基于多元KELM的发动机状态在线预测模型

针对当前飞机发动机状态预测过程中，不考虑相关变量状态变化，仅根据单变量历史时间序列对飞机发动机状态预测的问题，提出一种基于多元核极限学习机（KELM）的发动机状态在线预测模型。首先，通过多变量时间序列的相空间重构，将变量间的时间相关性转化为空间相关性；其次，通过研究KELM与核递归最小二乘法（KRLS）之间的关系，将KRLS扩展到在线稀疏KELM框架中；最后，使用近似线性依赖对样本进行稀疏化来控制网络结构的增长，最终实现多变量非平稳序列的在线预测。某型教练机的发动机飞行参数预测结果表明:满足在线预测要求的条件下，与KB-IELM、NOS-KELM、FF-OSKELM相比，模型KRLSELM将平均预测精度提高了90.61%、58.14%和25.77%，将预测稳定性提高了99.61%、75.03%和28.59%，具有更高的预测精度和稳定性；并且各方法均在多变量输入条件下获得最优的预测效果，验证了考虑多变量状态因素对单变量的在线预测具有重要意义。      

基于0.6 m量级三声速风洞的压敏漆试验技术

基于0.6 m暂冲式三声速风洞，建立了压敏漆测压系统，解决了各分系统的同步控制问题。研究了涂料喷涂影响、图像滤波和系统测量稳定性及精准度等技术细节，并将该系统首次应用于未来大型客机减阻与激波控制的机翼表面压力测量中，获得了基本外形和鼓包外形机翼表面的压力分布、激波位置及形态。检验了设计鼓包在设计状态和稍偏离设计状态下的激波控制效果及其对上翼面压力分布和升力特性的影响。研究结果表明：涂料喷涂质量不佳造成的表面粗糙度和厚度变化会显著影响压力分布，喷涂质量需严格控制。窗口直径8像素迭代3次的高斯滤波对压力波动的平滑效果较好且不会失真。建立的压敏漆系统与压力传感器的压力系数测量均方根偏差在0.022以内，压力均方根偏差小于620 Pa，测量精准度较高。设计鼓包在设计状态及稍偏离设计状态下，均能够有效减弱激波强度，保证机翼升力变化很小，从而提高机翼的升阻比。     

基于多策略融合的快速核相关滤波目标跟踪算法

针对核相关滤波算法(Kernel Correlation Filter,KCF)对快速运动目标跟踪精度较低、实时性较差的问题,提出多策略融合的快速核相关滤波(Multistrategy KCF,MSKCF)算法。该算法基于KCF框架,融合多个策略,将Faster Regin-CNN网络结构、特征极差、滤波尺度因子引入目标图像识别窗口标定和尺寸自适应更新,解决了识别窗口与目标大小不适应的问题,实现了自动跟踪。本文采用北斗导航卫星模型进行了验证,结果表明MSKCF可以自主获得初始跟踪窗口,目标跟踪精度与速度均有所提升。     

基于ST-EKF与滤波增益约束的加速度计微g级标定

提高加速度计组件的标定精度是实现高精度导航、高精度测姿的重要途径.针对加速度计组件通过线性误差模型标定后难以达到微g级精度的情况,建立了包含二次项误差和振摆误差在内的加速度计组件误差模型,并提出了一种基于状态变换Kalman滤波与滤波增益约束的系统级标定算法.该算法借鉴Schmidt-Kalman滤波器与可观测性约束Kalman滤波器原理,可减小滤波状态协方差矩阵计算误差和滤波增益计算误差,从而提高弱可观误差状态的估计精度.与传统系统级标定算法的对比实验表明,所提出的新算法能够更加精确估计出包含二次项误差与振摆误差在内的加速计组件的各项误差,新算法使在大水平姿态倾角下的重力模值测量残差的均方差从线性误差模型的24.12μg、线性/二次项误差模型的13.38μg减少到6.71μg.4500s大水平姿态变化下的纯惯导实验结果表明:与仅用线性误差模型的系统级标定结果相比,系统级标定新算法使惯导系统的东向、北向导航最大位置误差分别从192.40m、96.72m减小到74.64m、65.44m.所提出的系统级标定新算法具备更好的标定精度,从而使得导航精度得到提高.     

基于数字控制器的石英挠性加速度计再平衡回路设计

目前广泛使用的石英挠性加速度计模拟伺服电路的输出需要经过模数转换电路才能与数字计算机系统连接,转换电路的非线性误差、温度漂移等非理想因素会造成一定的精度损失.针对转换过程引起的精度损失,研制了一种基于单载波电容调制解调的脉冲输出型数字伺服电路.首先,提出了采用单载波开关电容充放电调制、滑动平均滤波解调的电容检测方案.然...     

极低频超大型航天器姿态机动与物理试验验证

针对具有0.01 Hz极低频主模态的超大型航天器的姿态机动问题,给出利用经典的Bang-Bang轨迹规划方法、滤波轨迹规划方法和传统的相平面控制方法进行姿态机动的方案,构建了极低频超大型航天器姿态机动地面物理试验系统,对不同的姿态机动控制方法进行了试验验证.针对不同的姿态机动轨迹规划方法,采用喷气发动机或控制力矩陀螺作...     

多目标跟踪的概率假设密度粒子滤波

在多目标跟踪中,当目标数很大时,目标状态的联合分布的计算量会非常大。如果目标独立运动,可用各目标分别滤波来代替,但这要求考虑数据互联问题。文章介绍一种可以解决计算量问题的方法,只需计算联合分布的一阶矩——概率假设密度(PHD),PHD在任意区域S上的积分是S内目标数的期望值。因未记录目标身份,避免了数据互联问题。仿真中,传感器为被动雷达,目标观测值为距离、角度及速度时,对上述的PHD滤波进行了粒子实现,并对观测值是否相关的不同情况进行比较。PHD粒子滤波应用在非线性模型的多目标跟踪,实验结果表明,滤波可以稳健跟踪目标数为变数的情况,得到了接近真实情况的结果。