基于CFD方法的固定翼无人机着陆控制建模

为了实现固定翼无人机低速平稳着陆的目的,以某型无人机为例,阐述以计算流体动力学(CFD)方法求解固定翼无人机气动力系数的过程,即构建飞机几何模型、设定计算域并划分网格、基于非耦合隐式求解器求解在K-E湍流模型下各飞行状态的气动系数.提出以较大迎角低速滑翔降落的着陆控制方法,基于求解的气动特性,计算飞机降落前的理想状态,并基于状态反馈的纵向控制律实现着陆控制.在Simulink环境中,基于AeroSim工具箱构建仿真程序,验证了方法的有效性.     

基于ARM11+CPLD的小型无人机飞行控制器设计

本文针对小型无人机控制精度低、实时性不足的问题,设计了基于ARM11+CPLD的飞行控制器。阐述该飞行控制器的硬件总体架构,各传感器与ARM11接口设计,CPLD并行多路PWM输入、输出设计;阐述硬件的驱动,导航控制、姿态控制的算法设计与实现。该飞行控制器的飞行测试结果理想。     

Web Service在ITS中实现center间通信的研究

目前,对智能交通系统的研究越来越深入,应用越来越广泛.对Web Service进行了简要介绍,在分析ITS中心到中心间通信需求及协议的基础上,提出了利用Web Service来实现中心到中心间通信的方案并给出实例代码.     

一种多通道动态均衡先进先出缓存机制

为了在多通道数据传输中实现各：通道数据的均衡与高效传输,提出一种基于现场可编程门阵列（FPGA）的多通道动态先进先出缓存设计方法。该方法通过建立小型存储单元,动态维护各通道的数据传输状态,并采用数据库索}】技术,为各通道数据高速、动态地分配缓存空间。本文以FPGA为平台,实现了该方法。仿真实验结果表明,该方法能通过较少的缓存设置,实现各个通道的均衡传输,节约存储资源,并提高各通道的数据传输效率。     

一种基于模糊神经网络的城市道路交叉口可变相序控制

在结合模糊控制和神经网络各自优点的基础上,提出一种城市道路交叉口可变相序自适应控制算法.算法根据通行权转移度设计出相位转移模块和绿灯延时模块,并分别为之建立模糊控制器,每个控制器都通过多层BP神经网络来实现.仿真结果表明,该方法能有效地减少单交叉口平均车辆延误,具有较强的学习和泛化能力.     

一种空间曲线轨迹跟踪的无人机自适应导航控制算法

随着固定翼无人机飞行任务复杂化,为了实现高精度的空间曲线导航控制,基于L1-Navigation非线性导航控制算法,设计自适应模糊控制器优化固定翼无人机跟踪空间曲线导航控制方法。以球面上的空间八字曲线为例,对八字曲线建模,通过坐标转换求得目标航点位置来计算无人机飞行加速度。为了优化加速度控制无人机跟踪空间曲线性能,在L1-Navigation导航控制器中,针对增益系数设计一个双输入单输出模糊控制系统,以轨迹误差和轨迹误差变化率为输入量,以计算横向加速度的增益系数常数为输出量。最后,在Ardupilot飞控中进行飞行模拟实验,飞行实验表明,所提出方法能够精确跟踪空间曲线路径,并且有很好的自适应性。     

速度分段的增量动态逆小型无人机控制律设计

针对小型无人机模型参数精度不高的问题,提出一种速度分段的增量非线性动态逆姿态控制方法。该方法根据无人机力矩方程,用非线性动态逆构建出角加速度为隐式输入,舵面偏转量为输出的关系式;运用小扰动原理计算角加速度,并通过在不同的速度区间内计算机体力矩对角速度的偏导,并将该结果作为角加速度修正因子的方法,得到舵面偏转增量与角加速度的直接关系式;基于新发现的关系式构建了内、外环控制律,角加速度作为反馈降低了对模型参数的敏感性,修正因子的引入提高了控制精度。仿真实验表明了该方法的有效性。     

预测增量动态逆无人机姿态控制

针对小型无人机模型参数精度不高的问题,提出一种预测增量动态逆姿态控制方法。该方法以角加速度作为姿态控制的反馈,从而降低了控制系统对模型参数的敏感性。根据无人机力矩方程,先将角加速度计算式写成增量形式;再根据非线性动态逆方法构建出角加速度为隐式输入、舵面偏转量增量为输出的直接关系式;在控制器中引入预测滤波器,对角加速度进行滤波和预测,提高反馈信号的精度和实时性。飞行实验表明方法是有效性的。     

基于卡尔曼滤波与机器学习的激光诱导击穿光谱钢铁多元素定量分析探究

针对钢铁冶炼过程中微量元素定量分析问题，对钢样中的Mn、P、S和C元素进行离线定量分析，并为熔融状态下钢水成分在线检测进行前期离线预研工作。通过激光诱导击穿光谱(LIBS)技术研究钢铁的光谱特性，提出使用卡尔曼滤波(KF)对光谱进行降噪处理，并将其与偏最小二乘回归(PLSR)、支持向量回归(SVR)、随机森林(RF)机器学习模型结合，建立各元素的定量分析模型，采用K折交叉验证和网格搜索法对模型的结构参数进行调优，在LIBS技术基础上实现钢铁元素的定量分析。结果显示，KF-SVR预测模型对Mn和C元素的预测性能最优，其测试集的决定系数(R²)均高达0.999 9,均方根误差(RMSE)分别为0.020 8%、0.021 3%;KF-PLSR预测模型对P和S元素的预测性能最优，其测试集的R²值分别为0.999 8、0.999 9,RMSE分别为0.006 0%、0.002 8%;结合KF后3种机器学习模型的R²值均高于0.996。研究结果表明，将KF用于LIBS光谱数据的预处理可有效提高光谱的信噪比，改善光谱质量，并将其与机...