CN107479383A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107479383A CN107479383A CN201710789243.1A CN201710789243A CN107479383A CN 107479383 A CN107479383 A CN 107479383A CN 201710789243 A CN201710789243 A CN 201710789243A CN 107479383 A CN107479383 A CN 107479383A
- Authority
- CN
- China
- Prior art keywords
- design
- follows
- neural network
- hypersonic aircraft
- neutral net
- 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
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,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***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***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;考虑控制增益函数未知,引入其上下界信息,设计鲁棒项以保证***稳定。由于将严格反馈形式转换为输出反馈形式,有效避免了采用神经网络对未来所需虚拟控制量的逼近;针对***不确定性,设计鲁棒项,保证***稳定性;构造建模误差设计神经网络复合学习更新律,提高神经网络学习速度。
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。
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***”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***”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。该方法对姿态子***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***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;考虑控制增益函数未知,引入其上下界信息,设计鲁棒项以保证***稳定。由于将严格反馈形式转换为输出反馈形式,有效避免了采用神经网络对未来所需虚拟控制量的逼近;针对***不确定性,充分利用控制增益函数上下界信息,设计鲁棒项,保证***稳定性;构造建模误差设计神经网络复合学习更新律,提高神经网络学习速度,实用性好。
本发明解决其技术问题所采用的技术方案:一种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,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:
所述的纵向通道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***(3)-(5)写成以下严格反馈形式:
其中,fi,i=1,2,3和gi,i=1,2,3为根据(3)-(5)式得到的未知项,且已知量和g i分别为函数gi的上下界;
(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***(8)转换为以下输出反馈形式:
其中a3是X的未知函数,b3=g1g2g3;
(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***,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;
对于控制增益函数b3,满足其中和b 3分别是b3的上界和下界,定义则b3可表示为
b3=bmΔb (15)
其中,Δb是乘性不确定性且满足
设计控制器
其中,kA>0是控制增益参数;鲁棒项ur设计如下:
定义建模误差zNN如下:
其中由下式得到
神经网络权值的更新律如下:
其中,γa,γz,γka,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。
本发明的有益效果是:该方法对姿态子***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***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;考虑控制增益函数未知,引入其上下界信息,设计鲁棒项以保证***稳定。由于将严格反馈形式转换为输出反馈形式,有效避免了采用神经网络对未来所需虚拟控制量的逼近;针对***不确定性,充分利用控制增益函数上下界信息,设计鲁棒项,保证***稳定性;构造建模误差设计神经网络复合学习更新律,提高神经网络学习速度,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的流程图。
具体实施方式
参照图1。本发明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:
该纵向通道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:
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变化较小,故可将航迹角指令的二、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***(3)-(5)写成以下严格反馈形式:
其中,
且其中和g i>0分别为函数gi的绝对值的上下界,为已知;
(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,
其中,
控制增益函数b3满足其中和b 3分别是b3的上界和下界;将姿态子***(8)转换为以下输出反馈形式:
其中a3未知,b3=g1g2g3;
(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
(f)针对姿态子***,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由设计者给定;
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;
对于函数b3,定义则b3可表示为
b3=bmΔb (15)
其中,Δb是乘性不确定性且满足
设计控制器
其中,kA>0是由设计者给定的控制增益参数;鲁棒项ur设计如下:
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;
神经网络权值的复合更新律如下:
其中,γa,γka,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;
设计控制器如下:
β=-kVZV-lVsgn(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,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:
<mrow>
<mover>
<mi>V</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mi>T</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&alpha;</mi>
<mo>-</mo>
<mi>D</mi>
</mrow>
<mi>m</mi>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<mi>&mu;</mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&gamma;</mi>
</mrow>
<msup>
<mi>r</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>h</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>V</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&gamma;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>&gamma;</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mo>+</mo>
