基于无迹卡尔曼滤波的巡飞弹气动参数在线辨识方法

为降低巡飞弹的研制成本和缩短研制周期,采用气动参数辨识来获取巡飞弹的气动参数。目前,在线气动参数辨识方法主要为扩展卡尔曼滤波,然而该方法存在计算量大,精度低,部分复杂非线性系统难以求取系统的Jacobian矩阵和Hessian矩阵的问题。因此本文采用无迹卡尔曼滤波算法实现在线参数辨识,并通过对巡飞弹纵向气动参数辨识,验证无迹卡尔曼滤波参数辨识精度优于扩展卡尔曼滤波。     

高超声速机动目标天基跟踪鲁棒性滤波方法

为解决高超声速滑翔飞行器(HGV)机动飞行过程中的跟踪问题,提出了一种基于机动观测器补偿的鲁棒扩展卡尔曼滤波方法。针对传统卡尔曼滤波器由于模型误差而无法稳定跟踪的问题,首先建立了HGV动力学模型和天基红外测量模型;随后,设计机动观测器对未知气动加速度进行在线估计;在此基础上,利用机动估计对扩展卡尔曼滤波中的预测步骤进行修正,克服了因模型误差而导致的滤波发散问题;最后,考虑到机动观测器的时延误差,在扩展卡尔曼滤波迭代过程中引入次优渐消因子,提高了滤波跟踪的鲁棒性。与强跟踪滤波、扩维卡尔曼滤波、交互多模型滤波等典型跟踪方法相比,所提方法可在不具备目标机动先验信息的情况下,以较低的计算耗时取得良好的稳定性和跟踪精度。     

一种应用于星光观测导弹姿态确定的强跟踪滤波算法

为提高基于星光观测的导弹姿态确定系统的非线性滤波器性能,对更具自适应能力的强跟踪扩展卡尔曼滤波器进行了研究。针对一般强跟踪扩展卡尔曼滤波算法的自适应能力有限的缺点,推导了一种能根据每一个状态噪声的变化来调解误差方差阵中相应的渐消因子的强跟踪滤波算法,根据其在导弹姿态确定中的应用特点对其进行了优化;并将其应用到基于星光观测的导弹姿态确定仿真中以验证算法的效果;仿真实验说明算法的速度、精度和可靠性能够满足基于星光观测的导弹姿态确定的需要。     

应用BP网络校正的卡尔曼滤波器

当目标作机动飞行时,由于未知机动引起的估计误差的影响,卡尔曼滤波器的跟踪性能将会严重下降。提出了一种应用BP神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,BP网络可以辨识非线性机动,修正卡尔曼估计值,改善跟踪效果。同时还研究了BP网络的自适应算法。对两个变加速机动目标的跟踪结果表明,经过BP网络校正的卡尔曼滤波器不会发生误相关,跟踪的精度较高。     

一种基于参数在线辨识的最优再入制导算法

为提高升力式飞行器再入飞行最优性及参数不确定条件下的制导精度,研究了一种基于参数在线辨识的最优高度-速度剖面跟踪制导算法。首先,采用分段三次多项式拟合飞行剖面,利用序列二次规划算法(SQP)优化获取最优分段点位置及飞行剖面系数,得到了一种满足总吸热量最小的高度-速度飞行剖面规划算法,并根据待飞航程与待飞航程预测值偏差确定是否进行重规划。其次,利用反馈线性化方法和航迹倾角偏差修正解算制导指令,并通过增广渐消记忆扩展卡尔曼滤波对不确定性参数在线辨识,利用辨识结果实现对制导指令的修正。最后,通过航迹偏角走廊控制倾侧角反号,实现侧向制导,完成跟踪制导算法设计。仿真结果表明,这种基于参数在线辨识的最优飞行剖面跟踪制导算法适应性强,计算速度快,具有较高的制导精度和一定的工程应用潜力。     

一种新的弹道导弹雷达跟踪算法

提出了一种新的名为Singer-IEKF的弹道导弹雷达跟踪算法.传统的弹道导弹跟踪方法,利用扩展卡尔曼滤波器进行非线性滤波,取Taylor展开的前两项,可能引入较大的线性化误差,导致跟踪精度不高.在分析弹道目标动力学特性的基础上对目标的运动模型采用基于J2校正的Singer模型来描述,并利用迭代的扩展卡尔曼对非线性的目标量测模型进行线性化.对新算法和扩展卡尔曼滤波算法进行Monte-Carlo仿真比较.仿真结果表明新算法的模型更准确,跟踪性能更好.     

