双重未知干扰解耦的多传感器系统偏差校正与状态估计

具有未知干扰输入的随机系统状态估计问题广泛存在于控制、通信、信号处理和故障诊断等领域,但目前的研究成果大多局限于单传感器动态离散系统。针对状态方程含有未知干扰、量测方程含有未知偏差的多传感器系统状态估计问题开展了研究,提出了一种双重未知干扰解耦下的最小方差无偏估计滤波器。首先,建立量测偏差通用演化模型;然后,解耦偏差演化模型中的未知输入,设计最小方差无偏估计器对量测干扰偏差进行估计;之后,利用估计出的量测偏差来校正动态系统测量值;最后,根据量测偏差校正后的系统模型设计最优状态观测器,获得具有最小方差无偏的状态估计。径向飞行控制系统的例子验证了所提方法的有效性,与相关方法的仿真对比反应了所提方法的优越性。     

自适应增量 Kalman 滤波方法

提出自适应增量Kalman滤波(AIKF)的概念和定义,建立自适应增量Kalman滤波模型及其分析方法,给出主要的计算步骤.传统自适应Kalman滤波(AKF)方法能够对事先未知的系统噪声和量测噪声的统计量进行有效的估计.但是,传统自适应Kalman滤波方法也无法对由于环境因素(如深空探测)的影响、测量设备的不稳定性等原因产生的未知时变测量系统误差进行补偿和校正,从而产生较大的滤波误差,甚至导致发散.提出的自适应增量Kalman滤波方法不但能够对系统噪声和量测噪声的统计量进行估计,而且还能成功消除这种测量系统误差,有效地提高滤波精度.该方法计算简单,便于工程应用.      

非线性状态方程自校准滤波方法

针对工程实际中遇到的非线性系统状态方程中含未知输入（如环境因素的影响、模型和参数选取不当等）的情况,采用自校准技术,基于秩滤波与无迹Kalman滤波算法提出了一种非线性状态方程自校准滤波方法,并分别讨论了自校准秩滤波(SRF)与自校准无迹Kalman滤波(SUKF)两种情况。大量仿真结果和工程应用表明:与无迹Kalman滤波(UKF)相比,该方法通过对系统状态方程中的未知输入进行自动估计和补偿,改善了系统受未知输入影响下的滤波效果,从算例中可以看到,估计精度至少提高了80%,且计算简单,便于工程应用。      

自校准Kalman滤波方法

提出一种自校准Kalman滤波方法(SKF),建立SKF模型及其滤波递推算法.在深空探测、发动机故障诊断等许多工程实际中,由于未知输入(如突风、故障、未知的系统误差等)的影响,传统的Kalman滤波方法在滤波递推过程中会产生较大误差.文中提出的自校准Kalman滤波方法能够自动补偿这种未知输入的影响,提高滤波精度.从某飞行器仿真中可以看到,SKF的滤波误差均值和方差分别比传统的Kalman滤波方法降低了400%和300%以上,有效地改善了滤波效果.并且该方法计算简单,便于工程应用.     

捷联制导旋转弹制导信息提取研究CSCD

以捷联式半主动激光导引头为研究对象,研究其应用在旋转弹上制导信息的提取方法。根据坐标转换关系得到旋转弹惯性系视线角解耦模型,由于导引头和速率陀螺仪具有测量误差特性,直接解耦得到的制导信息会产生较大的误差。基于视线角解耦模型的非线性,采用扩展卡尔曼滤波(EKF)的方法对测量信息进行滤波处理,估计出目标的位置,从而得到捷联式半主动激光导引旋转弹的制导信息。将扩展卡尔曼滤波方法与α-β滤波方法进行对比分析,得到扩展卡尔曼滤波方法对捷联式半主动激光导引旋转弹制导信息的估计精度更高,收敛更快。     

Joint parameter and state estimation for stochastic uncertain system with multivariate skew t noises

Due to the pulse interference, measurement outliers and artificial modeling errors, the multivariate skew t noise widely exists in the real environment. However, to date, little attention has been paid to the state estimation for systems in which the process noise and the measurement noise are both modeled as the heavy-tailed and skew non-Gaussian noise. In this paper, the multivariate skew t distribution is utilized to model the heavy-tailed and skew non-Gaussian noise. Then a probabilistic gra...     

自校准扩展Kalman滤波方法

提出一种自校准扩展Kalman滤波(SEKF)方法,针对3种含有未知输入(如未知系统误差、突风、故障等)的不同的非线性系统模型,分别给出了滤波递推算法.在导航、信号处理、故障诊断等领域的许多非线性工程中,传统的扩展Kalman滤波(EKF)方法无法消除未知输入的影响,在滤波过程中往往产生较大误差甚至发散.提出的SEKF方法能够对这种未知输入进行补偿和修正,从而提高滤波精度.数值仿真算例表明:SEKF的滤波误差均值和标准差分别减少到传统EKF的1/12和1/4,有效地改善了滤波精度.并且该方法计算简单,便于工程应用.      

