自适应上界的相对最大分离比单球面分类器

单球面分类器(RSS)以最大分离比为目标,对负类样本的分布情况缺乏考虑。根据Fisher判别准则,将相对间隔的思想引入到单球面分类器中,对特征空间中负类样本的分布上界进行约束来增强其内聚度,以提高分类器判别的准确性。由于分布上界的不可预测,为避免问题不可解,建立了自适应上界的最大相对分离比单球面分类器模型(ARRSS),并对模型参数进行了分析。实验证明,与单球面分类器相比,该方法表现出更好的泛化能力。

不确定系统的上界自适应动态神经滑模控制

针对滑模控制中不确定上界值的问题,提出一种神经网络上界自适应学习的动态滑模控制方法。该方法将系统中不确定及干扰部分分离出来,构造不确定量的联合上界,然后分两步进行分析。当上界已知时,采用动态滑模方法设计滑模控制器;上界未知时,采用神经网络自适应学习不确定项的上界,设计了权值调整规则及动态神经滑模控制器。该控制器不仅可以保证非线性不确定系统渐近稳定,降低一般滑模控制理论分析的条件,还有效地抑制了抖振。仿真实例表明,该控制方法是正确有效的。

高机动弹道目标末端拦截的新型有限时间滑模制导律设计

针对高机动弹道目标末端拦截问题,设计了一种具有有限时间收敛特性的新型滑模制导律。首先针对目标三维运动强耦合的特点,基于视线旋转坐标系内弹目相对运动关系建模,结合降维微分几何制导律和滑模控制理论,并采用快速双幂次趋近律构造了有限时间内快速收敛的连续制导指令;同时,采用了一种在末端拦截段使视线转率随弹目相对距离的减小在有限时间内快速收敛的滑模面;进而将目标的机动加速度视为上界未知的有界扰动,并通过自适应估计实现对目标加速度上界的快速逼近,可显著提高滑模面收敛速度,同时减弱抖震现象;最后,通过李雅普诺夫定律,对所提出新制导律的稳定性进行了证明。仿真结果表明,所设计的新型制导律能有效拦截高机动弹道目标。