XiaoMi-AI文件搜索系统
World File Search System闭环响应
线性二次高斯控制系统的设计...
有几种不同类型的控制方法可用于线性和非线性系统。这些控制方法需要简单到复杂的控制器。在本项目中，通过获取状态空间模型并检查不同控制方法的开环和闭环响应来分析无尾翼火箭的俯仰稳定性。此外，根据线性二次调节器 (LQR) 的响应评估了简单但强大的比例、积分、微分 (PID) 控制器的响应。由于实际应用和案例的局限性，开发了卡尔曼滤波器 (最佳估计器) 来充分观察和获取必要的状态变量。最终，将 LQG 和卡尔曼滤波器结果和增益结合起来以获得线性二次高斯 (LQG) 控制器响应。每个部分都将定义、推导和实现必要的函数到 MATLAB 和 Simulink 中以获得最佳响应。
运动皮层的深度学习神经编码器
摘要 - 心脏内脑机界面（BMIS）将神经活动转化为控制信号，以驱动假体或通信设备，例如机器人臂或计算机光标。在临床上可行，BMI解码器必须达到高准确性和鲁棒性。优化这些解码器是昂贵的，传统上需要动物或人类的实验跨越数年。这是因为BMI是闭环系统，用户在其中更新其电动机命令是为了响应不完美的解码输出。使用先前收集的“频线”数据的解码器优化将不会对此闭环响应进行计算。明显加速的解码器优化的另一种方法是使用闭环实验模拟器。该模拟器的关键组成部分是神经编码器，该神经编码器合成从运动学产生神经种群活动。先前的神经编码器并未模拟神经种群活动的重要特征。为了克服这些局限性，我们使用了深度学习的神经编码器。我们发现了这些模型在再现刺激性时间直方图（PSTHS）和神经popula posula todyics中的先验神经编码器上的表现非常优于先前的神经编码器。我们还发现，深度学习神经启动器可以更好地匹配神经解码，从而在频道数据和闭环实验数据中结果匹配。我们预计这些深度学习的神经编码器将大大改善BMI的模拟器，从而更快地评估，优化和BMI解码器算法的表征。
飞行控制技术的进步与挑战...
我第 40 次 Alexander A. Nikolsky 荣誉演讲和期刊论文的目标是强调过去 50 年飞行控制技术的关键进步，并展示这些进步如何应用和扩展到新型旋翼机：现代高速军用旋翼机、eVTOL 城市空中机动和先进空中机动飞机。这篇期刊论文的第一部分回顾了旋翼机独有的飞行控制技术驱动因素，并强调了过去 50 年在操纵品质要求 (ADS-33)、基于物理的模型、系统识别和飞行控制领域的关键进展。一个中心主题是从时域到频域的转变，旋翼机的闭环响应和设计方法的表征越来越依赖于复杂的反馈控制系统来实现闭环稳定性、干扰抑制，最重要的是全天候操作的闭环操纵品质响应。重点介绍了过去 50 年的频域分析、设计和测试方法，涉及每个学科的关键进展和两个综合成功案例。在本文的第二部分，我们考虑了四种新型旋翼机的主要挑战、进步和未来需要的研究：军用未来垂直升力系列高速旋翼机、基于常规直升机的无人自主系统/城市空中机动、小型电动 VTOL 无人机旋翼机和大型 eVTOL 城市空中机动旋翼机。接下来的部分将探讨这四种新型旋翼机共同面临的挑战和解决方案空间，作为所需研究进展的蓝图。最后，本文回顾一下，从作者作为一名终身飞行控制工程师/研究员、飞行控制技术组负责人和高级技术专家的角度，考虑了经验教训和关键要点。