基于EKF的天线罩误差斜率多模型估计方法

 提出一种新的滤波器结构,利用基于扩展卡尔曼滤波(EKF)的多模型(MM)算法,对天线罩误差斜率进行估计,降低天线罩误差对雷达自寻的导弹的影响,提高系统性能。在三维坐标下,创建包含导弹运动方程、目标运动方程、弹目相对运动方程的滤波模型。采用EKF算法,对包含天线罩误差的非线性观测方程进行线性化处理;依照多模滤波的思想,对天线罩误差进行离散建模,构建伪观测方程,更新模型概率,得到天线罩误差斜率的估计值;将斜率估计结果代入EKF,得到滤除天线罩误差影响的系统状态量估计结果并形成制导指令。仿真结果表明,所提方法可以有效地估计天线罩斜率,提高系统制导精度。     

自适应扩展增量 Kalman 滤波方法

基于扩展增量Kalman滤波方法(EIKF)和自适应增量Kalman滤波(AIKF),建立自适应扩展增量Kalman(AEIKF)模型及其分析方法,给出递推算法.在许多实际情况(如深空探测),由于环境因素的影响、测量设备的不稳定性等原因,量测方程往往存在未知的系统误差,并且模型参数也具有不确定性,结果导致较大的Kalman滤波误差,影响滤波的收敛性.提出的AEIKF方法能够成功消除这种未知的系统误差,并能够实时估计变化的噪声统计量,提高Kalman滤波精度.该方法计算简单,便于工程应用.      

高超声速飞行器组合导航鲁棒滤波算法

高超声速飞行器由于其飞行环境的影响,使得GPS和星敏感器的量测噪声表现出非高斯特性。针对常规基于Kalman滤波的组合导航在非高斯噪声下性能下降的问题,提出了基于鲁棒滤波的高超声速飞行器组合导航算法。方法在惯性／GPS／＆异步量测建模的基础上,通过随机去耦将量测更新转化为线性回归问题,并基于M估计获得状态量最优估计。仿真结果表明,方法对非高斯噪声具有更好的鲁棒性,有效提高了高超声速飞行器组合导航系统的性能。     

一种星敏感器-陀螺组合定姿的实时在轨标定方法

研究了一种星敏感器一陀螺组合定姿方式中的姿态敏感器误差的实时在轨标定方法。首先,选择直观的欧拉角作为姿态描述参数,根据星敏感器和陀螺的测量原理建立星敏感器一陀螺在轨标定的测量方程和状态方程,并以此建立数学模型。其次,采用简单高效的EKF（ExtendedKalmanFilter,扩展卡尔曼滤波）作为估值算法,进行了在轨标定数值仿真。对于航天器姿态定向中出现的姿态角和星敏感器安装角之间的耦合问题,通过在特定姿态通道上施加简单姿态机动实现了解耦。数值结果表明,该实时在轨标定方法,尤其是所提出的姿态角和星敏感器安装角解耦策略,可以实现对航天器姿态的实时精确估计以及对星敏感器安装误差、陀螺常值漂移和相关漂移等误差的实时在轨标定。该方法可用于航天器姿态测量设备的实时在轨标定和航天器姿态的高精度实时确定。     

具有未知输入干扰的观测器设计

提出一种全阶比例积分观测器。该观测器包含有估计误差的比例和积分回路,可同时得到状态和未知输入估计。分析了比例积分观测器的结构和估计性能,给出并证明了其存在条件,由于存在条件弱于未知输入观测器,该比例积分观测器可以更广泛地应用于基于观测器的技术方案。通过一个飞行器线性化模型,进行了比例积分观测器设计。仿真结果表明,比例积分观测器的估计性能优于常规 Luenberger观测器     

基于无味卡尔曼滤波的飞机防滑刹车模糊神经网络控制

根据对飞机刹车过程动力学分析与建模,本文提出了一种基于无味卡尔曼滤波(UKF)的模糊神经网络控制律。本控制律结合了无味卡尔曼滤波对机体速度的良好估计效果和模糊神经网络控制器对不同系统参数的适应能力,能够很好完成对最佳滑移率的追踪任务。Matlab仿真试验结果显示,基于无味卡尔曼滤波的模糊神经网络控制器可以准确的估计飞机滑跑时的速度,改善飞机防滑刹车系统性能,提高刹车效率。     