<mi>T</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&alpha;</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>V</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mi>&mu;</mi>
<mo>-</mo>
<msup>
<mi>V</mi>
<mn>2</mn>
</msup>
<mi>r</mi>
<mo>)</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&gamma;</mi>
</mrow>
<mrow>
<msup>
<mi>Vr</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>q</mi>
<mo>-</mo>
<mover>
<mi>&gamma;</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>q</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mfrac>
<msub>
<mi>M</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
所述的纵向通道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:
<mrow>
<msub>
<mi>&gamma;</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>h</mi>
</msub>
<mover>
<mi>h</mi>
<mo>~</mo>
</mover>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>&Integral;</mo>
<mover>
<mi>h</mi>
<mo>~</mo>
</mover>
<mi>d</mi>
<mi>t</mi>
<mo>+</mo>
<msub>
<mover>
<mi>h</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
</mrow>
<mi>V</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
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:
<mrow>
<msub>
<mover>
<mi>&gamma;</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&gamma;</mi>
<mo>-</mo>
<msub>
<mover>
<mi>h</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mover>
<mi>h</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<msub>
<mover>
<mi>h</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
</mrow>
<mi>V</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
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***(3)-(5)写成以下严格反馈形式:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>g</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>g</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&delta;</mi>
<mi>e</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,fi,i=1,2,3和gi,i=1,2,3为根据(3)-(5)式得到的未知项,且已知量和gi分别为函数gi的上下界;
(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***(8)转换为以下输出反馈形式:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>3</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>3</mn>
</msub>
<msub>
<mi>&delta;</mi>
<mi>e</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中a3是X的未知函数,b3=g1g2g3;
(e)设计高增益观测器如下
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>&xi;</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>&xi;</mi>
<mn>2</mn>
</msub>
<mi>&epsiv;</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>&xi;</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>&xi;</mi>
<mn>3</mn>
</msub>
<mi>&epsiv;</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>&xi;</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&xi;</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<msub>
<mi>&xi;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&xi;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>&epsiv;</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
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***,定义Yd如下所示:
<mrow>
<msub>
<mi>Y</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&gamma;</mi>
<mi>d</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>&gamma;</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>&gamma;</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
则向量E和滤波跟踪误差S的估计值如下:
<mrow>
<mover>
<mi>E</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mover>
<mi>Z</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>&Lambda;</mi>
<mi>T</mi>
</msup>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mover>
<mi>E</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Λ=[λ2,2λ]T,λ>0;
对于未知函数a3(X),用神经网络来逼近
<mrow>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>=</mo>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>a</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>&theta;</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
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;
对于控制增益函数b3,满足其中和b3分别是b3的上界和下界,定义则b3可表示为
b3=bmΔb(15)
其中,Δb是乘性不确定性且满足
设计控制器
<mrow>
<msub>
