基于轨迹线性化方法的近空间飞行器鲁棒自适应控制

研究一种新的近空间飞行器鲁棒自适应飞行控制系统设计方案。利用单隐层神经网络的函数逼近能力和被控对象分析模型的有用信息构建一种单隐层神经网络干扰观测器,用以在线估计系统中存在的不确定性,具有自适应调节能力的鲁棒控制器用以克服估计误差。将所得单隐层神经网络干扰观测器与轨迹线性化方法结合形成新的非线性系统鲁棒自适应控制方案,严格的理论证明在给定的自适应调节律作用下闭环系统所有误差最终有界。该控制方案被用于近空间飞行器飞行控制系统设计,高超声速飞行条件下的仿真结果表明该方法不仅有效,而且能够提供高精度、高稳定度的控制性能。     

DS/FH混合系统多址干扰抑制

根据DS-CDMA(Direct Sequence Code Division Multi-Access)系统中多用户检测的思想,分析了并行干扰抵消PIC(Parallel Interference Cancellation)对系统性能的影响,在此基础上,提出了采用部分并行干扰抵消PPIC(Partial Parallel Interference Cancellation)技术来抑制DS/FH SSMA(Direct Sequence/Frequency Hopping Spread Spectrum Multi-Access)混合系统中的多址干扰MAI ( Multi-Access Interferences).推导了闭环形式的误码率公式,得到系统性能评估的上限表达式.仿真结果表明,采用PPIC技术可有效的提高DS/FH SSMA系统的抗多址干扰的能力,因而可以提高系统的容量.仿真是建立在AWGN信道下的,对于衰落信道和低信噪比环境下,系统的性能会有一定程度的降低.      

变时延网络控制系统的鲁棒故障检测

针对具有时变时延的网络控制系统故障检测问题,提出了一种基于鲁棒H_∞思想的故障检测滤波器设计方法.将鲁棒H_∞故障检测问题归结为寻找滤波器参数矩阵,使得滤波系统内稳定并且满足鲁棒H_∞性能指标.根据残差评价函数和故障阈值判断系统是否存在故障.假设时变时延的上下界已知.基于时延相关Lyapunov-Krasovskii泛函方法给出了系统内稳定并且具有H_∞指标的时延相关条件.在外部控制输入、外界干扰和故障信号有界的情况下,所设计的故障检测滤波器能够保证生成的残差信号有界.针对HiMAT（Highly Maneuverable Technology）飞行器设计了故障检测滤波器,并通过仿真分析验证了所提出方法的有效性.     

DS/FH测控系统抗干扰性能分析与测试

为全面、有效衡量用于应急测控的直扩/跳扩(DS/FH)系统的综合抗干扰性能,采用最低性能指标约束法,对系统抗干扰性能进行综合分析.以音调干扰、脉冲干扰以及高动态环境为例,探讨了不同干扰条件对系统最低性能指标的影响.为解决最低性能指标约束下系统抗干扰性能测试步骤繁多、效率低、代价高的不足,采用蚁群算法,将指标测试次序建模为最佳路径选择问题.通过实例仿真验证了测试模型的正确性与有效性.该方法对DS/FH测试方案的选择具有指导意义.      

滑模干扰观测器在低速光电跟踪系统中的应用

针对摩擦等非线性干扰因素对光电跟踪伺服系统低速性能的影响,系统设计分为两部分完成.将各种干扰信号等效成控制输入端的等效输入干扰(EID,Equivalent Input Disturbance),针对系统名义模型搭建滑模干扰观测器,利用系统的状态观测误差推导出系统的等效输入干扰,并采用Lyapunov函数推导出该观测器稳定收敛的条件,通过设计增益矩阵与反馈矩阵,调整观测器跟踪系统状态的收敛速度,最终实现抑制系统跟踪过程中的干扰信号;针对系统的动态部分设计了自适应加速度稳定控制器,进一步补偿了干扰估计的不足问题,保证了系统动态跟踪的精度与稳定性,增强了控制系统的鲁棒自适应能力.仿真和实验结果证明了该方法的有效性.     