交互多模型PHD滤波跟踪多目标方法

在机动多目标跟踪问题中,目标数未知或随时间而变化,概率假设密度（PHD）滤波可以在每一时间步估计多目标状态和目标数,但单模型方法不能给出精确的估计。提出了一种交互多模型PHD滤波方法,建立多模型描述多目标运动方式,利用PHD滤波结合多模型跟踪目标运动轨迹。同时,给出了多传感器交互多模型PHD滤波方法,以提高目标跟踪精度。     

基于状态检测的防火墙系统研究

重点讨论了基于状态检测防火墙系统的模型。通过对包过滤机制加入状态检测模块,将状态信息的保留机制与过滤机制结合起来,应用状态迁移分析技术设计状态检测模块,使系统对IP包的转发效率有了较大的提高,并且对于包过滤模型中存在的先天性安全漏洞做了较为完善的弥补。     

自适应增量粒子滤波方法

提出自适应增量粒子滤波(AIPF)的概念和定义,建立AIPF模型,给出了分析方法和主要的计算步骤.对于许多实际工程(如深空探测)中存在的由未知系统误差的影响而无法精确建立量测似然函数及滤波过程中的粒子匮乏等问题,通过增量粒子滤波模型对滤波过程中的粒子数进行自适应调整,从而消除这种未知系统和滤波粒子匮乏的影响,自动调整粒子,提高非线性滤波的精度.仿真计算中,滤波误差均值和方差分别降低为原来的3.8%和19.6%.该方法有效地改善了滤波效果,计算简单,便于工程应用.      

DESIGN OF DISTURBANCE DECOUPLED FILTER AND ITSAPPLICATION TO MANEUVERING TARGETS TRACKING

A dnovel isturbance decoupled filter (DDF) design scheme is presented. Firstly, the system with unknown input is translated into an equivalent system without unknown imputs by a simple algebraic transformation. Then, a new DDF design scheme, which is very simple, is proposed via innovations theorem. At last, the application of DDF to Maneuvering Targets Tracking is simulated and the simulation results show that DDF is suitable for high maneuvering cases.     

Adaptive Gaussian sum squared-root cubature Kalman filter with split-merge scheme for state estimation

The paper deals with state estimation problem of nonlinear non-Gaussian discrete dynamic systems for improvement of accuracy and consistency. An efficient new algorithm called the adaptive Gaussian-sum square-root cubature Kalman filter（AGSSCKF） with a split-merge scheme is proposed. It is developed based on the squared-root extension of newly introduced cubature Kalman filter（SCKF） and is built within a Gaussian-sum framework. Based on the condition that the probability density functions of process noises and initial state are denoted by a Gaussian sum using optimization method, a bank of SCKF are used as the sub-filters to estimate state of system with the corresponding weights respectively, which is adaptively updated. The new algorithm consists of an adaptive splitting and merging procedure according to a proposed split-decision model based on the nonlinearity degree of measurement. The results of two simulation scenarios（one-dimensional state estimation and bearings-only tracking） show that the proposed filter demonstrates comparable performance to the particle filter with significantly reduced computational cost.     

A practical filter error method for aerodynamic parameter estimation of aircraft in turbulence

It is common for aircraft to encounter atmospheric turbulence in flight tests. Turbulence is usually modeled as stochastic process noise in the flight dynamics equations. In this paper, parameter estimation of nonlinear dynamic system with both process and measurement noise was studied, and a practical filter error method was proposed. The linearized Kalman filter of first-order approximation was used for state estimation, in which the filter gain, along with the system parameters and the initial states, constituted the parameter vector to be estimated. The unknown parameters and measurement noise covariance were estimated alternately by a relaxation iteration method, and the sensitivities of observations to unknown parameters were calculated by finite difference approximation. Some practical aspects of the method application were discussed. The proposed filter error method was validated by the flight simulation data of a research aircraft. Then, the method was applied to the flight tests of a subscale aircraft, and the aerodynamic stability and control derivatives were estimated. All the estimation results were compared with the results of the output error method to demonstrate the effectiveness of the approach. It is shown that the filter error method is superior to the output error method for flight tests in atmospheric turbulence.     

机动目标拦截末制导状态估计器的误差特性

 针对大机动目标拦截问题,分析了末制导阶段目标机动条件下状态估计器的误差特性。首先将目标机动输入未知时的状态估计器模型表示为一随机线性混合系统,当混合系统的模式跳变事件满足可观测性条件时,模式决策过程可等效为真实模式的延迟;随后推导了模式决策延迟条件下估计误差的动态方程与传递函数,并得到了一定误差要求下模式决策延迟的上界与目标机动模式逗留时间的下界;最后通过空空导弹拦截高速战机的典型实例验证了该理论分析的正确性。研究结果为设计此类线性混合系统估计器提供了理论依据。