差分吸收激光雷达的信号处理技术

针对差分吸收激光雷达系统 ,研究信号平均和卡尔曼滤波两种信号处理技术 ,并进行了数值仿真。通过仿真可以看出 ,采用信号平均和卡尔曼滤波技术都可以很好地估计出待测气体的浓度 -光程积 ,大大地提高测量精度 ,同时也将两者的性能进行了比较     

一种改进的GM-C-CPHD空间多目标跟踪算法

随着空间目标的数目急剧上升,提高空间多目标跟踪精度成为必然要求,但空间多目标跟踪存在轨道动力学模型不完善的问题。针对该问题,提出一种改进的高斯混合势概率假设密度滤波(GM-C-CPHD)算法。通过在轨道动力学模型中考虑一个不确定性模型参数,即面质比参数(AMR),基于协方差传递面质比参数对位置、速度状态估计的影响,提高空间目标跟踪精度。仿真分析表明:相对于GM-CPHD滤波器,目标数量的跟踪和状态估计性能均有所提高,具有良好的应用前景。     

粒子群优化方法及其实现

介绍了一种新颖的全局优化搜索新方法-粒子群优化方法,讨论了其中的参数设置问题,给出了一个用VB实现的程序,详细给出了该实现的数据结构和程序框架,该程序以二维视图形象地表现粒子群的寻优过程,并辅以学习曲线,有利于进一步的研究。     

基于近场散射的颗粒粒径分布测量

针对传统的前向小角散射粒径测量系统中心光过强、杂散光干扰、散射角过小等缺点,本文采用一种新型的近场散射(NFS)方法测量前向小角散射光,研究并搭建了基于近场散射的颗粒粒径测量系统,将最大散射角提高到40.5°;在无需空白测量的情况下采用差分方法对透射光和散射光干涉成的散斑图像进行处理,有效去除中心光和杂散光的影响;对差分散斑图像进行快速傅里叶变换(FFT)频谱处理得到散射光强分布,利用Chahine算法对颗粒粒径进行了反演。最后,利用已知粒径(39.2μm和67.3μm)的标准颗粒对测量系统的准确性进行了单峰分布的验证,测量误差在5%之内;对于粒径为39.2μm和67.3μm的混合颗粒进行了双峰分布验证,在43.3μm和74.1μm处出现峰值,测量误差在10%左右。     

陆地战车的FSINS/DR/北斗双星信息融合技术

针对陆地战车的自主性定位需求,提出了一种新型光纤捷联惯导系统（FSINS）／DR／北斗双星组合导航系统方案,研究了多种子导航系统的测量信息融合技术。提出并介绍了Fiber—SINS／DR／北斗双星组合方案的设计思想与结构组成,讨论了信息融合的具体方法,并且针对融合后的测量信息设计了一种实用卡尔曼滤波器,最后进行了跑车实验。结果表明,组合方案设计合理,能够有效地提高惯导系统的定位精度,同时满足陆地战车的自主性定位要求。     

基于无迹卡尔曼滤波的柔性自由翻滚目标姿态估计

在进行在轨维修以及清除等任务时,需要确定航天器的姿态四元数和角速度.失效卫星常处于自由翻滚状态,通常带有柔性帆板,其运动规律相较于刚性帆板更为复杂.一方面,空间失效卫星的姿态确定常使用激光雷达、双目相机作为测量装备,其测量精度常受到光照、磁场等的影响,会对识别精度产生较大干扰.另一方面,柔性航天器的质量特性容易发生变化...     

一种基于Madgwick-EKF融合算法的卫星姿态测量方法

针对低地球轨道卫星姿态测量时,传感器易受噪声干扰、陀螺仪漂移等问题,提出一种基于Madgwick扩展卡尔曼滤波合算法(EKF)的卫星姿态测量方法。该方法采用陀螺仪、加速度计、磁强计等多传感器数据进行融合,并结合Madgwick算法和EKF算法的优点,实现姿态测量。首先,通过Madgwick算法,利用多个传感器测量数据计算初始姿态。然后,基于初始姿态和实际测量数据,应用EKF算法进行数据融合和噪声滤除,以获得最终准确的姿态估计。实验结果表明:相较Madgwick算法,本算法在测量精度上提升了65.8%,且具有较高的鲁棒性,为低地球轨道卫星姿态测量提供了一种有效的方案。     

遥测数据处理的野值剔除方法研究

本文紧密结合遥测数据处理实际,在对遥测参数综合分析的基础上,分析了传统方法存在的局限性,介绍了两种具有较高可靠性和实用性的野值剔除方法,并给出了具体的应用实例。     

电喷雾推力器结构参数与束流引出效率分析

为了改善电喷雾推力器性能,提高束流引出效率,使用COMSOL软件对电喷雾推力器不同结构参数下的电场分布与发射粒子轨迹进行了仿真,结果表明在引出电压一定的情况下,发射极尖端场强受发射极结构参数影响明显,随发射极棱条宽度及棱条间距的增大而增大;引出栅极结构对束流引出效率影响显著,扩张孔结构的引出效率优于直孔结构,引出栅孔的宽度增大也有利于引出效率的提高;两极间距对引出效率也有较大影响,减小两极间距有利于提高引出效率;横向装配误差会明显影响发射粒子的运动轨迹,但对引出效率的影响不大.     

基于改进YOLOv3和卡尔曼滤波器的飞机检测追踪方法

精确的飞机检测与追踪方法可以有助于提升我国军事实力,但是目前对小目标飞机进行有效追踪方法较少。基于深度学习的目标追踪方法较传统的方法性能更佳优越,因此针对传统方法对于小目标追踪性能不佳,本文提出了一种基于YOLOv3以及卡尔曼滤波器的飞机追踪方法以获得更好的追踪性能,该算法首先通过改进的YOLOv3算法对视频中的图像进行检测,在识别到视频中的飞机之后,通过卡尔曼滤波器对飞机的运动轨迹进行预测,并通过匈牙利算法进行数据关联。实验结果显示,该算法对小尺度飞机的检测性能较传统的YOLOv3有接近5%的提升,且对飞机的追踪效果精度高且实时性能,具有较高的军事应用价值。