基于MLPG法的船舶结构无网格自适应分析技术

研究船舶结构无网格自适应分析方法。首先运用无网格局部Petrov-Galerkin法,采用最小二乘法和加权余量法来求解结构位移场量的逼近函数,并给出问题的控制方程和刚度方程的一般表达式;然后采用Delaunay三角化细分方案对方程进行自适应计算;最后对船舶实肋板和带裂纹板进行应力分析计算,并通过与有限元法的计算结果进行比较,验证文章提出方法的有效性。     

自适应粒子群优化的船舶动力定位云模型控制器设计

云模型控制理论是智能控制学科的新兴领域,因此如何扩展云模型的应用范围并使其走向工程化实用化成为云模型理论的研究重点。针对船舶运动模型具有不确定性和外部扰动随机性等特点,而云模型具有兼顾模糊性和随机性的特质,尝试将云模型应用于船舶动力定位的控制过程。为解决云模型控制器参数难以整定的问题,提出基于自适应粒子群优化算法的云模型控制器设计方法。仿真试验证明了云模型控制和粒子群优化的可行性和有效性。     

基于Q学习的参数自适应S面控制方法

复杂的动力学特性及多变的海洋环境对无人水下航行器（UUV）控制器的设计提出了巨大挑战,在实际应用中,控制器的参数经人工调试后便固化,在控制过程中无法适应环境的变化。针对上述难题,该文借鉴自适应控制思想,提出一种基于强化学习的参数自适应S面控制方法,采用自适应控制方式实现不同环境下控制器参数的优化和自动整定。该方法采用Q学习算法进行训练,通过Q学习的自学习机制寻找输入状态和输出动作间的最优映射。仿真试验表明,所提方法能对控制器的参数进行实时在线调整,具备良好的控制效果和环境自适应能力。     

基于视觉识别的线控制动压力滑模控制

制动安全是车辆主动安全的关键技术之一.制动决策和执行器控制是影响线控制动系统性能的两个主要因素.路面自适应性和控制器鲁棒性分别对制动决策和执行器控制有着重要影响,制约着线控制动系统的发展.本文中以一种液压调控的线控制动系统为基础,针对路面自适应性和控制器鲁棒性问题,提出一种双层结构的制动系统控制器,上层采用计算机视觉的...     

基于线性自抗扰控制的自动驾驶车辆纵向加速度控制算法研究

为提高自动驾驶车辆纵向加速度控制算法的鲁棒性,基于电动汽车纵向加速度系统仿射模型,提出了具有双观测器结构的线性自抗扰加速度跟踪控制算法,并通过带有遗忘因子的递归最小二乘法对阻力模型进行在线辨识,实现了驱动电机与制动系统之间的协调切换。通过搭建硬件在环(HIL)仿真平台对设计的控制算法进行了鲁棒性和实时性验证,结果表明,所提出的控制算法能够实现对加速度信号快速、稳定跟踪,能够在车辆纵向动力学模型未准确建模状态下对纵向加速度进行有效控制。     

惯导系统初始对准自适应参数选取法研究

平台式惯导系统的初始对准,为进入导航状态提供必要的初始条件,主要的性能指标是对准精度和时间。本文提出了一种新的变频带对准法的三阶调平系统,在对准过程中,系统的带宽能适应调平过程中信噪比的变化,从而使性能达到最优,经理论分析和仿真研究表明,这种新方法比经典方法,调平速度快而且提高了水平陀螺测漂及方位角的估值的精度。     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别,着重研究了线谱特征提取方法,提出了一种自适应遗传BP算法,并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明,所设计的被动声纳目标识别系统具有很好的分类效果。     

可调螺距螺旋桨自适应模糊控制系统

本采用自适应模糊PID控制器,并将其应用于可调螺距螺旋桨控制系统,研究表明,该方案对被控系统参数的变化有较强的适应能力。鲁棒性好。     

基于神经网络的复合避碰专家系统研究

此文在对神经网络避碰决策和专家系统避碰决策的优缺点进行分析、研究的基础上,基于神经网络规则抽取技术,提出了“基于神经网络的复合避碰专家系统”,将神经网络的自适应学习能力和避碰专家系统的解释说明能力集成在一个统一的体系结构中,不仅解决了避碰专家系统构建过程中的知识获取“瓶颈”问题,而且还解决了神经网络避碰决策过程的“黑箱”现象,提高了系统决策结果的可信度。     

基于Hopfield神经网络的导航系统的滤波估计

介绍了以中精度惯性导航系统INS(Inertial Navigation System)为主,与全球导航定位系统GPS(Global Position System)等多个次级导航系统组成的导航系统的实现方案.设计了基于Hopfield神经网络的导航系统的滤波估计算法.经计算机模拟仿真证明,神经网络的算法优于通常的卡尔曼滤波方法.