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。

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。