基于极大后验原理的非线性系统传感器故障估计

针对扩展卡尔曼滤波算法(Extended Kalman filter,EKF)计算复杂,粒子滤波算法动态跟踪能力差,单一无先导扩展卡尔曼滤波算法(Unscented Kalman filter,UKF)滤波精度低等缺陷,本文根据极大后验原理(Max-imum posterior principle,MPP),针对一类非线性系统设计了一种改进型的无先导卡尔曼故障估计滤波器来估计被控系统所发生的加性传感器故障。首先根据极大后验估计原理,推导出一种最优常值故障估计器。在此基础之上,推导出次优的加性常值故障估计滤波器,并对故障估计滤波器进行了无偏性证明。最后,将得到的理论结果应用于非线性倒立摆系统,仿真验证了所提方法的有效性。     

发射系下SINS/GPS/CNS组合导航系统联邦粒子滤波算法

传统的扩展卡尔曼滤波(Extended Kalman filter, EKF)算法应用于未来高超、空天飞行器的组合导航系统时,因其模型线性化展开会导致模型不准确,从而引起导航精度下降;采用蒙特卡洛方法来实现递推贝叶斯估计问题的粒子滤波(Particle filter,PF)算法能有效避免引入线性化误差,具有一定的优势。据此,针对高超、空天飞行器在发射过程中通常需要直接获得发射惯性系下的高精度导航参数的需求,提高发射惯性系下弹载组合导航系统滤波算法的精确性就尤为重要,PF滤波算法无需对非线性系统进行线性化展开即可直接实现对非线性系统的状态误差估计。为此,本文将PF滤波算法引入空天飞行器SINS/GPS/CNS多信息融合组合导航系统,设计了发射系下基于联邦滤波器的PF滤波算法,实现了对组合导航系统状态参数的直接建模估计。算法仿真结果表明,相较于发射系下SINS/GPS/CNS组合导航系统联邦EKF滤波算法,PF滤波算法有效提高了组合导航系统滤波精度。     

自适应阵列天线中应用Kalman补偿算法的探讨

为了补偿在自适应阵列天线中应用Kalman算法时,由于模型误差和计算误差所引起的自适应阵列天线性能的损失,本文引入Kalman补偿算法,即自适应Kalman渐消记忆滤波算法及自适应Kalman参量识别滤波算法,获得了有益的结果。最后在上述两种算法的基础上,导出了一种新的算法,该算法具有上述两种算法的优点。     

航姿系统内阻尼的模糊自适应滤波算法

平台式惯性航姿系统的内阻尼算法通过阻尼网络将自身的速度信息加到系统中,达到提高姿态精度的目的.本文将该思想引入到捷联式惯性航姿系统中,在系统加速度较小时,利用加速度计的输出估计系统姿态角,通过卡尔曼滤波的形式补偿姿态误差.由于内阻尼算法只有在系统加速度较小的情况下才能使用,本文设计了模糊自适应控制器,根据三轴加速度计的输出进行自适应判断内阻尼算法是否可用,调整内阻尼卡尔曼滤波器的量测误差方差阵,从而避免了滤波器的发散.仿真和实验表明,内阻尼的模糊自适应算法可明显抑制舒勒周期振荡和傅科周期振荡,避免了系统姿态漂移,有效提高了捷联惯性航姿系统的精度.     

基于MSD和ICCP改进的地磁联合匹配算法

如何抑制复杂环境中的航空器惯导误差发散,是实现航空器长航时高精度自主导航的关键。地磁导航是一种全天时、全天候的无源导航方式,其中,匹配算法是地磁匹配导航系统的核心技术。针对等值线匹配均方差（Mean square difference, MSD）算法无法校正航向误差、最近等值线迭代（Iterated closet contour point, ICCP）算法在初始误差较大的情况下易发散、实时性较差的问题,提出了一种改进的地磁联合匹配算法,采用粗精结合的策略,约束精匹配过程搜索范围并缩小初始误差,并在精匹配阶段采用动态窗口技术,提高算法搜索效率和实时性。仿真实验表明,该算法取得了良好的匹配效果,具有精度高、实时性好等优点,能够抑制惯导误差发散,适合航空器长航时工作。     

