一种解决经验模态分解端点效应的边界延拓法

用于电子设备或系统辐射发射趋势预测的数据大多呈现非线性、样本量小的特点,这大大增加了预测建模的难度,而经验模态分解(EMD)可以将非线性、非平稳的数据分解成若干个呈现一定周期性的本征模态函数(IMF),并且EMD具有完备性和正交性,可通过分别对分解得到的IMF分量建模,从而完成对原始数据的建模。但EMD被端点效应问题所困扰,为了提高EMD的分解精度,针对分解过程中的端点效应问题,以及辐射发射趋势预测的时间序列数据样本量小的特点,利用建立灰色均值GM(1,1)预测模型所需数据量小的优点,提出了一种基于灰色均值GM(1,1)预测模型的边界延拓方法,在原始数据两端各拓展一个极大值和一个极小值,对原始数据进行边界延拓,从而抑制EMD的端点效应。仿真对比结果表明:该方法在分解层数和平均相对误差方面均优于未经延拓处理的EMD,且对数据样本量要求不高。     

基于联邦UKF的多源测控数据融合处理方法

为确保载人航天上升段测控实时外弹道跟踪的精度和可靠性,针对目前测控资源冗余、测量信息利用率低的缺点,结合航天测控的特点提出基于联邦UKF(无迹卡尔曼滤波)的测控数据融合处理方法,并对需要解决的关键技术问题进行了分析。仿真结果表明:采用基于联邦UKF的数据融合方法,外弹道实时跟踪精度提高约30%,解决了弹道优选方法存在阶跳的问题,算法的收敛速度可以满足实时导引的要求。