基于时空轨迹信息的目标行为模式在线分类方法

在预警监视领域，及时地预测目标行为模式对于态势认知至关重要。首先，针对当前大多数目标行为分类器实时性不强、对离群轨迹不敏感等问题，提出了带有离群检测的归纳式一致性多类预测器（ICMP）。其次，针对目标行为分类算法仅考虑目标的空间位置信息，而忽略航向和速度信息的问题，基于轨迹的时间和空间2个维度的信息提出了时空Hausdorff距离（STHD），从而可以有效区分空间位置相似但运动速度和方向不同的行为。然后，基于定向时空Hausdorff距离和K最近邻思想构造了定向时空Hausdorff最近邻不一致性度量函数（DSHNN-NCM）；在此基础上，提出了带有离群检测的序贯时空Hausdorff最近邻归纳式一致性多类预测器（SSHNN-ICMP），能够在预警监视场景下对目标频繁出现的行为进行在线学习和分类。最后，分别在仿真军事场景和真实民用场景中进行实验分析，结果表明本文算法具备较好的准确性和实时性，在预警监视任务中有良好的应用前景。     

空天飞行器返回滑翔段在线制导方法

针对空天往返飞行器的返回滑翔段在线制导问题，设计了一种新的滑翔段飞行剖面，实现了滑翔段终端交班高度、位置和倾角约束的自动满足，减少了在线制导算法中需处理的约束数量。推导了滑翔段运动状态、过程约束和性能指标的解析表达式，获得了剩余航程和终端速度间的函数关系。在此基础上，提出了一种双层在线制导方法：内层解析重构飞行剖面，同时通过解析确定路径点来改变剩余航程的变化率，进而对终端交班速度进行控制；外层借助解析表达式，使用粒子群优化算法(PSO)和改进共轭梯度法(CGM)优化飞行剖面，从而满足过程约束和指标要求。最后通过数学仿真验证了方法的正确性。     

离心机精度对加速度计二次项标定精度的影响

离心机是标定高精度加速度计二次项系数(k2)的主要设备之一,其精度水平对k2标定精度具有重要影响。为揭示这种影响规律,指导测试设计,在常用的加速度计多项式模型基础上,建立了k2标定精度与离心机精度之间的数学模型,并利用MATLAB仿真。仿真结果表明,k2标定精度受离心机精度及其输出加速度幅度共同影响。在给定离心机精度的情况下,需要根据k2精度目标来设计离心机输出加速度范围,以免影响测试结果。     

基于ILLE和SVM的卫星执行机构系统故障检测与定位

针对某超高指向精度要求的卫星平台,采用增量式局部线性嵌入(ILLE)与支持向量机(SVM)结合的方法,研究系统配置的多组磁伺服机构的故障检测与故障定位技术。在分析执行机构故障模式以及故障影响的基础上,采用LLE算法实时提取并更新与故障相关的卫星姿态控制系统高维信息,对其进行降维及特征提取,实现执行机构系统故障检测。当检测到故障时,提取执行机构系统输入输出信息,利用支持向量机(SVM)方法进行故障定位。该方法无需采集离线数据生成样本集,直接利用卫星姿控系统产生的在线故障特征数据集进行故障检测,并能根据故障检测结果,有效地实现卫星姿控系统执行机构的故障定位。算例仿真结果验证了所提方法的有效性。     

基于CZT的变时间窗时变参数在线辨识方法及应用

针对时变参数的在线辨识问题,提出了基于CZT的变时间窗时变参数在线辨识方法,通过滑动时间窗以及基于方差阈值的重启设计,提高了现有频域辨识方法对时变参数的辨识速度,并且有效避免了数值微分对噪声的放大问题。最后,基于飞机系统的执行机构故障,对该方法进行仿真验证,并与传统辨识方法进行对比,说明了该方法对时变参数有较强的辨识能力,验证了该方法的有效性。     

基于HHT的航空直流串行电弧特征提取方法

由于飞机内部布线空间有限、电弧故障存在发生时间地点随机以及特征不明显等问题，导致检测困难。本文基于航空270 V高压直流（HVDC）系统开展直流串行电弧故障特征提取方法研究，采用希尔伯特黄变换（HHT）提取电弧电流交流分量的时域和频域特征量。选择HHT的固有模态函数IMF5瞬时幅值的峰峰值和标准差作为识别电弧故障的时域特征，与原始信号中提取的时域特征量对比，正常和电弧特征量的区分度更大；选择HHT的固有模态函数IMF1+IMF2、一定频带范围内的瞬时幅值计算得到的谐波功率和作为区分正常和电弧情况的频域特征量。与常用的快速傅里叶变换（FFT）方法相比，HHT三维时频谱能够反映信号的局部特征，HHT方法计算得到的正常和电弧特征量之间的区分度更大，电弧和正常特征量的比值最高可达346。基于HHT的电弧故障特征提取方法能够更好地区分正常和电弧情况，有助于提高电弧故障的检测率，降低虚警率，具有重要的工程应用价值。     

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。     

基于Kalman滤波的空天飞行器再入制导算法

针对空天飞行器应用传统数值预测校正再入制导算法实时性不佳的问题，提出一种基于Kalman滤波的预测校正制导算法。该算法采取四阶多项式拟合速度-高度飞行剖面，利用Kalman滤波估计选定的速度点对应的高度，得到满足再入走廊及航程要求的拟合系数。在此基础上，减少一个终端约束，增加一个待估计剖面参数，可实现对再入过程飞行时间的调节。研究发现，再入过程中通过在线辨识修正不确定性参数能够提高制导指令的适应性；飞行末段利用跟踪参考剖面制导可有效避免飞行速度与终端速度接近时发生拟合系数求解发散的问题。多组不同再入条件下的算例仿真结果表明，基于Kalman滤波的空天飞行器再入制导算法实时性好，制导精度高，能够实现飞行时间可控，具有较强的鲁棒性和工程应用潜力。