1为RBF函数向量;
定义设计一阶滤波器如下:
式中xf1、θf1为x1、θ1通过公式(10)所表达的滤波器后获得的信号,设计辅助矩阵P1、辅助向量Q1、W1如下:
式中,l1>0,神经网络权重通过如下自适应律获得:
其中,γ1>0,Γ1为正定常数对角矩阵;
设计一阶滤波器如下:
式中x2d为x2c通过公式(13)所表达的滤波器后获得的信号,α2>0;
定义俯仰角跟踪误差:
e2=x2-x2d (14)
设计俯仰角速率虚拟控制量:
式中,k2>0;
设计一阶滤波器如下:
式中x3d为x3c通过公式(16)所表达的滤波器后获得的信号,α3>0;
定义俯仰角速率跟踪误差:
e3=x3-x3d (17)
设计舵偏角控制律如下:
式中,k3>0,为由RBF神经网络得到的f3估计值,其中为神经网络最优权重向量的估计值,θ3为RBF函数向量;
令设计一阶滤波器如下:
式中xf3、θf3为x3、θ3通过公式(19)所表达的滤波器后获得的信号,设计辅助矩阵P3、辅助向量Q3、W3如下:
式中,l3>0,神经网络权重通过如下自适应律获得:
其中,γ3>0,Γ3为正定常数对角矩阵;
步骤四、定义速度跟踪误差:
式中,Vd为速度指令;设计节流阀开度如下:
式中,kpV>0、kiV>0、kdV>0;
步骤五、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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789197.5A CN107390531B (zh) | 2017-09-05 | 2017-09-05 | 参数学习有限时间收敛的高超声速飞行器控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789197.5A CN107390531B (zh) | 2017-09-05 | 2017-09-05 | 参数学习有限时间收敛的高超声速飞行器控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107390531A CN107390531A (zh) | 2017-11-24 |
CN107390531B true CN107390531B (zh) | 2019-10-18 |
Family
ID=60348028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710789197.5A Active CN107390531B (zh) | 2017-09-05 | 2017-09-05 | 参数学习有限时间收敛的高超声速飞行器控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107390531B (zh) |
Families Citing this family (9)
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 |
CN110456642A (zh) * | 2019-07-24 | 2019-11-15 | 西北工业大学 | 基于奇异摄动分析的弹性飞行器鲁棒有限时间控制方法 |
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 |
CN111487866B (zh) * | 2020-04-09 | 2022-11-08 | 中北大学 | 基于混合事件触发的高超声速飞行器神经抗干扰控制方法 |
CN113985901B (zh) * | 2021-09-14 | 2023-06-27 | 中国人民解放军海军工程大学 | 基于扰动估计的高超声速飞行器预设性能控制方法及装置 |
CN113985732B (zh) * | 2021-10-11 | 2023-06-20 | 广州大学 | 针对飞行器***的自适应神经网络控制方法及装置 |
CN116594414B (zh) * | 2023-03-28 | 2024-03-15 | 西北工业大学 | 一种高超声速飞行器纵向控制方法 |
Citations (9)
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 |
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 |
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 |
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)
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 |
-
2017
- 2017-09-05 CN CN201710789197.5A patent/CN107390531B/zh active Active
Patent Citations (9)
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 |
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 |
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 |
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)
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 |
---|---|
CN107390531A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107390531B (zh) | 参数学习有限时间收敛的高超声速飞行器控制方法 | |
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 | |
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 | |
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 | |
CN111665857B (zh) | 基于复合智能学习的变体飞行器控制方法 | |
CN108536020A (zh) | 一种针对垂直起降重复使用运载器的模型参考自适应滑模控制方法 | |
CN109426146A (zh) | 高超声速飞行器的高阶非奇异Terminal滑模控制方法 | |
CN109144084A (zh) | 一种基于固定时间收敛观测器的垂直起降重复使用运载器姿态跟踪控制方法 | |
CN106896722B (zh) | 采用状态反馈与神经网络的高超飞行器复合控制方法 | |
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 | |
CN105159306A (zh) | 一种基于全局稳定的四旋翼飞行器滑模控制方法 | |
CN102880052A (zh) | 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 | |
CN110568765A (zh) | 面向攻角跟踪的高超声速飞行器非对称输出受限控制方法 | |
CN109703768B (zh) | 一种基于姿态/轨迹复合控制的软式空中加油对接方法 | |
CN110320925A (zh) | 基于高阶干扰观测器的四旋翼飞行器安全控制方法 | |
CN110320927A (zh) | 智能变形飞行器的飞行控制方法及*** | |
CN108762098B (zh) | 基于复合学习的非最小相位飞行器神经网络控制方法 | |
Cheng et al. | Neural-networks control for hover to high-speed-level-flight transition of ducted fan uav with provable stability | |
CN106527128B (zh) | 兼顾瞬态响应与鲁棒稳定性的飞行控制律设计方法 | |
CN113268084B (zh) | 一种无人机编队智能容错控制方法 | |
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 | |
CN107844128A (zh) | 一种基于复合比例导引的高超声速飞行器巡航段制导方法 | |
CN108873923B (zh) | 应急指挥控制固定翼无人机舰面紧急起飞控制方法 | |
CN109062234B (zh) | 一种非最小相位飞行器复合学习滑模控制方法 |
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 |