自适应滤波在磁暴期间地磁导航中的应用

对磁暴期间巡航导弹巡航段的地磁导航问题进行了讨论。针对地磁导航在磁暴期间常规卡尔曼滤波容易发散的问题,提出了一种基于Sage\|Husa自适应卡尔曼滤波的地磁导航算法。算法根据新息的变化自适应调整测量噪声矩阵,消除了磁暴影响,提高了滤波稳定性。仿真表明在选择合适的遗忘因子基础上,即使在磁暴最剧烈的时间段,采用自适应卡尔曼滤波仍能保证一定的精度,定位精度在200m以内,满足巡航导弹中程制导的精度要求。     

捷联惯性/大视场星光组合导航方法研究

近年来,使用星敏感器的导弹、火箭惯性组合导航成为国内外研究的热点.本文对捷联惯性/大视场星光组合导航方法进行了研究,建立了卡尔曼滤波方程,并利用SINS误差转移矩阵方法估计主动段导航误差.数学仿真表明:捷联惯性/大视场星光组合导航方法不仅可以修正姿态角偏差和陀螺常值漂移,还可以对主动段的速度、位置误差有很好的估计效果.     

地磁导航综述

从研究地磁导航的必要性出发,对地磁导航进行全面讨论.在分析地磁导航发展历程的基础上,对国内外研究现状进行了总结概括.介绍了地磁场模型建立的方法,从地磁匹配和地磁滤波两个方面对地磁导航进行了分析.通过阐明需解决的关键问题,提出了地磁导航的发展思路.     

基于ANFIS的智能导航自适应滤波算法研究

智能导弹等智能化飞行器在快速跨域、高速机动飞行时,由于传感器切换、外形改变等因素,会对组合导航信息融合系统引入随机非Gauss噪声等影响,离线优化的参数往往不能满足滤波器精度的需求。自适应网络模糊推理系统ANFIS是一种将人工神经网络和模糊推理技术相结合而成,符合人类认知特点的决策方法,它可以对导航数据进行学习,实现智能决策、实时修改滤波器内部参数,对滤波器进行优化。仿真结果表明,基于ANFIS优化的智能导航自适应滤波算法可以有效减少噪声和干扰带来的影响,提高导航精度。     

偏振光/地磁/GPS/SINS组合导航方法

为了提高微小型飞行器导航系统姿态测量性能，提出偏振光／地磁／GPS，SINS组合导航方法。推导了三维空间中应用偏振光／地磁辅助测姿原理，并证明了系统具有完全能观性，指出了观测结构具有退化现象和退化条件。采用联邦卡尔曼滤波方法实现了组合导航算法，利用Madab仿真方式对单独使用偏振光和同时使用偏振光／地磁辅助的组合导航系统的测姿修正效果和能观度改善效果进行了检验和比较。结果表明偏振光／地磁／GPS／STNS组合对测姿的修正能力优于单独使用偏振光辅助的情况。由此可以得出该方法能够改善导航系统能观性和精度的结论。     

多尺度小波变换在野值剔除中的应用

常见的野值剔除方法即卡尔曼滤波算法条件苛刻,不易实现。在分析了系统方程之后,利用小波变换的基本原理,将系统信号分解到各个尺度上,在各尺度上分别进行卡尔曼滤波,之后进行小波重构从而得到各尺度下的滤波估值。此算法将小波去噪与卡尔曼滤波算法结合起来,能够更有效地剔除野值。针对卡尔曼滤波算法的复杂性,还提出了一种有效的滤波算法,利用该算法进行小波多尺度分解和滤波和重构,信号野值也可以得到很好的剔除。经仿真实验验证,这两种多尺度小波变换算法都能够很好地剔除野值,效果明显。     

利用UKF的航天器自主导航方法研究

UKF(Unscented卡尔曼滤波)是一种新型的直接针对非线性系统的滤波方法。用星敏感器和地平仪测量星光与地平之间的“星光仰角”为观测量的天文自主导航方法,其状态方程和量测方程都是非线性的,使用以往的EKF(推广卡尔曼滤波)进行导航滤波,需将上述两方程分别线性化,故精度较低。本文提出在航天器天文自主导航系统中采用UKF方法,并从仿真计算结果中看到,导航精度有显著提高。     

组合导航的自校正滤波控制

本文介绍了一种新的组合导航自校正滤波与控制方法，它是将卡尔曼滤波、参数辨识与自校正控制结合起来，从而提高了适应能力与误差补偿精度，文中分别讨论了误差模型、自校正滤波与自校正控制，并把它们统一起来，得到了封闭解。     

基于鲁棒卡尔曼滤波的编队卫星相对导航

为提高编队卫星相对导航精度和计算稳定性,采用鲁棒卡尔曼滤波进行相对位置和相对速度的估计.对星间相对动力学方程进行适应性改造,使其具有线性离散不确定性系统形式.以载波相位差分GPS为观测模型,采用鲁棒卡尔曼滤波进行相对状态估计.数值仿真结果表明,该算法相对于扩展卡尔曼滤波算法具有明显优势,导航精度更高、鲁棒性更强,具有一...     

基于深度前馈网络的自适应相对导航滤波

针对空间非合作翻滚目标近距离相对导航中出现测量异常偏差导致滤波精度下降甚至发散的问题,研究了具有抗差能力的自适应滤波估计方法。在设计了相对导航滤波模型的基础上,提出了基于深度前馈网络的自适应扩展卡尔曼滤波算法,并且详细设计了智能故障检测与估计的深度前馈网络模型与训练方法。数学仿真结果表明:深度前馈网络能够有效估计测量异常偏差且估计误差小于异常偏差值的15%,基于深度前馈网络的自适应扩展卡尔曼滤波结果显著优于常规扩展卡尔曼滤波。