尖锥前体飞行器FADS系统的人工神经网络建模及风洞试验研究

针对一种用于尖锥前体飞行器的嵌入式大气数据传感（Flush Air Data Sensing，FADS）系统的解算模型及精度进行研究。针对尖锥外形特征，首先基于钝头体FADS系统的理论模型确定其测压孔配置；然后对确定的测压孔进行典型状态的风洞试验测试，并比对了数值计算数据与风洞试验数据；最后基于人工神经网络建模技术构建了FADS系统的网络解算模型及算法。结果表明:针对尖锥外形测压孔配置特征，基于人工神经网络建模技术的算法解算精度较好，迎角、侧滑角、静压、马赫数的网络输出值与试验值吻合较好，输出的测试误差（绝对值）分别小于0.1°、0.1°、50.0 Pa及0.01；同时也证实了人工神经网络算法在FADS系统中有进一步发展的空间。     

简化的混合估计算法及其在GPS／SINS深组合中的应用

为解决GPS/SINS深组合导航系统滤波的非线性和噪声的不确定性的问题,针对深组合模型特点,设计了一种简化的基于U滤波的多模型混合估计滤波器。根据系统模型中状态方程是线性方程、观测方程是非线性方程的特点,提出了一种简化的U滤波算法(Ultra tight coupling unscented Kalman filter,UTCUKF),然后针对噪声变化建立了非线性模型,多模型混合估计滤波器的输出为各滤波器的概率加权融合,因此模型概率是根据噪声变化而调整的,从而也使系统输出对噪声变化具有一定自适应能力。最后进行了仿真,并与基于普通U滤波的多模型混合估计算法进行了比较。结果表明,本文算法的解算时间短,模型切换速度更快,而估计的精确度与同条件下的基于普通U滤波的多模型混合估计算法相当,更符合深组合系统高动态的要求。     

整周模糊度动态快速求解

初始整周模糊度的求解是利用GPS载波相位进行测量时的关键问题，本文提出了一种初始整周模糊度在航快速解算方法，该方法由低阶Kalman滤波器和基线约束条件来实现，利用Kalman滤波器动态递推的特性可以实现模糊度的动态解算，由基线约束条件可以有效地剔除不合理模糊度组合，文中对所提出的算法进行了理论推导，并进行了计算机仿真和实测数据分析，仿真和实验结果表明，该算法计算量小，快速准确，适合整周模糊度的快速动态求解。     

一种新的雷达组网实时误差配准算法

雷达组网系统首先要解决误差配准问题,来准确地估计和消除系统误差。本文研究了异地雷达组网误差配准问题,在考虑随机量测噪声影响的基础上,提出了一种实时Kalman滤波(RTKF)误差配准算法,然后针对多条配准航迹,给出了该算法的扩展形式,即ERTKF误差配准算法,并对两种算法进行了性能分析。仿真表明两种算法能有效地对雷达系统误差进行估计,尤其是当系统偏差发生变化时,配准效果明显优于实时质量控制(RTQC)配准算法。     

S模式前导脉冲过零点提取与TOA时间戳精确度研究

前导脉冲信号到达时间（Time of arrival，TOA）估计精确度直接影响多点定位精确度。在差分匹配滤波器数学模型基础上，分析理想脉冲信号差分匹配滤波器TOA精确度与采样频率的关系。讨论非理想脉冲信号之间的时间结构关系，提出基于S模式前导四脉冲信号构造差分匹配滤波器校准时间戳的改进算法，实现过零点的准确估计。从信噪比、采样频率和复杂度仿真数据输出的均方根误差对比可见，通过四脉冲滤波获得的TOA精确度要比单脉冲和双脉冲滤波获得TOA精确度高。匹配滤波器和差分匹配滤波器TOA精确度对比分析结果表明，修正的差分匹配滤波器算法有更好的效果。在采样频率 40 MHz、信噪比为40 dB时，四脉冲信号差分匹配滤波器TOA精确度为0.402 7 μs，远远小于国际民航组织规定的时间误差精度最大值25 μs。最后实际空管运行数据验证结果证明了本文修正算法估算TOA的精确度和可用性。