本项目属于数学、航空宇航科学与技术等交叉学科的应用基础研究领域。

现代飞行器在飞行空域、速度等方面不断地拓展人类活动的界限，而军事对抗需求推动攻防对抗中的飞行器运动变得越来越复杂，这种不确定因素来自于两方面，一是飞行环境复杂，存在许多未知和不确定性因素，二是飞行器机动带来的结构、外形或参数不确定性改变。这些因素使得飞行器模型具有高度的未知性和不确定性，本项目针对这种具有高度不确定模型对象开展非线性动力学建模研究，进而开展飞行器的控制器、估计器设计以及实现飞行器的导引律设计，其研究具有重要学术意义和工程应用价值。主要发现点如下：

1）从径向基函数网络与模糊推理系统的等价性，提出了模糊规则的"影响度"概念，实现模糊规则的增加与删除，建立了一种序列自适应模糊推理系统，解决了在复杂动态环境中模糊系统结构自适应改变的问题；从模糊推理系统与一个增广的单隐层前馈神经网络的等价性，首次将随机神经元概念应用于模糊规则，建立了一种具有快速持续学习能力的模糊系统，将非线性系统建模速度提高1 个数量级以上。

2）从模糊系统的建模能力出发，基于序列自适应模糊系统与模糊极速学习机的持续学习能力，建立了复杂环境下飞行器不同动态特性下的模型和逆模型，系统提出了三种复杂环境下基于模糊系统的实时自适应飞行控制器的建模思路、建模框架和构造方法，实现了控制器结构和参数的实时调整，解决了在复杂动态环境下控制器设计依赖于飞行器准确模型信息的问题，成功地用于解决飞行器容错控制、机翼摇晃抑制问题。

3）基于模式分布最小失配的模型集设计思想，在国际上率先提出了在参数空间系统地设计模型集的理论依据和方法，为多参数影响下不确定系统的多模型设计提供了可行的技术途径；以提出的模型集为理论基础，建立了不确定因素影响的复杂机动弹道目标动力学模型，提出了适合目标不同特征的多模型混合估计方法；提出了一种基于奇异摄动最优中制导律，实现了高超音速巡航导弹的快速爬升和下降性能，增强了导弹的整体突防能力。

成果得到国内外学者高度认可。墨西哥城公立大学和英国伯恩茅斯大学两位教授以本项目序列自适应模糊推理系统为基础，开发新模糊系统，得出"序列自适应模糊推理系统能够处理任意大小的数据集，用于控制，预测，分类与诊断领域的应用"；印度Maulana Azad国立技术学院Yadav 教授评价"径向基神经网络性能能够进一步地融合模糊逻辑的相似推理技术来提高，形成神经模糊系统有效地解决现实问题"；加州大学戴维斯分校NesrinSarigul-Klijn 教授，评价"发展模糊自适应方法作为控制性能的自适应，目的是在故障发生后能够恢复最好的控制性能"；空军工程大学雷虎民教授以本项目的多模型集设计方法为基础设计了均匀分布的模型集，开展助推滑翔式临近空间高超声速飞行器建模与跟踪研究。

本项目发表论文26 篇，总引605 次，其中15 篇代表作总引587，SCI 他引501次，2篇代表作入选ESI 高被引论文；应邀在国内外做学术报告数次，国际会议报告10 余次，产生了良好的学术影响。本项目研究的复杂动态环境下非线性系统的建模器，多模型估计器会为下一代先进多功能飞行器控制系统设计提供建模基础和算法支撑，为临近高超声速飞行器跟踪器设计研究提供了模型以及可供参考的技术路线。