| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题的研究的背景和意义 | 第9-11页 |
| 1.2 无人机航迹跟踪的国内外研究现状 | 第11-12页 |
| 1.3 无人机航迹规划的国内外研究现状 | 第12-13页 |
| 1.4 本文主要的研究内容 | 第13-17页 |
| 1.4.1 本文主要研究内容 | 第13-14页 |
| 1.4.2 本文的创新之处 | 第14-15页 |
| 1.4.3 本文的主要内容和结构安排 | 第15-17页 |
| 第2章 基于ADP的积分滑模航迹跟踪控制器设计 | 第17-39页 |
| 2.1 引言 | 第17-18页 |
| 2.2 无人机数学模型的建立 | 第18-21页 |
| 2.3 基于扰动观测器和RBFNN观测器的ISMC设计 | 第21-27页 |
| 2.3.1 扰动观测器和RBFNN观测器 | 第21-25页 |
| 2.3.2 积分滑模控制器设计 | 第25-27页 |
| 2.4 最优控制器的设计 | 第27-33页 |
| 2.4.1 自适应动态规划方法 | 第27-29页 |
| 2.4.2 Actor-Critic结构设计 | 第29-33页 |
| 2.5 实验与仿真 | 第33-38页 |
| 2.5.1 实验环境的构建 | 第33-35页 |
| 2.5.2 仿真结果与分析 | 第35-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第3章 基于粒子群算法的无人机航迹规划设计 | 第39-57页 |
| 3.1 引言 | 第39-41页 |
| 3.2 理论背景与问题描述 | 第41-42页 |
| 3.2.1 粒子群优化算法 | 第41页 |
| 3.2.2 航迹向量的编码 | 第41页 |
| 3.2.3 代价函数的设计 | 第41-42页 |
| 3.3 基于NSC的粒子群初始化 | 第42-43页 |
| 3.4 基于HMTL-NSCPSO算法的航迹规划设计 | 第43-48页 |
| 3.4.1 基于教与学的优化方法 | 第44页 |
| 3.4.2 改进的教与学优化算法 | 第44-46页 |
| 3.4.3 循环拥挤排序法 | 第46页 |
| 3.4.4 HMTL-NSCPSO方法的实现 | 第46-48页 |
| 3.5 仿真结果与分析 | 第48-55页 |
| 3.5.1 实验环境的构建 | 第48页 |
| 3.5.2 航迹规划结果的分析 | 第48-52页 |
| 3.5.3 基于NSC初始化的结果分析 | 第52-54页 |
| 3.5.4 参数对算法的影响分析 | 第54-55页 |
| 3.6 本章小结 | 第55-57页 |
| 第4章 基于改进的超级RBF神经网络的航迹拟合研究 | 第57-69页 |
| 4.1 引言 | 第57-58页 |
| 4.2 IHBF神经网络的正则化 | 第58-59页 |
| 4.3 IHBF神经网络的训练 | 第59-63页 |
| 4.3.1 神经网络的初始化 | 第59-60页 |
| 4.3.2 弹性反传算法 | 第60-63页 |
| 4.3.3 半坐标系下降法 | 第63页 |
| 4.3.4 局部反馈设计 | 第63页 |
| 4.4 仿真结果与分析 | 第63-68页 |
| 4.4.1 数据样本 | 第64页 |
| 4.4.2 神经网络参数的正则化 | 第64-65页 |
| 4.4.3 数据拟合的结果与分析 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-81页 |
| 攻读硕士学位期间所发表的论文 | 第81-83页 |
| 致谢 | 第83页 |
