CN110456643A - 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 - Google Patents
基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 Download PDFInfo
- Publication number
- CN110456643A CN110456643A CN201910670980.9A CN201910670980A CN110456643A CN 110456643 A CN110456643 A CN 110456643A CN 201910670980 A CN201910670980 A CN 201910670980A CN 110456643 A CN110456643 A CN 110456643A
- Authority
- CN
- China
- Prior art keywords
- design
- subsystem
- follows
- indicate
- angle
- 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.)
- Pending
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)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于奇异摄动的弹性飞行器历史数据学习自适应控制方法。本方法将弹性飞行器纵向通道模型解耦为速度子***和高度子***;针对姿态子***通过奇异摄动算法分解为慢变子***和快变子***,采用动态面控制设计慢变子***的舵偏角控制器,利用神经网络估计***不确定信息,采集在线数据构建预测误差并结合跟踪误差调节神经网络权重更新律,针对表征***弹性模态的快变时标部分设计滑模自适应控制算法进行模态抑制;采用PID策略针对速度子***设计节流阀开度,实现对高度和速度的跟踪控制,最后将控制方法应用到高超声速飞行器弹性体模型中。
Description
技术领域
本发明涉及一种飞行器控制方法,特别是涉及一种基于奇异摄动的弹性飞行器历史数据学习自适应控制方法,属于飞行控制领域。
背景技术
已有的弹性飞行器控制研究多忽略弹性模态直接对刚体进行控制器设计,然而仅将对象视为纯刚体进行控制,无法满足控制高精度的需求;也有学者将弹性模态视为一种扰动,通过补偿控制实现弹性部分控制,然而这种处理思路缺乏对于弹性体动力学的深入分析与研究。反步法控制被广泛应用于飞行器控制,但是在传统设计中存在“复杂度***”问题,因此动态面设计以及指令滤波设计被应用降低设计复杂度。而针对飞行器***存在的非线性,基于神经网络进行逼近学习的智能控制技术得到广泛关注。现在多数已有智能控制研究基于跟踪误差进行权重更新,仅保证闭环***的稳定性,难以实现预期的非线性估计效果。
《Exact slow-fast decomposition of the nonlinear singularly perturbedoptimal control problem》(E.Fridman,2000年,第40卷第2期)一文研究了奇异摄动***的有限时间非线性二次型最优控制方法。该方法给出了不加限定的奇异摄动***鲁棒控制算法,设定快慢子***都是非线性的,然后以二次型优化为目标,寻找一个不变流形,最终得到了较为精确的模型分解结果,进一步设计控制算法满足控制性能要求。
发明内容
要解决的技术问题
为解决非线性未知情形下的弹性飞行器***飞行控制的问题,本发明提出了一种基于奇异摄动的弹性飞行器历史数据学习自适应控制方法。本方法将弹性飞行器纵向通道模型解耦为速度子***和高度子***;针对姿态子***通过奇异摄动算法分解为慢变子***和快变子***,采用动态面控制设计慢变子***的舵偏角控制器,利用神经网络估计***不确定信息,采集在线数据构建预测误差并结合跟踪误差调节神经网络权重更新律,针对表征***弹性模态的快变时标部分设计滑模自适应控制算法进行模态抑制;采用PID策略针对速度子***设计节流阀开度,实现对高度和速度的跟踪控制,最后将控制方法应用到高超声速飞行器弹性体模型中。
技术方案
一种基于奇异摄动的弹性飞行器历史数据学习自适应控制方法,其特征在于步骤如下:
步骤1:考虑弹性飞行器纵向通道动力学模型:
所述的运动学模型由七个状态量和两个控制输入U=[δe,Φ]T组成;其中,V表示速度,h表示高度,γ表示航迹倾角,α表示攻角,q表示俯仰角速度,η和表示弹性模态,δe表示舵偏角,Φ表示节流阀开度;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度;ζ、ω和N分别表示弹性模态的阻尼比、自然振动频率和广义力;
力与力矩以及各系数的表达式为:
T=A1+B1η,
D=A2+B2η,
L=A3+B3η,
Myy=A4+B4η,
其中,表示动压,ρ表示空气密度,表示平均气动弦长,zT表示推力矩臂长,S表示气动参考面积;
步骤2:定义高度跟踪误差为eh=h-hd,设计航迹角指令γd为:
其中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh>0和ki>0为设计参数;
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
其中,表示高度参考指令的二阶微分;
