CFD中统计误差的数值精度分析

在计算流体力学（CFD）的算法研究中经常会对离散误差进行数值精度分析，通常以统计误差的各范数为研究对象，最常用的统计误差范数为L₁范数、L₂范数和L_∞范数，一般认为各范数在数值精度上具有等价性。实际上，由于流场局部存在间断、网格局部不连续或者是在极值点附近采用非线性加权插值等可能使数值方法存在局部降阶问题，导致统计误差各范数所表达的数值精度并不一致。通过详细的理论分析，揭示了统计误差各范数所表达的数值精度之间的关系，并通过相应的数值试验予以验证。研究结果不仅能够指导CFD算法的数值精度验证工作，而且也可为更为复杂流动模拟的数值精度判定提供理论依据。     

复杂水下环境下高精度SINS/USBL误差标定技术

针对SINS/USBL组合系统在导航与定位前需要对一体化样机进行精确标定的问题,对复杂水下声场环境下高精度SINS/USBL误差标定技术展开了研究,包括对安装误差角和空间杆臂误差的估计.基于标定模型的几何关系,推导了标定的状态方程和量测方程,并提出了新型的基于相对量测信息滤波估计的误差标定技术.为解决标定过程中由于存在声学野值而导致滤波估计性能下降的问题,通过高斯牛顿迭代将Huber M估计嵌入到变分贝叶斯框架中,推导了基于M估计的非线性鲁棒自适应标定算法,在精确校正后无需重复标定.仿真的结果验证了该方案的有效性、实用性和鲁棒性.     

基于变分贝叶斯的自适应鲁棒滤波算法

针对组合导航姿态估计中,观测同时受到野值与时变观测噪声影响的问题,构造一种基于变分贝叶斯的自适应鲁棒滤波算法。该算法可以有效地解决自适应与鲁棒滤波策略的矛盾,利用变分贝叶斯近似估计变换的观测噪声,在变分贝叶斯的滤波框架内,利用Huber滤波鲁棒化方法处理连续野值。在组合导航姿态估计试验中,验证了该算法具有良好的自适应与鲁棒性,并能够保持较高的估计精度。     

基于H∞算法的飞机机翼结冰气动参数辨识

针对国内大型飞机结冰防护需求,开展针对大型结冰研究样机的H_∞算法参数辨识结冰探测研究。首先通过参数调节选取一组合适的H_∞算法参数,利用考虑测量噪声的结冰研究样机飞行仿真数据验证H_∞算法的辨识能力,由结果对比发现辨识算法能够跟踪飞机气动导数随结冰累积过程的变化趋势,辨识精度较高,其最大归一化平方根（RMS）误差仅为真值的11%;分析了H_∞算法对81种不同结冰累积过程的辨识能力,通过结果分析发现结冰累积时间较长且结冰速度较慢的情况辨识效果较差,结冰累积时间在100~300 s之间辨识精度较高;最后利用蒙特卡罗仿真分析了不同测量噪声大小对H_∞算法辨识精度和跟踪延时的影响,给出了3个纵向气动导数在随机误差影响下的辨识误差和跟踪延时的统计结果,发现在给定噪声标准差变化范围内,升力和俯仰力矩关于迎角的导数能够得到较为准确的辨识结果,二者的归一化平方根误差均值仅为各自真值的1.8%和4%,其预报延时均值最大仅为3 s和9.5 s。     

卡尔曼/粒子组合滤波在GPS/INS组合导航中的应用研究

在非线性模型和非高斯噪声条件下,粒子滤波在GPS/INS组合导航系统的观测精度较低时能取得较好的滤波结果,但在高观测精度情况下会导致滤波发散。针对这一问题,在分析了基本粒子滤波器算法原理的基础上提出一种卡尔曼/粒子组合滤波方法,将状态向量分为线性部分和非线性部分,分别用卡尔曼滤波和粒子滤波估计,既保证了简化后滤波算法的结果不会变差,又将运算量大大降低,仿真试验表明,组合滤波器能够获得较高的滤波精度,满足实际的导航要求。     

