导航星座的自主导航技术--卫星自主时间同步

基于星载原子时钟频率稳定性的Allan方差表达,建立系统状态方程,并以星间双向测量伪距差作为基本观测量,组成系统测量方程,从而可以设计适用于导航星座卫星时间同步的Kalman滤波算法。系统仿真结果表明：通过对星间双向测量数据的滤波处理,能够实现星座卫星时间精密同步。     

基于模糊自适应Kalman滤波的MEMS惯导系统在线修正研究

MEMS惯性导航系统中,针对传感器零偏存在随机启动的不确定性误差,以及抗外界干扰能力低的实际问题.本文提出了一种基于模糊自适应Kalman滤波在线修正的方法,与常规Kalman滤波相比,该方法通过制定模糊规则,将残差的理论方差与实测方差迹的比值模糊化处理作为模糊推理的输入,量测方差的修正因子作为输出,实时评估系统的观测噪声,既抑制了滤波的发散又增强了估计修正过程中的稳定性.仿真结果表明:该方法能够准确的估计出系统的随机误差,并且在系统观测噪声的统计特性发生变化时,估计的精度和系统鲁棒性依然优于常规Kalman滤波.     

连续变迎角试验数据自适应分段拟合滤波方法

针对常用的阶梯变迎角数据处理方法处理连续变迎角试验数据时，不能去除低频振动分量的问题，基于试验数据中的近似对称、局部线性等特点，提出一种将数据进行分段二项式拟合的处理方法，并详细论述其基本原理，重点介绍基于方差极小值动态确定数据分段长度的方法。基于测试信号的实验结果表明所提方法可将低频分量信号滤除近70%，有效提高数据处理精度。经标模试验测试验证，所提方法可成功应用于某些试验。      

并行稀疏滤波在轴承声信号下的故障诊断

振动信号是航空发动机故障监测的常用信号。由于航空发动机结构复杂，对振动传感器的布置要求日益严格。声学信号以其非接触式、易布置、低成本的优点，在轴承智能故障诊断中引起了广泛的关注。然而，由于航空发动机内声信号所处的环境噪声较强，传统的轴承故障诊断方法无法实现精确的特征提取。为此，研究有效的特征提取方法实现轴承声信号下的智能故障诊断显得尤为重要。稀疏表示是智能故障诊断中的一个研究热点，在稀疏特征提取方面显示出强大的力量。对强噪声下的声信号进行有效的稀疏特征提取，可为轴承的非接触式故障诊断提供解决路径。提出一种基于并行稀疏滤波的轴承故障诊断方法，能够实现对轴承声信号的稀疏特征提取。并行稀疏滤波通过在传统稀疏滤波的基础上增加另一个归一化方向来实现进一步的稀疏特征提取，然后采用权值归一化方法约束训练得到的权值矩阵。最后，通过仿真和实验数据验证了所提方法的优越性。结果表明，并行稀疏滤波能够实现轴承声信号的有效稀疏特征提取和精准分类，可用于声学信号下的轴承智能故障诊断。     

基于FRFT的多分量LFM信号检测与参数估计方法

针对传统方法搜寻效率低的问题，采取瞄准搜寻策略，提出一种快速精确地检测和估计多分量线性调频（LFM）信号参数的方法。推导出LFM信号的分数阶长度和旋转角度间的近似关系；利用分数阶幅度随旋转角度变化规律，提出一种高效搜寻最优旋转角度的算法，分析得出该算法的计算量较小，相比于传统算法具有较大优势。在低信噪比情况下，进行两次S-G滤波可显著提高检测概率。仿真结果表明，所提方法在低信噪比和存在分量间信号干扰的情况下，能可靠检测和精确估计多分量LFM信号参数。      

捷联式航空重力测量系统的数据处理方法比较与分析

重力数据处理对获取高精度重力异常值有着重要作用，是重力测量的核心技术。重力仪在搭载运动载体进行重力测量时，载体的高频振动对重力测量数据和GPS数据均会产生不可避免的干扰，导致提取的重力异常粗值含有大量高频噪声。围绕重力数据的处理方法这一核心技术，介绍了FIR低通滤波、零相移滤波、标准Kalman滤波、正反Kalman滤波4种滤波方法的基本原理，运用这4种方法处理了SAG捷联式重力仪的某次实际飞行测量数据，比对了基于SINS/GPS组合导航和SINS/DGPS组合导航的重力测量数据处理结果。通过对本次试验重复测线内符合精度进行比对，验证了4种方法的可行性和优劣性，同时验证了SAG重力仪的测量精度。     

X射线脉冲星信号时延的实时估计方法

针对在频域内计算X射线脉冲星信号延时量存在滞后性,进而难以为航天器自主导航提供实时信息的问题,提出将脉冲星信号延时估计转化为时域内标量估计的方法。首先,通过人工神经智能网络获得脉冲星信号的标准轮廓函数作为状态方程;应用粒子滤波算法对脉冲星信号延时量进行实时估计;其次,为了避免标准粒子滤波器中的粒子退化现象,推导并证明了一种新型粒子滤波算法;最后,推导出粒子滤波算法的精度函数,为航天器的导航策略提供参考。以航天器在轨运行中可能遇到的3种情况为背景,验证了所提粒子滤波算法的正确性与有效性。     

动态时频谱分析、探测和跟踪的随机有限集法

动态出现和消失多分量信号的时频分析问题一直是非平稳信号处理的难点之一。为此，提出了一种分析、探测和跟踪多分量信号的随机有限集法。该算法利用时频变换，如短时傅里叶变换或自适应谱估计法，以及多项式预测模型，将多分量信号的时频分析问题归纳成可利用随机有限集进行多目标追踪的问题。分析表明：借助于提出的初始权重赋值算法，以及谱分量幅度和频率的联合似然函数，就可利用高斯混合概率假设密度滤波器来实现对动态时频谱的分析、探测和跟踪。在仿真实验中，所提算法有效提升了动态时频谱的跟踪精度，其对微弱时频谱分量的探测能力，以及对载频差异的分析能力均优于文献报道的算法。