步骤3:取x1=γ,x2=θ,x3=q,其中θ=α+γ表示俯仰角;姿态子***(3)-(6)写为以下形式:
其中,
定义ρσ=η,ρB2=β1;姿态子***(9)写为以下形式:
设置ρ=0,姿态子***(10)写为以下慢变子***形式:
其中,‘s’表示慢变子***,δes表示慢变子***的控制输入;
将式(14)代入式(10)中,慢变子***(11)-(14)写为以下形式:
慢变子***(15)可进一步写为以下严格反馈形式:
其中,fi,i=1,3是由式(15)得到的未知平滑非线性函数;gi,i=1,3是由式(15)得到的已知非线性函数;
步骤4:定义ψ1=σ-σs,式(6)写为以下形式:
其中,δef=δe-δes表示快变子***的控制输入;
将式(14)代入式(17)中,快变子***(17)写为以下形式:
将式(18)进一步写为如下矩阵形式:
其中,ψ=[ψ1,ψ2]T,
步骤5:第1步:定义航迹角跟踪误差为:
e1=x1s-γd (20)
设计俯仰角虚拟控制量为:
其中,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,k1>0为设计参数;
设计一阶滤波器为:
其中,表示通过式(22)所表达的滤波器后获得的信号,为滤波后得到的信号的微分信号,α2>0为设计参数;
设计补偿信号z1为:
其中z2在下一步设计中给出;
定义补偿后跟踪误差为ν1=e1-z1,设计集总预测误差为其中τd>0为在线数据采集区间;
设计神经网络复合学习自适应更新律为:
其中γ1>0,和为设计参数;
第2步:定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
其中,k2>0为设计参数;
设计一阶滤波器为:
其中,表示通过式(27)所表达的滤波器后获得的信号,为滤波后得到的信号的微分信号,α3>0为设计参数;
设计补偿信号z2为:
定义补偿后跟踪误差为v2=e2-z2;
第3步:定义俯仰角速率跟踪误差为:
设计慢变子***舵偏角为:
其中,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,k3>0为设计参数;
设计补偿信号z3为:
定义补偿后跟踪误差为v3=e3-z3,设计集总预测误差为其中
设计神经网络复合学习自适应更新律为:
其中γ3>0,和为设计参数;
步骤6:定义滑模切换函数为:
c=Gψ (32)
其中,G∈R2×2为设计的矩阵;
设计快变子***舵偏角为:
δef=(GQf)+[-G(Pfψ)-Kfsign(c)] (33)
其中,‘+’表示矩阵的摩尔彭罗斯逆,Kf为设计的正定矩阵;
步骤7:定义速度跟踪误差为:
其中,Vd为速度参考指令;
设计节流阀开度Φ为:
其中,kpV>0,kiV>0和kdV>0为设计参数;
步骤8:根据得到的慢变子***的舵偏角δes和快变子***的舵偏角δef,得到姿态子***的舵偏角δe=δes+δef,结合速度子***的节流阀开度Φ,返回到高超声速飞行器动力学模型(1)-(6),对高度和速度进行跟踪控制。
有益效果
本发明提出的一种基于奇异摄动的弹性飞行器历史数据学习自适应控制方法,与现有技术相比有益效果为:
(1)本发明根据弹性飞行器纵向动力学模型,将动态***解耦成速度子***和高度子***。
(2)本发明基于奇异摄动理论分析弹性飞行器姿态子***,对刚柔模态进行解耦,实现快慢时标分离。
(3)本发明针对姿态慢变子***,基于历史数据构造模型预测误差,并集合跟踪误差设计了基于复合误差信息的神经网络自适应更新律,可有效提高神经网络的学习性能。
附图说明
图1是本发明基于奇异摄动的弹性飞行器历史数据学习自适应控制方法的流程图。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
参照图1,本发明基于奇异摄动的弹性飞行器历史数据学习自适应控制方法应用于一类高超声速飞行器,通过以下步骤实现:
(a)考虑弹性高超声速飞行器纵向通道动力学模型:
所述的运动学模型由七个状态量和两个控制输入U=[δe,Φ]T组成;其中,V表示速度,h表示高度,γ表示航迹倾角,α表示攻角,q表示俯仰角速度,η和表示弹性模态,δe表示舵偏角,Φ表示节流阀开度;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度;ζ、ω和N分别表示弹性模态的阻尼比、自然振动频率和广义力。
力与力矩以及各系数的表达式为:
T=A1+B1η,
D=A2+B2η,
L=A3+B3η,
Myy=A4+B4η,
ζ=0.05,ω=16.0214
S=17,zT=8.36,
Nα=4.574e3,N0=1.175e2
其中,表示动压,ρ表示空气密度,表示平均气动弦长,zT表示推力矩臂长,S表示气动参考面积。
(b)定义高度跟踪误差为eh=h-hd,设计航迹角指令γd为:
其中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh=0.5和ki=0.1。
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
其中,表示高度参考指令的二阶微分。
(c)取x1=γ,x2=θ,x3=q,其中θ=α+γ表示俯仰角。姿态子***(3)-(6)写为以下形式:
其中,
定义ρσ=η,ρB2=β1。姿态子***(9)写为以下形式:
设置ρ=0,姿态子***(10)写为以下慢变子***形式:
其中,‘s’表示慢变子***,δes表示慢变子***的控制输入。
将式(14)代入式(10)中,慢变子***(11)-(14)写为以下形式:
