基于RBF神经网络和SQP算法的再入跳跃轨迹优化

针对强非线性、多阶段的含动力再入跳跃轨迹优化模型不易建立、传统寻优过程复杂与效率低的问题,通过具备强大的非线性拟合能力的径向基核函数(Radical Basis Function,RBF)神经网络,建立了发动机开关机点与适应度函数的非线性映射关系,然后基于该辨识系统采用序列二次规划算法(SQP)进行轨迹优化,通过对美国通用飞行器CAV-H的仿真分析,并与基于混沌粒子群算法的含动力再入轨迹寻优结果对比,验证了该方法的高效性和准确性。

基于Radon变换的健美操跳跃动作轨迹实时提取方法

在健美操跳跃时若不能及时明确指出不标准跳跃动作,运动员极易受伤且得分较低,因此,提出基于Radon变换的健美操跳跃动作轨迹实时提取方法。采用成像技术完成健美操跳跃动作轨迹图像采集;利用Radon变换将采集图像初步去噪,并利用图像分割、小波多尺度分解方式把图像分成多个子模块去噪,完成图像去噪;运用支持向量机方式得出去噪后图像子模块特征分布情况,并利用视觉RGB方式分离特征,凭借虚拟视景重构方式将子模块特征融合,输出结果。实验结果表明,所提方法提取结果精度、拟合优度均较高,与实际情况基本一致,并且提取速度极快,具有良好鲁棒性。

基于混沌粒子群算法的跳跃-滑翔轨迹优化

研究了一种高超声速跳跃-滑翔弹道方案。通过末级发动机多次点火,将再入弹道设计成临近空间的跳跃-滑翔弹道,在满足过程约束和航程约束的前提下实现总加热量最小的目标。采用混沌粒子群算法优化轨迹,通过引入混沌扰动避免算法早熟收敛。最后通过对高升阻比再入滑翔飞行器CAV-H的仿真分析,验证了优化算法的有效性。

基于模糊理论的跳跃轨迹多目标优化设计

针对探月返回跳跃轨迹的多目标优化设计问题,提出了一种基于模糊理论的优化设计方法,并对非线性隶属度函数对优化结果的影响进行了研究。首先,将连续的无限维优化问题进行离散化,转化为非线性规划问题;其次,用隶属度函数将各个子目标进行模糊化,将多目标优化问题转化为求模糊判决隶属度函数的最大值问题;最后,求解经过模糊化的非线性规划问题。分析了探月返回跳跃轨迹的特性,表明模糊多目标优化更能体现决策者的偏好。构造了具有不同凹凸性、不同形状的非线性隶属度函数,比较了它们对优化结果的影响,结果表明隶属度函数影响多目标模糊优化结果的首要因素是隶属度函数的凹凸性。

一种跳跃式再入鲁棒轨迹规划方法

针对跳跃式再入轨迹对再入点状态偏差及气动参数变化具有鲁棒性的需求,提出一种状态扩维的再入轨迹优化问题建模方法,该方法通过将过程约束转换为等式约束的方式,重新定义了过载约束及动压和热流密度约束,并分别建立了增广再入模型和扩展增广再入模型,保证了多约束条件下再入轨迹优化问题对初值漂移和模型参数扰动的适应能力.数学仿真结果表明:提出的方法对动力学初始状态和气动参数偏差具备强鲁棒性,轨迹的动压、过载和热流密度约束满足设计需求,且精确规划到期望落点.因而具有较好的工程背景和意义.

基于IMM模型的周期性跳跃运动高超声速飞行器跟踪算法

通过对临近空间高超声速飞行器的受力分析,建立了其周期性跳跃运动的数学模型,仿真分析了其运动特性;提出了一种加速度均匀变化的运动模型(constant differential of acceleration,CDA),并与CV模型、CA模型交互,使用引入强跟踪滤波器的交互式多模型算法对周期性跳跃运动进行跟踪研究。结果表明,该跟踪算法比经典IMM算法有更好的跟踪精度。

马尔科夫量子主方程的热和功:概念,涨落定理和计算（英文）

马尔科夫量子主方程的确立将近半个世纪，它们经常被用于不可逆热力学的研究。然而，在过去相当长的～段时间里，这些研究几乎只关注了系综平均的结果，量子系统的随机热力学一直未受到重视。由于过去二十年里各种经典和量子涨落定理的发现，这种状况才有了明显地改变。在本文中，我们采用两种不同的策略系统总结了当前对马尔科夫量子主方程的随机的热和功的理解。策略之一是把量子系统和其周围的热库当成是一个封闭的量子系统，在含时总哈密顿量的控制下，这个系统发生幺正演化，对该复合系统做两次能量投影测量得到的能量本征值之差被定义为热和功。另一种策略是首先把量子主方程分解成随机的量子跳跃轨迹，然后在轨迹上定义随机的热和功。我们以尽可能详尽的方式介绍这些重要的物理概念、数学技术以及不同描述层次的涨落定理。我们也用模型具体地说明这些结论。

基于混合粒子群优化的动力飞行器再入轨迹优化

研究了一类含动力再入飞行器的跳跃轨迹优化问题。首先将动力学方程中的控制量进行有限维数的参数化,减少优化算法的搜索空间。然后利用约束PSO算法和Powell优化算法相结合的混合优化算法求解满足再入过程约束和末端约束的最优滑翔轨迹。最后通过对高升阻比再入滑翔飞行器CAV-H的仿真分析,验证了该混合优化算法的有效性。