时序频谱的自适应估计

本文对AR模型的频谱作出自适应估计。文中首先对AR(p)的模型参数作递推自适应估计,然后用最大熵谱估计作自适应谱估计。在样本容量(短数据)较小的场合,给出了估计的精度分析。文中所提供的方法,对于时序变化剧烈的情况,具有较好的跟踪效果以及较高的分辨率和精度。     

一种新型模糊自适应Kalman滤波器在组合导航中的应用

针对光纤陀螺捷联惯导(FOG SINS)/GPS组合导航系统实际工作环境中,由于系统噪声与量测噪声模型发生变化而带来的滤波器发散的问题,提出一种新型模糊自适应Kalman滤波器(FSHAKF).通过引入IMU精度因子与GPS水平精度因子,构造模糊推理系统(FIS),实时更新自适应参数,有效地解决了传统Sage-Husa自适应滤波器(SHAKF)估计模型不准确、系统噪声与量测噪声无法同时估计以及滤波器长时间易发散的问题.仿真实验表明,本文提出的FSHAKF算法相较于SHAKF算法,估计精度得到明显提高,且避免了滤波器的发散.     

基于AR/CGARCH模型的液体火箭发动机自适应阈值故障检测算法

为了解决传统自适应阈值算法对时间序列方差跟踪能力不足,以及故障阶段带宽自动放大的问题,提出了紧广义自回归条件异方差（Compact General Auto-Regressive Conditional Heteroskedasticity,CGARCH）模型。针对液体火箭发动机稳态试车数据的波动性特点,提出一种基于自回归（Auto-Regressive,AR）模型和CGARCH模型的自适应阈值故障检测算法。采用AR模型对稳态参数的均值进行估计,并采用CGARCH模型对稳态参数的方差进行估计,从而利用均值和方差的估计值自适应地构造检测阈值。用某氢氧火箭发动机的热试车数据进行验证,结果表明,该算法能够准确、快速、灵敏地检测液体火箭发动机故障,在正常工作阶段,能够有效跟踪数据波动性,在故障阶段,能够避免阈值变宽带来的漏检。     

有色观测噪声下的目标跟踪问题

本文讨论了有色观测噪声下的目标跟踪问题,把观测色噪声的成形滤波器假设为AR模型,给出了估计AR模型参数的方法。本文又提出将AR模型参数估计和交互式多模型(IMM)滤波相结合,可以很好地跟踪目标。     

基于稀疏表示的多雷达信号二维融合处理

多雷达信号融合通过对多视角和多频带雷达信号进行相干融合,可以提高图像的距离和方位向分辨率.为了克服基于谱估计的多雷达信号融合方法稳健性严重依赖于散射点个数估计精度和二维极点配对精度的问题,在深入研究逆合成孔径雷达(ISAR)信号的基础上,构造了多雷达信号二维融合的线性表示模型,将融合处理转化为一个信号表示问题;充分挖掘...     

基于时变AR模型的MEMS陀螺抗野值Kalman滤波

陀螺是框架式导引头控制稳定平台和解算视线角速度的重要器件。随着微机械陀螺(MEMS)广泛应用于低成本框架式导引头,许多学者开展了对MEMS陀螺的研究来提高导引头的制导精度。针对导引头MEMS陀螺输出噪声大、滤波后延时大的问题,提出了一种利用遗忘因子递推最小二乘进行时变AR模型建模并与抗野值Kalman滤波相结合的方法。利用遗忘因子递推最小二乘对AR模型进行参数估计,将实时AR模型的结果应用到自适应抗野值Kalman滤波中进行随机误差补偿。经过仿真和实物测试,时变AR模型抗野值Kalman滤波的均值、方差、Allan方差的噪声项比原始数据减少了90%以上,表现出比Kalman滤波更好的效果。     

基于支持向量机方法的发动机性能趋势预测

为了提高对航空发动机性能趋势预测的精度，提出利用支持向量机方法来预测表征发动机整体性能的参数一性能综合指数。建立了基于支持向量回归的一步及多步预测模型，利用该模型对性能正常衰退及性能异常发动机的综合指数分别进行预测，并与自回归(AR)模型的预测值进行比较。结果表明，基于支持向量机的预测模型比AR模型的预测精度更高，其四步预测精度由80．56％提高到88．51％。因此该模型尤其适合中、长期预测。     