慢变子***(15)可进一步写为以下严格反馈形式:
其中,
(d)定义ψ1=σ-σs,式(6)写为以下形式:
其中,δef=δe-δes表示快变子***的控制输入。
将式(14)代入式(17)中,快变子***(17)写为以下形式:
将式(18)进一步写为如下矩阵形式:
其中,ψ=[ψ1,ψ2]T,
(e)第1步:定义航迹角跟踪误差为:
e1=x1s-γd (20)
设计俯仰角虚拟控制量为:
其中,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,k1=0.8。
设计一阶滤波器为:
其中,表示通过式(22)所表达的滤波器后获得的信号,为滤波后得到的信号的微分信号,α2=0.005。
设计补偿信号z1为:
其中z2在下一步设计中给出。
定义补偿后跟踪误差为ν1=e1-z1,设计集总预测误差为其中τd=0.05s。
设计神经网络复合学习自适应更新律为:
其中γ1=5,和
第2步:定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
其中,k2=1.8。
设计一阶滤波器为:
其中,表示通过式(27)所表达的滤波器后获得的信号,为滤波后得到的信号的微分信号,α3=0.05。
设计补偿信号z2为:
定义补偿后跟踪误差为v2=e2-z2。
第3步:定义俯仰角速率跟踪误差为:
设计慢变子***舵偏角为:
其中,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,k3=2.8。
设计补偿信号z3为:
定义补偿后跟踪误差为v3=e3-z3,设计集总预测误差为其中
设计神经网络复合学习自适应更新律为:
其中γ3=5,和
(f)定义滑模切换函数为:
c=Gψ (32)
其中,
设计快变子***舵偏角为:
δef=(GQf)+[-G(Pfψ)-Kfsign(c)] (33)
其中,‘+’表示矩阵的摩尔彭罗斯逆,
(g)定义速度跟踪误差为:
其中,Vd为速度参考指令。
设计节流阀开度Φ为:
其中,kpV=5,kiV=0.001和kdV=0.001。
(h)根据得到的慢变子***的舵偏角δes和快变子***的舵偏角δef,得到姿态子***的舵偏角δe=δes+δef,结合速度子***的节流阀开度Φ,返回到高超声速飞行器动力学模型(1)-(6),对高度和速度进行跟踪控制。
Claims (1)
1.一种基于奇异摄动的弹性飞行器历史数据学习自适应控制方法,其特征在于步骤如下:
步骤1:考虑弹性飞行器纵向通道动力学模型:
所述的运动学模型由七个状态量和两个控制输入U=[δe,Φ]T组成;其中,V表示速度,h表示高度,γ表示航迹倾角,α表示攻角,q表示俯仰角速度,η和表示弹性模态,δe表示舵偏角,Φ表示节流阀开度;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度;ζ、ω和N分别表示弹性模态的阻尼比、自然振动频率和广义力;
力与力矩以及各系数的表达式为:
T=A1+B1η,
D=A2+B2η,
L=A3+B3η,
Myy=A4+B4η,
其中,表示动压,ρ表示空气密度,表示平均气动弦长,zT表示推力矩臂长,S表示气动参考面积;
步骤2:定义高度跟踪误差为eh=h-hd,设计航迹角指令γd为:
其中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh>0和ki>0为设计参数;
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
其中,表示高度参考指令的二阶微分;
步骤3:取x1=γ,x2=θ,x3=q,其中θ=α+γ表示俯仰角;姿态子***(3)-(6)写为以下形式:
其中,
定义ρσ=η,ρB2=β1;姿态子***(9)写为以下形式:
设置ρ=0,姿态子***(10)写为以下慢变子***形式:
其中,‘s’表示慢变子***,δes表示慢变子***的控制输入;
将式(14)代入式(10)中,慢变子***(11)-(14)写为以下形式:
慢变子***(15)可进一步写为以下严格反馈形式:
其中,fi,i=1,3是由式(15)得到的未知平滑非线性函数;gi,i=1,3是由式(15)得到的已知非线性函数;
步骤4:定义ψ1=σ-σs,式(6)写为以下形式:
其中,δef=δe-δes表示快变子***的控制输入;
将式(14)代入式(17)中,快变子***(17)写为以下形式:
将式(18)进一步写为如下矩阵形式:
其中,ψ=[ψ1,ψ2]T,
步骤5:第1步:定义航迹角跟踪误差为:
e1=x1s-γd (20)
设计俯仰角虚拟控制量为:
其中,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,k1>0为设计参数;
设计一阶滤波器为:
其中,表示通过式(22)所表达的滤波器后获得的信号,为滤波后得到的信号的微分信号,α2>0为设计参数;
设计补偿信号z1为:
其中z2在下一步设计中给出;
定义补偿后跟踪误差为ν1=e1-z1,设计集总预测误差为其中τd>0为在线数据采集区间;
设计神经网络复合学习自适应更新律为:
其中γ1>0,和为设计参数;
第2步:定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
其中,k2>0为设计参数;
设计一阶滤波器为:
其中,表示通过式(27)所表达的滤波器后获得的信号,为滤波后得到的信号的微分信号,α3>0为设计参数;