GPS/INS组合导航中两步自适应滤波方法

GPS/INS组合导航实际应用中存在系统模型偏差、噪声模型不确定等问题,导致卡尔曼滤波器无法实现最优滤波效果,严重时甚至导致滤波发散。渐消卡尔曼滤波器和自适应卡尔曼滤波器通过引入单渐消因子和单自适应因子可以部分解决上述问题,但是不足在于单因子只能进行整体调整,不能精确调整各个通道。针对此问题,本论文提出一种2步自适应卡尔曼滤波算法,构造基于残差协方差估计的多重渐消因子和自适应因子对各个通道精确调整,克服动态环境下跟踪性差的局限性。实验结果表明,改进后的自适应卡尔曼滤波算法可以精确调整各通道,增强系统的定位精度、跟踪性能和鲁棒性。     

一种新的弹道导弹雷达跟踪算法

提出了一种新的名为Singer-IEKF的弹道导弹雷达跟踪算法。传统的弹道导弹跟踪方法，利用扩展卡尔曼滤波器进行非线性滤波，取Taylor展开的前两项，可能引入较大的线性化误差，导致跟踪精度不高。在分析弹道目标动力学特性的基础上对目标的运动模型采用基于J2校正的Singer模型来描述，并利用迭代的扩展卡尔曼对非线性的目标量测模型进行线性化。对新算法和扩展卡尔曼滤波算法进行Monte-Carlo仿真比较。仿真结果表明新算法的模型更准确，跟踪性能更好。     

小卫星多传感器融合滤波定姿算法

虽然扩展卡尔曼滤波被成功应用于许多非线性系统,但由于其对高阶项的截断误差等因素,其用于小卫星多传感器定姿系统时性能受到限制。针对上述问题,本文提出了一种将扩展卡尔曼滤波器与两步滤波器相结合的方法。利用Gibss矢量做姿态参数,避免了四元数在进行迭代时的归一化约束。以太阳敏感器、星敏感器、MEMS陀螺、磁强计为敏感器件,通过仿真,将本文算法与扩展卡尔曼滤波器进行了对比。结果说明,本文算法能将最大稳态定姿误差降低4.4×10-30。     

用于平台连续瞄准和校准的卡尔曼滤波器

本文为提高制导精度,讨论了用于惯性平台的连续瞄准、校准的卡尔曼滤波器,介绍平台系统和加速度表的误差模型、参数辨识的卡尔曼滤波方法及重力残数加速度表校准原理。     

Unscented卡尔曼滤波在SINS静基座大方位失准角初始对准中的应用研究

静基座大方位失准角的捷联惯导系统误差方程是非线性的，如何对静基座大方位失准角的捷联惯导系统进行初始对准是需要解决的问题。本文提出了基于Unscented转换的Unsented卡尔曼滤波进行捷联惯导系统对准的方法。分别通过扩展卡尔曼滤波和Unsented卡尔曼滤波进行仿真计算，结果验证了Unscented卡尔曼滤波的有效性与优越性。     

基于模糊控制的组合导航算法

文章提出一种根据信号残差（新息）对导航信息进行自适应噪声协方差调整的算法,由此得到导航参数的最优状态估计。其中重点研究了模糊控制对滤波器的动态调整,建立模糊滤波控制的模型,并与传统卡尔曼算法进行比较。仿真结果表明,基于模糊控制器的卡尔曼滤波器很好地限制了数据的发散,并在很大程度上提高了系统的稳定性。     

雷达对再入机动目标跟踪算法研究

采用广义Ｋａｌｍａｎ滤波方法，通过在北天东雷达直角坐标系内建立相应的再入目标状态及雷达观测方程，再入目标的机动特性用一阶高斯马尔科夫过程描述，并增广到状态方程组之中，根据获得的带有测量误差的雷达测量信息对再入机动目标弹道进行估计，得到了满意的结果。     

基于BP神经网络组合导航融合算法

文章针对卡尔曼滤波算法的缺陷,建立了组合导航系统模型,提出了基于BP神经网络修正卡尔曼量噪权值的自适应卡尔曼滤波法,对量测噪声统计特性进行了自适应调整,并与传统卡尔曼算法进行计算机仿真比较。结果表明,基于BP神经网络的卡尔曼滤波器在一定程度上抑制了数据的发散,提高了导航精度。     

空间拦截中只测量视线角速度的跟踪滤波器的可观性分析

建立了空间拦截中导弹与目标的相对运动方程。论述了卡尔曼滤波器的可观性准则，研究了跟踪滤波器的可观性，并分析了影响跟踪滤波器可观性的因素。数字仿真证实了理论的正确性。     

自适应广义卡尔曼滤波器在反辐射导弹中的应用

抗目标辐射源关机的能力是反辐射导弹的关键战术技术性能之一，采用增广状态的广义卡尔曼滤波（EKF）与Sage－Husa自适应滤波相结合的方法，解决了在被动雷达导引头测量存在常值偏差和随机噪声，且随机噪声方差未知情况下所测角度的滤波问题，从而在目标辐射源关机时刻较精确地建立起目标视线在惯导坐标系中的方位坐标（简称惯性基准），进而利用速度追踪法导引导弹攻击目标。给出了以某型导弹为背景的全空间弹道数学仿真结果。     

基于低成本陀螺和倾角仪的姿态估计

针对动中通测控系统中低成本陀螺和倾角仪的姿态估计和陀螺误差校正问题,提出一种利用UKF（Uncented Kalman Filter）滤波器对载体姿态角进行估计,然后利用互补滤波器对陀螺漂移进行估计的算法。该算法通过设计三维完全可观测UKF滤波方程和陀螺误差校正模型对姿态角和陀螺漂移分别进行估计,有效避免了利用卡尔曼滤波进行姿态估计和陀螺漂移误差估计时由于误差模型不准确而产生的发散问题,同时降低了滤波器维数。试验中姿态角估计误差在1°以内,x轴陀螺漂移估计误差为0.0148°/s,y轴陀螺漂移估计误差为0.0017°/s,试验结果表明该算法能有效提高姿态角估计和陀螺漂移估计的精度。