<mi>&delta;</mi>
<mi>e</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>A</mi>
</msub>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,kA>0是控制增益参数;鲁棒项ur设计如下:
<mrow>
<msub>
<mi>u</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>|</mo>
<mrow>
<msub>
<mi>k</mi>
<mi>A</mi>
</msub>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<mo>+</mo>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
</mrow>
<mo>|</mo>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
定义建模误差zNN如下:
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>N</mi>
<mi>N</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mn>3</mn>
<mi>N</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>18</mn>
<mo>)</mo>
</mrow>
</mrow>
其中由下式得到
<mrow>
<msub>
<mover>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mn>3</mn>
<mi>N</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
<msub>
<mi>&delta;</mi>
<mi>e</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&gamma;</mi>
<mi>z</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mn>3</mn>
<mi>N</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>19</mn>
<mo>)</mo>
</mrow>
</mrow>
神经网络权值的更新律如下:
<mrow>
<msub>
<mover>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mi>a</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&gamma;</mi>
<mi>a</mi>
</msub>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<mo>+</mo>
<msub>
<mi>&gamma;</mi>
<msub>
<mi>k</mi>
<mi>a</mi>
</msub>
</msub>
<msub>
<mi>z</mi>
<mrow>
<mi>N</mi>
<mi>N</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&theta;</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>a</mi>
</msub>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>a</mi>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>20</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,γa,γz,γka,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789243.1A CN107479383B (zh) | 2017-09-05 | 2017-09-05 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789243.1A CN107479383B (zh) | 2017-09-05 | 2017-09-05 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107479383A true CN107479383A (zh) | 2017-12-15 |
CN107479383B CN107479383B (zh) | 2019-10-22 |
Family
ID=60604456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710789243.1A Active CN107479383B (zh) | 2017-09-05 | 2017-09-05 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107479383B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663940A (zh) * | 2018-08-20 | 2018-10-16 | 西北工业大学 | 基于集总复合估计的飞行器神经网络学习控制方法 |
CN108762098A (zh) * | 2018-08-20 | 2018-11-06 | 西北工业大学 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
CN108828957A (zh) * | 2018-08-20 | 2018-11-16 | 西北工业大学 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
CN108897227A (zh) * | 2018-08-20 | 2018-11-27 | 西北工业大学 | 非线性严格反馈***全局有限时间神经网络控制方法 |
CN109062049A (zh) * | 2018-08-20 | 2018-12-21 | 西北工业大学 | 基于集总复合估计的严格反馈***神经网络控制方法 |
CN109062055A (zh) * | 2018-09-10 | 2018-12-21 | 南京航空航天大学 | 一种基于Back-stepping鲁棒自适应动态面的近空间飞行器控制*** |
CN109062234A (zh) * | 2018-08-20 | 2018-12-21 | 西北工业大学 | 一种非最小相位飞行器复合学习滑模控制方法 |
CN109514558A (zh) * | 2018-12-24 | 2019-03-26 | 中国航空工业集团公司西安飞机设计研究所 | 基于奇异摄动的柔性机械臂时标分离鲁棒控制方法 |
CN110488852A (zh) * | 2019-08-28 | 2019-11-22 | 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 |
CN113093539A (zh) * | 2021-03-29 | 2021-07-09 | 西北工业大学 | 基于多模态划分的宽域飞行鲁棒自适应切换控制方法 |
CN114397819A (zh) * | 2022-01-13 | 2022-04-26 | 大连理工大学 | 航空发动机执行机构的事件触发自适应控制方法 |
CN114489095A (zh) * | 2021-12-11 | 2022-05-13 | 西北工业大学 | 一种应用于变体飞行器的类脑脉冲神经网络控制方法 |
CN114779636A (zh) * | 2022-04-17 | 2022-07-22 | 西北工业大学 | 考虑气动伺服弹性的飞行器鲁棒自适应控制方法 |
Citations (10)
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 |
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 |
-
2017
- 2017-09-05 CN CN201710789243.1A patent/CN107479383B/zh active Active
Patent Citations (10)
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. |
US20050137724A1 (en) * | 2003-10-10 | 2005-06-23 | Georgia Tech Research Corporation | Adaptive observer and related method |
