基于最优解析解的运载火箭大气层外自适应迭代制导方法

随着空间发射任务的多样化和复杂化,为了满足运载火箭的机动性、灵活性以及卫星高精度人轨的要求,需要研究制导精度更高、适应能力更强的自适应制导方法.本文总结了运载火箭大气层外最优轨迹的解析解;基于牛顿迭代法,研究了一种不同于以往迭代制导思想、适用于大姿态角范围的迭代制导方法,并推导了其雅可比矩阵的解析式;最后对该迭代制导方...     

自适应高阶容积卡尔曼滤波在目标跟踪中的应用

针对传统容积卡尔曼滤波(CKF)在系统状态发生突变时估计精度下降的问题,将强跟踪滤波(STF)算法与高阶容积卡尔曼滤波(HCKF)算法相结合,提出了一种自适应高阶容积卡尔曼滤波(AHCKF)方法。该算法采用高阶球面-相径容积规则,可获得高于传统CKF的估计精度,同时在HCKF算法中引入STF,通过渐消因子在线修正预测误差协方差阵,强迫残差序列正交,提高了算法的鲁棒性,增强了算法应对系统状态突变等不确定因素的能力。将提出的AHCKF算法应用于具有状态突变的机动目标跟踪问题并进行数值仿真,仿真结果表明,AHCKF算法在系统状态发生突变的情况下表现出良好的滤波性能,有效地避免了状态突变造成的滤波精度下降,较传统的CKF、HCKF、交互式多模型-容积滤波(IMM-CKF)和自适应容积卡尔曼滤波(ACKF)算法有更强的鲁棒性和系统自适应能力。     

适用于工程数据的飞行器气动特性修正框架

新型飞行器对气动特性的预示精准度提出了更高的要求，为此研究了一种适用于多条飞行试验数据的气动特性修正框架，实现了对地面气动模型及先验不确定性模型的修正。基于试验数据特点，首先从模型辨识角度，改进了传统的多元正交函数法，构建了多试验数据模型项的统计优选准则，设计了基于总体最小二乘思想的定制化参数估计算法；然后从不确定度量化角度，估计出了气动修正模型的总偏差，校验了先验不确定性模型。最后应用提出的修正框架处理某飞行器的10条试验数据。结果表明相比于原始地面气动特性预示方式，修正后的方式，一方面预测的气动系数更接近测量的气动系数，另一方面估计的气动误差带具有较少的误差带外测量点及最高的精细程度。     

面向火箭构型论证的运载能力快速分析方法

针对不同构型与任务条件下的运载能力快速计算问题，提出了基于高斯函数和组合神经网络的速度损失计算方法，并基于此对运载能力进行了快速分析。首先，基于状态量解析解计算分析，采用高斯函数对核心的重力速度损失项进行拟合计算；同时，为提高多构型与多任务样本的采样密度、简化数据建模过程并增强方法适应性，采用径向基网络(RBF)与深度神经网络(DNN)的组合形式进行状态量的提取与回归分析；然后将任务约束转化为需要速度增量，通过数值迭代得到运载能力。仿真结果表明，此运载能力分析方法精度偏差约为0.35%，计算耗时小于2 s，可为运载火箭总体参数快速论证与任务规划研究提供理论支撑。