滑模干扰观测器在低速光电跟踪系统中的应用

针对摩擦等非线性干扰因素对光电跟踪伺服系统低速性能的影响,系统设计分为两部分完成.将各种干扰信号等效成控制输入端的等效输入干扰(EID,Equivalent Input Disturbance),针对系统名义模型搭建滑模干扰观测器,利用系统的状态观测误差推导出系统的等效输入干扰,并采用Lyapunov函数推导出该观测器稳定收敛的条件,通过设计增益矩阵与反馈矩阵,调整观测器跟踪系统状态的收敛速度,最终实现抑制系统跟踪过程中的干扰信号;针对系统的动态部分设计了自适应加速度稳定控制器,进一步补偿了干扰估计的不足问题,保证了系统动态跟踪的精度与稳定性,增强了控制系统的鲁棒自适应能力.仿真和实验结果证明了该方法的有效性.     

有关鲁棒状态估计的研究评述

研究了有关带模型误差系统的鲁棒状态估计问题。详细讨论了模型误差对滤波器性能的影响,并简单介绍了几种鲁棒状态估计方案。最后指出了将来可能的研究方向。     

微小卫星鲁棒自适应姿态确定算法

基于磁强计测量的微小卫星姿态确定系统中,由于状态方程和测量方程均为轨道参数的函数,因此在轨道估计存在误差的情况下,标准的扩展卡尔曼滤波算法（ExtendedKalmanFilter,EKF）并不能获得姿态的最优解。针对轨道确定误差对姿态确定的影响,基于自适应滤波及鲁棒估计原理,提出了鲁棒自适应卡尔曼滤波（RobustAdaptiveKalman Filter,RAKF）算法。该算法通过构建合理的膨胀因子和自适应因子,自动调节观测噪声方差矩阵和一步预测方差矩阵的大小,从而改变旧有数据及观测信息在滤波中的权重,获得更合理的卡尔曼增益,使滤波器获得近似最优结果。基于标准卡尔曼滤波的稳定性理论,证明了若系统一致完全可控并且一致完全可观,该滤波器是一致渐近稳定的。数学仿真表明,与EKF相比,RAKF能够将欧拉角估计精度从0.3°提高到0.2°,从而证明了该算法的有效性。     

基于交互式多模型鲁棒滤波的目标机动估计算法

针对雷达导引头的测量信息带有闪烁噪声的问题，研究了交互式多模型和鲁棒滤波在雷达导引头目标机动估计中的应用.采用Huber Based滤波理论改进高阶容积卡尔曼滤波，提出高阶容积鲁棒滤波算法，选取Singer模型、“当前”统计模型、常加速度模型作为目标机动模型，建立雷达导引头测量模型，结合交互式多模型算法框架，设计目标机动估计滤波器.蒙特卡洛数字仿真结果表明，所提算法的鲁棒性较强，与传统高斯滤波相比，所提算法对闪烁噪声具有更高的滤波精度.     

基于并行扩展卡尔曼滤波的自主卫星星座导航方法

针对星间距离测量容易受到外界干扰的问题，提出了一种适用于多颗地球卫星和一颗月球卫星的卫星星座自主导航的并行扩展卡尔曼滤波算法.通过解决噪声统计不确定情况下的测量调度问题来选择适当的测量，降低干扰的影响.为了自适应地选择适当的测量，提出一种基于不同来源的测量构造多个子集的并行扩展卡尔曼滤波器，其中每个扩展卡尔曼滤波器用于处理不同测量子集，并基于残差序列计算子滤波器的权重，组合并行滤波器的估计结果.通过与EKF和传统的多模型自适应估计算法进行比较，表明所提出方法在干扰条件下的三轴位置估计误差的稳定性，体现了性能优势.     

基于自适应谱估计的跳频捕获技术

提出了一种基于谱估计的跳频(FH, Frequency Hopping)信号的捕获方法,建立了自回归自适应谱估计模型和算法,通过计算信号频谱估计了跳频信号的瞬时频率.当频率估计存在偏差时,为了避免错误判决,实现稳健捕获,给出了一种新的捕获逻辑.在高斯白噪声( AWGN, Additive-White Gaussian Noise)环境和瑞利(Rayleigh)衰落环境下,对不同天线阵元数目情况下的捕获性能包括平均捕获时间和误码率进行了数值仿真.仿真结果表明:谱估计算法能快速准确地估计出信号频率,实现跳频信号的快速捕获.      

