合成孔径成像系统是下一代光学望远镜的发展趋势。当子孔径间的活塞误差校正在一定范围时, 能保证系统的成像质量。提出了一种基于Q学习的光学合成孔径系统的校正范围在±λ/2内的精共相活塞误差校正方法。把合成孔径成像系统的图像清晰度作为奖励函数, 将子孔径的光程补偿控制动作和状态相结合, 在不断学习中提高智能体的决策能力, 以达到生成最优控制策略的目的, 从而快速校正活塞。通过仿真搭建环境, 所建立的智能体模型能在存在活塞误差的环境中获得Q学习中的状态-价值表, 并且能通过Q表获取从初始状态到最佳成像性能的快速校正路径序列, 同时不受目标场景的限制, 验证了该方法的有效性与可靠性。

为了保证快速反射镜控制系统在时域和频域同时具有良好性能, 采用了一种改进根轨迹的控制参量设计方法。首先, 根据辨识出的模型, 建立音圈电机驱动的快速反射镜传递函数的根轨迹; 其次, 根据对控制系统性能指标的要求, 导出闭环控制系统预期主导极点位置; 再次, 通过配置控制器的零点位置, 使系统的根轨迹具有预期的主导极点; 最后, 根据模值公式和相角公式, 确定系统增益和控制器极点位置。结果表明, 采用改进根轨迹法设计的控制系统具有良好的动态性能, 还可以有效抑制闭环系统的机械谐振, 而且简单易行、通用性强。

设计了一种能够应用于空间光通信的大角度高精度光束偏转系统。系统采用液晶空间光调制器(LCSLM)实现小角度光束偏转, 采用多Wollaston棱镜级联实现角度放大。介绍了LCSLM和Wollaston棱镜的光束偏转原理, 并对大角度高精度光束偏转系统进行了仿真分析。仿真结果表明系统能够实现角度范围为±13.25°的光束偏转。国内首次提出运用Wollaston棱镜来实现大角度的光束偏转。

液晶空间光调制器(LCSLM)通过实时调制波前倾斜实现光束偏转，与传统的快反镜相比，具有非机械调制、体积小、功耗低、轻巧灵敏等优点，可应用于空间光通信中。简单介绍了液晶实现光束偏转的原理，并测试了LCSLM的调制特性，根据调制特性设计基于LCSLM的光束偏转闭环系统。实验结果表明LCSLM能有效地抑制光束抖动，使相对误差小于±1.75%。分析了LCSLM的衍射效率对于光束质量的影响及液晶响应速度、系统传输时延和算法复杂度对控制系统带宽的制约。

随机并行梯度下降（SPGD）算法已被证明是一种较为有效的像清晰化系统控制算法，具有不依赖波前传感器直接对系统性能指标进行优化的特点。其控制参数增益系数和扰动幅度决定了算法的收敛速度以及收敛稳定性。参数取值范围较窄，超出范围将导致收敛后期的震荡，或者较慢的算法收敛速度。研究了算法增益系数和扰动幅度对校正效果和收敛速度的影响，提出了一种参数自适应优化的方法。基于52单元变形镜、位置敏感传感器等器件建立了SPGD控制算法的像清晰化实验平台，验证该方法的有效性。实验结果表明，该方法扩展了参数取值范围，提高算法收敛速度的同时具有较好的收敛稳定性。

针对光电跟踪系统惯性传感器信号特点，本文提出通过小波分析的方式确定相关Kalman 滤波的模型及参数。该方法利用小波分析的优良特性，采用先将信号进行去噪处理，然后对去噪后的信号进行AR 建模。根据小波去噪后的信号比较接近真实信号，将得到的观测噪声方差乘以一个小于1 的系数后作为系统的过程噪声方差，从而确定模型的噪声参数。仿真实验结果表明，该方法不仅对惯性传感器的静态数据有很好的效果，而且对其动态观测数据也有良好的效果。同时，该方法不仅对光电跟踪系统有效，而且还具有一定的通用性。

分形噪声和白噪声是影响光电跟踪系统惯性传感器输出信号精度的重要因素,采用传统的方法很难滤除分形噪声。利用分形噪声在小波变换域的特殊性质,采用小波滤波方式,并在此基础上,实现两种不同带宽的惯性传感器信号的融合。通过将阈值计算进行简化,并对信号输入延拓方式进行改进,提高了信号处理的精度,由此可以大大降低信号的小波变换长度以提高运算速度,最终在相应硬件的基础上实现信号的实时处理。最后的实验验证了该算法的有效性和实时性。

基于闭环控制器调整合成姿态角的融合原理,用DSP构建了数字融合滤波器.融合过程通过PID闭环控制器实时校正动力调谐陀螺仪测量的低频数据,再用该数据修正没有低频和直流分量的角速率传感器的测量数据,从而得到高低频段测量特性较好的融合数据.该过程实现了测量带宽高低不同两种惯性传感器的数据融合.融合滤波器的融合效果测试结果表明,融合后的数据除了在交接频率10Hz附近的测量特性与真实数据有误差(幅值最大衰减-4.5dB, 相移最大25o)外,在别的频段都与真实数据吻合得比较好.融合后的测量带宽可达到1000Hz,测量噪声为2.346( (RMS),因而其测量特性优于所选用传感器中的任意一种.在现有传感器不能满足要求的前提下,其应用为宽带宽惯性测量的实现提供了新思路,也为宽带宽惯性稳定系统的实现提供了前提条件.