鲁棒Kalman滤波及其在水下组合导航中的应用

在水下捷联惯导(SINS)/多普勒计程仪(DVL)组合导航系统中,当外部辅助信息受到野值等非高斯噪声污染时,选取调节因子γ为固定值将会降低基于Huber方法的鲁棒Kalman滤波(HRKF)算法的精度和鲁棒性。针对此问题,提出了一种基于马氏距离(MD)算法的调节因子自适应的鲁棒Kalman滤波(HRAKF)算法。首先利用MD算法对正常/异常的观测量进行辨识;进而建立γk递推关系式,并根据量测噪声特性对γ值进行实时调整;最后利用γk求取Huber权函数,并对量测噪声阵进行修正。选取8000s船载实测数据,分别利用Kalman滤波(KF)、HRKF及HRAKF算法进行水下组合导航半物理仿真试验。试验结果初步表明:在观测量受到野值或混合高斯分布噪声污染时,相较于KF和HRKF,HRAKF可实现更高精度、更加稳定的组合导航。     

欠观测条件下的扩展增量 Kalman 滤波方法

建立欠观测条件下的非线性增量量测方程,并给出其线性化方法,在此基础上提出一种欠观测条件下的扩展增量Kalman滤波(EIKF)模型及其递推算法.工程实际中,由于环境因素的影响、测量设备的不稳定性等原因往往带来未知的系统误差,传统的扩展Kalman滤波(EKF)无法对这种未知的系统误差进行补偿和校正,结果产生较大的滤波误差,甚至导致发散.提出的扩展增量Kalman滤波方法能够成功地消除测量的系统误差,从而有效地提高非线性滤波的精度.该方法计算简单,便于工程应用.      

改进故障隔离的容错联邦滤波

为了解决重置模式下联邦滤波器中子系统故障对导航系统污染的问题,提出利用故障检测函数构建时变量测噪声的容错联邦滤波结构。通过将故障子滤波器等价为量测噪声趋于无穷大的正常系统,来取代传统的故障隔离方法;推导出了子滤波器对应的最优估计值,用以消除子滤波器估计次优性对故障检测的影响;采用动态信息分配系数,以减少故障信息对全局估计的影响。采用惯性/天文/景象/地形(INS/CNS/SMNS/TERCOM)的组合导航系统进行了仿真验证,结果表明该容错联邦滤波方法在子系统发生故障时的估计性能优于故障隔离方法。因此,所提方法具有提高故障子滤波器精度、保证无故障子滤波器鲁棒性以及全局估计精度的优势,具有较高的实用价值。     

增量粒子滤波方法

提出增量粒子滤波的概念,建立增量粒子滤波模型及其分析方法,给出其算法.对于工程实际中存在的由未知系统误差的影响而无法精确建立量测似然函数的这一问题,提出增量粒子滤波方法,通过对带有未知系统误差的量测数据进行校正,获得精确的量测似然函数,建立精确的增量粒子滤波模型,从而消除这种未知系统误差的影响,减少重采样的次数,较好地保存了粒子的多样性,提高非线性滤波的精度.模拟仿真中,重采样的次数减少41.7%,滤波误差均值和均方根误差分别降低了45.3%和70.1%,有效地改善了滤波的效果.      

自校准扩展Kalman滤波方法

提出一种自校准扩展Kalman滤波(SEKF)方法,针对3种含有未知输入(如未知系统误差、突风、故障等)的不同的非线性系统模型,分别给出了滤波递推算法.在导航、信号处理、故障诊断等领域的许多非线性工程中,传统的扩展Kalman滤波(EKF)方法无法消除未知输入的影响,在滤波过程中往往产生较大误差甚至发散.提出的SEKF方法能够对这种未知输入进行补偿和修正,从而提高滤波精度.数值仿真算例表明:SEKF的滤波误差均值和标准差分别减少到传统EKF的1/12和1/4,有效地改善了滤波精度.并且该方法计算简单,便于工程应用.      

基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度，提出一种新的面向"软聚类"的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分，挖掘聚类内部多样性的同时，实现了对过学习的抑制；将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程，运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题，在l₁-范数与l₂-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机，结果表明：与4种流行的多核诊断方法相比，该方法可有效避免漏警、抑制虚警，在l₁-范数和l₂-范数约束下，其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。     

序贯结构的Sage-Husa自适应滤波及其应用

在分析已有的Sage-Husa自适应滤波算法的基础上,本文首先推导了两种量测噪声自适应估计方法的等价性。为充分利用组合系统中已知的部分量测噪声参数,提高滤波稳定性和精度,研究了基于序贯结构的Sage-Husa自适应滤波算法;当组合系统测量噪声参数均为已知时,为降低算法复杂度,提高Sage-Husa自适应滤波的鲁棒性,加入协方差匹配的方法对序贯结构的Sage-Husa自适应滤波算法进行改进;通过在序贯结构下采用相应的信息融合策略,充分利用组合系统的输出信息。将两种算法分别应用于MIMU/GPS/磁强计组合系统中,基于跑车实验的离线数据分析表明,第一种滤波算法的滤波稳定性较标准自适应算法在滤波稳定性上有明显提高;第二种改进的滤波算法既降低了算法复杂度,又提高了抗野值效果,有效保持了组合系统在干扰状态下的导航精度。     

