针对高超声速飞行器一体化气动布局导致弹性机体与推进系统间的强耦合性, 以及跨大空域及高速飞行过程中导致气动特性存在强非线性、不确定性和明显的时变特性, 提出一种基于小脑神经网络的高超声速飞行器反步滑模控制策略。首先建立高超声速飞行器纵向非线性数学模型, 并采用输入-输出反馈线性化方法, 解除多变量之间的耦合关系; 然后设计基于反步法的滑模变结构控制器解决系统非匹配不确定性难题; 同时为弥补反步滑模控制器鲁棒性不足缺点, 利用自回归小脑神经网络（RCMAC）的在线非线性逼近、自学习能力和相应控制结构, 设计基于RCMAC的反步滑模控制器。仿真试验结果表明, 该方法下高超声速飞行器纵向的高度控制精度可达到0.5 m, 速度控制精度为0.1 m/s, 可以保证闭环系统全局稳定, 且拥有良好的跟踪性能和鲁棒性能。

借鉴沙漠蚂蚁等昆虫利用天空偏振模式进行导航的方法, 设计了偏振传感器来获取导航系统的航向角。为提高偏振传感器的测角精度, 研究了影响偏振传感器测角精度的误差因素与补偿方法。讨论了如何利用偏振传感器从天空偏振模式中提取偏振方位角信息的方法, 分析了影响偏振测角精度的主要误差因素, 建立了偏振传感器的测角误差模型。根据测角误差模型, 推导了偏振方位角的解算方法, 并利用最小二乘算法, 通过估算模型的误差参数值间接补偿测角误差。最后, 采用提出的误差补偿算法在晴朗天气下进行了实验测试。测试结果表明: 误差补偿后测角精度得到明显提高, 约为0.17°(3σ)。实验结果验证了提出的误差补偿算法可以实现对角度误差的有效补偿。

为了实现星敏感器高斯灰度扩散模型的参数估计，设计了平行光管成像标定实验及相关算法。基于高斯规律建立并求解了以高斯扩散半径和像点质心坐标偏差为变量的方程组，进一步求得灰度能量系数；在3个不同平行光源方位拍摄图像，利用图像灰度数据计算模型参数的系列测量值，分别取均值作为其估计值；建立实验验证方法，将3个估计参数代入模型模拟静态星像点，将模拟图像与存在噪声的实拍图像做相似度比较，3 pixel×3 pixel窗口内相似度高于0.97，5 pixel×5 pixel窗口内高于0.98，7 pixel×7 pixel窗口内高于0.98。结果表明，方程组求解得到的高斯扩散半径、像点质心偏差的值可信，推导公式正确。

导航星表的性能对于星敏感器姿态测量的实时性及精度至关重要。为了克服星等过滤算法的缺点, 将支持向量机应用于导航星表的构造算法中。将基本星表中的恒星视为待分类的数据点, 选取抽样视场中最亮的k颗星作为导航星, 而非导航星的数量由抽样视场中恒星的密度决定。为了获得具有最大推广能力的抽样数据, 采用了一种球面螺旋形算法生成抽样视场视轴指向, 使用抽样数据构建最优导航星分类器, 应用最优导航星分类器对基本星表中每一颗恒星进行分类判决。仿真结果表明, 在满足8°×8°视场中至少出现3颗导航星的条件下, 该算法生成的导航星表导航星总数约为星等过滤算法的33%, 比传统支持向量机算法减少了7.8%, 其标准差仅为星等过滤算法的21%, 这表明本算法在导航星表容量及导航星分布均匀性方面大大优于星等过滤算法和传统支持向量机算法。

为了减少有限推力作用下月球探测器软着陆所需的燃料消耗,提出了应用非线性规划方法来求解该最优控制问题。首先,从庞德里亚金极大值原理出发,将有限推力作用下月球软着陆问题转化为数学上的两点边值问题;在考虑边界条件及横截条件的前提下,将该两点边值问题转化为针对共轭变量初值和末时刻的优化问题;然后应用非线性规划方法求解所形成的参数优化问题。为了降低共轭变量初值选取的敏感性,引入共轭变量与控制变量之间的变换,用控制变量初值代替了共轭变量初值。实验仿真结果显示,本文方法能够成功实现月面软着陆,并且比传统的打靶法减少了2.1%的燃料消耗,表明本文提出的设计方法简单、有效。