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 |
---|
BIN XU: "《Neural Control for Longitudinal Dynamics of Hypersonic Aircraft》", 《2013 INTERNATIONAL CONFERENCE ON UNMANNED AIRCRAFT SYSTEMS (ICUAS)》 * |
JIANMIN WANG: "《RBF Neural Network based Adaptive Sliding Mode Control forHypersonic Flight Vehicles》", 《PROCEEDINGS OF 2016 IEEE CHINESE GUIDANCE, NAVIGATION AND CONTROL CONFERENCE》 * |
李砚浓: "《基于RBF 神经网络自适应PID四旋翼飞行器控制》", 《控制工程》 * |
王丽: "《基于混合神经网络的鲁棒自适应飞行控制器的设计》", 《电光与控制》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062234B (zh) * | 2018-08-20 | 2019-11-05 | 西北工业大学 | 一种非最小相位飞行器复合学习滑模控制方法 |
CN108762098A (zh) * | 2018-08-20 | 2018-11-06 | 西北工业大学 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
CN108828957A (zh) * | 2018-08-20 | 2018-11-16 | 西北工业大学 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
CN108897227A (zh) * | 2018-08-20 | 2018-11-27 | 西北工业大学 | 非线性严格反馈***全局有限时间神经网络控制方法 |
CN109062049A (zh) * | 2018-08-20 | 2018-12-21 | 西北工业大学 | 基于集总复合估计的严格反馈***神经网络控制方法 |
CN108663940A (zh) * | 2018-08-20 | 2018-10-16 | 西北工业大学 | 基于集总复合估计的飞行器神经网络学习控制方法 |
CN109062234A (zh) * | 2018-08-20 | 2018-12-21 | 西北工业大学 | 一种非最小相位飞行器复合学习滑模控制方法 |
CN108828957B (zh) * | 2018-08-20 | 2019-11-05 | 西北工业大学 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
CN109062049B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 基于集总复合估计的严格反馈***神经网络控制方法 |
CN108663940B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 基于集总复合估计的飞行器神经网络学习控制方法 |
CN108897227B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 非线性严格反馈***全局有限时间神经网络控制方法 |
CN108762098B (zh) * | 2018-08-20 | 2019-11-01 | 西北工业大学 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
CN109062055A (zh) * | 2018-09-10 | 2018-12-21 | 南京航空航天大学 | 一种基于Back-stepping鲁棒自适应动态面的近空间飞行器控制*** |
CN109514558A (zh) * | 2018-12-24 | 2019-03-26 | 中国航空工业集团公司西安飞机设计研究所 | 基于奇异摄动的柔性机械臂时标分离鲁棒控制方法 |
CN110488852A (zh) * | 2019-08-28 | 2019-11-22 | 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 |
CN113093539A (zh) * | 2021-03-29 | 2021-07-09 | 西北工业大学 | 基于多模态划分的宽域飞行鲁棒自适应切换控制方法 |
CN113093539B (zh) * | 2021-03-29 | 2022-08-09 | 西北工业大学 | 基于多模态划分的宽域飞行鲁棒自适应切换控制方法 |
CN114489095A (zh) * | 2021-12-11 | 2022-05-13 | 西北工业大学 | 一种应用于变体飞行器的类脑脉冲神经网络控制方法 |
CN114489095B (zh) * | 2021-12-11 | 2023-12-26 | 西北工业大学 | 一种应用于变体飞行器的类脑脉冲神经网络控制方法 |
CN114397819A (zh) * | 2022-01-13 | 2022-04-26 | 大连理工大学 | 航空发动机执行机构的事件触发自适应控制方法 |
CN114397819B (zh) * | 2022-01-13 | 2023-10-13 | 大连理工大学 | 航空发动机执行机构的事件触发自适应控制方法 |
CN114779636A (zh) * | 2022-04-17 | 2022-07-22 | 西北工业大学 | 考虑气动伺服弹性的飞行器鲁棒自适应控制方法 |
CN114779636B (zh) * | 2022-04-17 | 2023-08-01 | 西北工业大学 | 考虑气动伺服弹性的飞行器鲁棒自适应控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107479383B (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107479384B (zh) | 高超声速飞行器神经网络复合学习非反步控制方法 | |
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 | |
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 | |
CN107942651B (zh) | 一种近空间飞行器控制*** | |
CN107390531B (zh) | 参数学习有限时间收敛的高超声速飞行器控制方法 | |
CN109144084B (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 | |
CN109426146B (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 | |
CN111665857B (zh) | 基于复合智能学习的变体飞行器控制方法 | |
CN111679583B (zh) | 基于气动参数估计的变体飞行器自适应控制方法 | |
CN105629734B (zh) | 一种近空间飞行器的轨迹跟踪控制方法 | |
CN111522356B (zh) | 一种倾转旋翼无人机强鲁棒全包线一体化控制方法 | |
CN107065554B (zh) | 近空间可变翼飞行器自适应小翼切换控制***及工作方法 | |
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 | |
CN109062055A (zh) | 一种基于Back-stepping鲁棒自适应动态面的近空间飞行器控制*** | |
CN109828602B (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 | |
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 | |
CN110456636B (zh) | 基于不确定性上界估计的飞行器离散滑模自适应控制方法 | |
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 | |
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 | |
CN109062234B (zh) | 一种非最小相位飞行器复合学习滑模控制方法 | |
CN106527128B (zh) | 兼顾瞬态响应与鲁棒稳定性的飞行控制律设计方法 | |
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 |
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 |