设计补偿信号z2为:
定义补偿后跟踪误差为v2=e2-z2;
第3步:定义俯仰角速率跟踪误差为:
设计慢变子***舵偏角为:
其中,表示神经网络最优权重向量的估计值,表示神经网络基函数向量,k3>0为设计参数;
设计补偿信号z3为:
定义补偿后跟踪误差为v3=e3-z3,设计集总预测误差为其中
设计神经网络复合学习自适应更新律为:
其中γ3>0,和为设计参数;
步骤6:定义滑模切换函数为:
c=Gψ (32)
其中,G∈R2×2为设计的矩阵;
设计快变子***舵偏角为:
δef=(GQf)+[-G(Pfψ)-Kfsign(c)] (33)
其中,‘+’表示矩阵的摩尔彭罗斯逆,Kf为设计的正定矩阵;
步骤7:定义速度跟踪误差为:
其中,Vd为速度参考指令;
设计节流阀开度Φ为:
其中,kpV>0,kiV>0和kdV>0为设计参数;
步骤8:根据得到的慢变子***的舵偏角δes和快变子***的舵偏角δef,得到姿态子***的舵偏角δe=δes+δef,结合速度子***的节流阀开度Φ,返回到高超声速飞行器动力学模型(1)-(6),对高度和速度进行跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670980.9A CN110456643A (zh) | 2019-07-24 | 2019-07-24 | 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670980.9A CN110456643A (zh) | 2019-07-24 | 2019-07-24 | 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110456643A true CN110456643A (zh) | 2019-11-15 |
Family
ID=68483272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910670980.9A Pending CN110456643A (zh) | 2019-07-24 | 2019-07-24 | 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110456643A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679583A (zh) * | 2020-06-21 | 2020-09-18 | 西北工业大学 | 基于气动参数估计的变体飞行器自适应控制方法 |
CN112631320A (zh) * | 2020-09-22 | 2021-04-09 | 深圳先进技术研究院 | 一种无人机自适应控制方法及*** |
CN113232822A (zh) * | 2020-09-27 | 2021-08-10 | 北京海兰信数据科技股份有限公司 | 一种船用伺服阀液压舵机的控制方法及*** |
CN114326408A (zh) * | 2022-01-06 | 2022-04-12 | 广东省智能机器人研究院 | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 |
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 |
CN116027809A (zh) * | 2023-02-07 | 2023-04-28 | 中国矿业大学 | 一种DoS攻击下的多四旋翼无人机编队控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303889A (zh) * | 2018-02-07 | 2018-07-20 | 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 |
CN108333939A (zh) * | 2018-02-07 | 2018-07-27 | 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 |
CN108415247A (zh) * | 2018-02-07 | 2018-08-17 | 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 |
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 |
-
2019
- 2019-07-24 CN CN201910670980.9A patent/CN110456643A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303889A (zh) * | 2018-02-07 | 2018-07-20 | 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 |
CN108333939A (zh) * | 2018-02-07 | 2018-07-27 | 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 |