DS/FH混合系统快速同步的研究

对于DS(Direct Sequence)/FH(Frequency Hopping)混合系统,提出了一种快速同步方案.同步包括捕获和跟踪两个阶段,在捕获阶段,利用快速频率识别方法对接收信号频率进行估计,实现混合系统的快速捕获;在跟踪阶段,根据获得的接收信号频率信息,等待在某一个特定的频率,通过直扩信号的捕获、跟踪、解调过程,获取接收信号的跳频同步信息,从而实现混合系统的快速同步.建立了DS/FH混合系统同步过程的数学模型,推导出采用该方案平均捕获时间表达式以及等待搜索同步法平均捕获时间计算公式.在高斯白噪声环境下,仿真结果证明了方案的有效性,在E_c/N₀=-15?dB时,通过合适的门限选取,混合系统的最小平均捕获时间可以缩短为一般常用等待搜索同步法的1/4.     

抗差自适应滤波在低轨飞行器INS/CNS/GNSS 组合导航中的应用

低轨飞行器对导航系统的稳定性要求较高,采用标准卡尔曼滤波的组合导航系统在异常扰动情况下会产生较大误差,严重影响低轨飞行器导航精度.在此前提下提出将抗差自适应滤波用于低轨飞行器导航系统,并基于该滤波器设计INS/CNS/GNSS组合导航.通过仿真实验对比验证抗差自适应滤波的有效性.     

基于SRCKF的多传感器融合自适应鲁棒算法

为解决模型误差和异常量测值发生时平方根容积卡尔曼滤波（SRCKF）算法滤波性能下降甚至滤波发散的问题,提出了一种多传感器融合自适应鲁棒算法。基于新息协方差匹配原则设计了鲁棒子系统以抑制量测异常值,同时为克服模型误差使用基于新息修正的低复杂度自适应SRCKF(LCASRCKF)算法设计了自适应子系统,根据2种子系统的特点和局限提出全局融合架构,使系统可以充分平衡并利用滤波过程中先验的模型预测值信息和后验的量测值信息,最终降低估计误差。仿真结果表明：相比鲁棒多渐消因子容积卡尔曼滤波（RMCKF）等算法,所提融合算法在滤波精度、稳定性和收敛速度等方面有明显优势。     

面向重心变化的自适应飞行控制系统设计

重心的变化直接影响飞机本身的控制特性,使得控制系统设计更为复杂.针对已有方法模型依赖性强、鲁棒性差的局限性,提出了一种面向重心变化的非线性自适应飞行控制系统设计方法.该方法基于逆动力学理论和重心在线估计系统设计标称控制律,在此基础上引入自适应滑模控制单元来构建自适应补偿控制律,其中滑模控制用于保证控制的鲁棒性和稳定性,而自适应单元则通过对模型不确定性和重心估计误差的估计及补偿提高控制的适应性和控制性能.结合Lyapunov稳定性理论证明了闭环系统的稳定性.仿真结果表明:该方法能有效地实现对系统未知不确定因素的补偿,具有较强的鲁棒性.     

A variational Bayesian-based robust adaptive filtering for precise point positioning using undifferenced and uncombined observations

In the application of precise point positioning (PPP), especially in the dynamic mode, the classical Kalman filter (KF) usually produces a large number of estimation errors or diverges when there are gross errors in the observation data or unexpected turbulences occur in target motion state or both of them. For such problem, a variational Bayesian (VB)-based robust adaptive Kalman filtering (VB-RAKF) is proposed in this paper. This filter introduces a classification robust equivalent weight function to resist observation gross error and the inverse Wishart prior to model inaccurate process noise covariance matrix (PNCM). To improve the instantaneous accuracy of state estimation, the VB approach is used to obtain better estimations of inaccurate PNCM. Several sets of observation data collected by IGS reference stations and vehicles are employed to check the robustness and positioning accuracy of the VB-RAKF model. The results show that the VB-RAKF algorithm is more robust than the KF, and can effectively resist the gross error in observation data and control state disturbance. In the IGS reference station tests, when compared to the KF, the static positioning accuracies of the VB-RAKF in the north, east and up directions are improved by 13%, 8% and 22%, respectively, and the simulated dynamic positioning accuracies of the VB-RAKF in the north, east and up directions are improved by 19%, 9% and 21%, respectively. The in-vehicle dynamic test verifies that the VB-RAKF outperforms the KF, and shows that the VB-RAKF has better performance than the KF when dealing with observation data which has obvious gross errors, and similar performance as the KF when gross errors are small.