基于新息异常检测的改进抗差自适应卡尔曼滤波算法

在工程应用中,量测异常及量测噪声统计特性的时变是引起标准卡尔曼滤波振荡甚至发散的主要原因。经典抗差Sage-Husa自适应滤波方案,对量测中的孤立型异常有所抵抗,并可在线估计量测噪声统计特性改善滤波效果,但当连续型异常值出现时,其滤波效果不佳。针对现有抗差Sage-Husa自适应滤波方案的不足,提出了新的改进滤波方法。在改进算法中,当检测到量测异常时采用模值更大的先验预测方差阵代替原算法中的后验估计方差阵,在估计量测噪声方差时起到放大作用,以降低异常量测权重,提高滤波精度;采用IGG方案构造了新的权函数,可在抑制异常影响的同时调节估计方差阵,以免连续异常时新息持续置零引起的滤波发散;采用标准卡尔曼滤波新息辅助异常检测的双重检测策略,避免了因量测噪声方差阵的调节引起检测阈值变化而导致的漏检率增高。仿真实验表明,与常规抗差自适应滤波算法相比,该方案可更加有效地抑制量测异常值的影响。     

基于稀疏重构的混叠脉冲序列的周期估计

针对于以往方法在克服抖动大和缺失率高的混叠脉冲信号周期估计上的不足,提出了一种基于稀疏重构的混叠脉冲序列的隐藏子周期估计新方法。该方法首先针对由多个具有不同周期的脉冲串混合而成脉冲序列进行插值重采样,然后利用由Ramanujan构造的周期字典,建立了混叠脉冲序列的稀疏表示模型,最后采用联合l_2,0混合范数算法求得混叠脉冲序列的周期估计。方法的优点是具有较强抗噪能力和抗脉冲缺失能力,并且不受初相的改变影响。所需要较少的脉冲数据长度就能得到准确的周期稀疏解。仿真实验表明,所提方法具有更好的估计性能。     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于PnP的自适应线性卡尔曼滤波位姿估计求解方法。将PnP位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

中值滤波方法在燃气涡轮传感器数据校正中的应用研究

分析了发动机测量信号滤波需求,设计了针对传感器数据校正的中值滤波器和快速算法,给出了模拟发动机故障和变工况试验情况下的传感器输出,给出了滤波比较研究结果。数值实验和实际应用于涡轮试验测量数据滤波的结果表明,中值滤波器对于脉冲噪声可以完全剔除,对随机噪声也具有较好的抑制效果,并能够较好保持信号中的陡峭边沿等趋势成份。      

Particle flters for probability hypothesis density flter with the presence of unknown measurement noise covariance

In Bayesian multi-target fltering,knowledge of measurement noise variance is very important.Signifcant mismatches in noise parameters will result in biased estimates.In this paper,a new particle flter for a probability hypothesis density（PHD）flter handling unknown measurement noise variances is proposed.The approach is based on marginalizing the unknown parameters out of the posterior distribution by using variational Bayesian（VB）methods.Moreover,the sequential Monte Carlo method is used to approximate the posterior intensity considering non-linear and non-Gaussian conditions.Unlike other particle flters for this challenging class of PHD flters,the proposed method can adaptively learn the unknown and time-varying noise variances while fltering.Simulation results show that the proposed method improves estimation accuracy in terms of both the number of targets and their states.     

基于变分贝叶斯的星载雷达非线性滤波

星载雷达由于其探测范围广、距离远、全天候等优点，在预警防御系统中占有十分重要的地位。然而，由于观测平台的高速运动以及摄动干扰、传感器观测非线性等问题，使得星载雷达目标高精度跟踪带来严峻挑战。针对星载雷达非线性状态估计问题，采用一种基于变分贝叶斯的非线性滤波方法，该方法通过将非线性状态估计问题转化为优化问题，通过迭代优化获得了闭环解析解。此外，针对坐标变换中俯仰角量测缺失问题，提出了一种基于先验目标高度的俯仰角估计方法。通过数值仿真，验证了所提方法较传统非线性滤波方法，如扩展卡尔曼滤波、不敏卡尔曼滤波、转换量测卡尔曼滤波，具有更好的估计精度。