CN108415247A (zh) * | 2018-02-07 | 2018-08-17 | 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 |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679583A (zh) * | 2020-06-21 | 2020-09-18 | 西北工业大学 | 基于气动参数估计的变体飞行器自适应控制方法 |
CN112631320A (zh) * | 2020-09-22 | 2021-04-09 | 深圳先进技术研究院 | 一种无人机自适应控制方法及*** |
CN112631320B (zh) * | 2020-09-22 | 2024-04-26 | 深圳先进技术研究院 | 一种无人机自适应控制方法及*** |
CN113232822A (zh) * | 2020-09-27 | 2021-08-10 | 北京海兰信数据科技股份有限公司 | 一种船用伺服阀液压舵机的控制方法及*** |
CN114326408A (zh) * | 2022-01-06 | 2022-04-12 | 广东省智能机器人研究院 | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 |
CN114326408B (zh) * | 2022-01-06 | 2024-03-19 | 广东省智能机器人研究院 | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 |
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 |
CN116027809A (zh) * | 2023-02-07 | 2023-04-28 | 中国矿业大学 | 一种DoS攻击下的多四旋翼无人机编队控制方法 |
CN116027809B (zh) * | 2023-02-07 | 2023-07-18 | 中国矿业大学 | 一种DoS攻击下的多四旋翼无人机编队控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110456643A (zh) | 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 | |
CN108663940B (zh) | 基于集总复合估计的飞行器神经网络学习控制方法 | |
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 | |
CN102880055B (zh) | 基于预测模型的高超声速飞行器神经网络控制方法 | |
CN102880053B (zh) | 基于预测模型的高超声速飞行器滑模控制方法 | |
CN111665857B (zh) | 基于复合智能学习的变体飞行器控制方法 | |
CN110320807A (zh) | 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 | |
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 | |
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 | |
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 | |
CN110320794A (zh) | 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 | |
CN107390531B (zh) | 参数学习有限时间收敛的高超声速飞行器控制方法 | |
CN110308657A (zh) | 基于奇异摄动策略的弹性飞行器全局鲁棒智能控制方法 | |
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 | |
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 | |
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 | |
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 | |
CN112379595B (zh) | 非线性严格反馈切换***复合干扰学习控制方法 | |
CN108303889B (zh) | 一种基于非线性信息的时标分离飞行器弹性体控制方法 | |
CN107526296A (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 | |
CN102540882A (zh) | 一种基于最小参数学习法的飞行器航迹倾角控制方法 | |
CN111290278B (zh) | 一种基于预测滑模的高超声速飞行器鲁棒姿态控制方法 | |
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 | |
CN112578805A (zh) | 一种旋翼飞行器的姿态控制方法 | |
CN102866635A (zh) | 基于等价模型的高超声速飞行器离散神经网络自适应控制方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191115 |
|
WD01 | Invention patent application deemed withdrawn after publication |