基于深度学习目标识别的航天员训练场景理解技术

增强现实(AR)是航天员训练的有效途径,其关键技术是场景重建与空间定位。针对当前AR设备只能进行场景空间静态识别,无法感知目标动态变化的问题,提出了深度学习与AR技术相结合的目标识别与位姿估计方法。采用YOLO v5神经网络实现了小训练样本量的操作目标识别,结合深度信息实现了目标点云分割,与目标CAD模型点云进行ICP匹配后估计出目标的三维空间位姿,从而在AR显示空间中实现目标的动态定位与虚实融合。结果表明：YOLO v5的识别平均精度可以达到0.995,虚实结构可以准确叠加。该方法可有效提高AR设备的场景理解能力,扩展航天员AR训练手段。     

一种稀疏阵列下的二维DOA估计方法

研究了稀疏阵列下二维波达方向（DOA）的估计问题,提出一种基于不动点迭代的空间谱估计（FPC-MUSIC）算法。首先建立基于矩阵填充的DOA估计信号模型,并验证该信号模型满足零空间性质（NSP）,其次通过不动点迭代算法将稀疏阵列信号恢复为完整信号,最后利用恢复信号估计二维DOA。该算法可在稀疏阵列下大幅度降低谱估计平均副瓣,在大幅度降低阵元数的同时具有较高的估计精度。计算机仿真表明：FPC-MUSIC算法可在稀疏阵列下准确估计二维DOA,验证了该算法的有效性和优越性。     

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.      

非等间距相关系数AR(p)序列预测方法

针对非等间距时间序列预测中存在误差较大的问题,本文建立了非等间距相关系数AR(p)序列预测方法,详细讨论了非等间距相关系数AR(1)序列和AR(2)序列的预测公式和误差估计。大量计算表明,本文方法与通过插值将非等间距序列变换为等间距序列进行预测的传统方法相比,具有更高的预测精度。      

基于角速度估计自适应的IMM目标跟踪算法

为了解决目标强机动时目标跟踪算法模型集不匹配的问题,提出了一种基于角速度估计的自适应交互式多模型算法。通过对角速度的估计,在目标的不同运动模式下选取最优模型集,角速度估计精度高时,通过角速度估计值构造模型集,减小模型间竞争;角速度估计精度低时,采用标准IMM算法的模型集,提高模型集的覆盖范围,从而提高跟踪精度。仿真结果表明该方法能够明显提升目标跟踪性能,对强机动目标的跟踪效果尤其显著。     

导弹电子设备故障的组合预测方法研究

针对传统GM(1,1)的对纯指数型序列预测的局限性,引出了改进的离散灰色DGM(1,1)模型。应用DGM(1,1)模型与时间序列AR模型的组合模型对导弹电子设备进行故障预测,并通过实例对预测精度进行了检验。     

地球定向参数高精度预报方法研究

采用国际地球自转和参考系服务(IERS)的EOP 05C04数据序列,对EOPs序列做数据预处理后,分析基础预报序列的长度和精度与EOPs不同跨度预报精度的联系,同时综合应用线性的自回归(Autoregressive,简写为AR)模型和非线性的人工神经网络(Artificial Neural Networks,简写为ANN)模型结合最小二乘外推法,对EOPs序列作预报计算对比。研究结果表明,预报中选取合适的基础预报序列和预报方法,可以实现EOPs的高精度预报。     

一种新型的内置式永磁同步电机无位置传感器控制策略

针对内置式永磁同步电机(IPMSM)在低速域运行时模型参考自适应观测器对电机参数变化敏感、位置检测精度低以及鲁棒性差等缺点,提出了通过利用电机本体的参考模型和相应可调模型的差值构造滑模面,取代了传统模型参考自适应观测器中采用PI调节器作为自适应机构的做法,并且采用模糊控制器自适应调整滑模增益以抑制滑模运动的抖振。在MATLAB/Simulink环境下搭建了仿真模型。仿真表明:在外部扰动以及电机参数变化时,估计转速和转子位置均能跟踪到实际的转速和转子位置。     

基于自适应容积卡尔曼滤波方法的涡扇发动机气路部件故障诊断

针对涡扇发动机气路部件故障诊断中参数存在不同的噪声统计特性,提出了一种自适应平方根容积卡尔曼滤波(ASRCKF)器的自适应滤波方法.该方法直接利用基于3阶容积积分方法近似发动机的非线性统计特性,用于替代非线性无迹卡尔曼滤波方法的系统模型,避免了滤波过程参数选取的问题;采用移动窗口法对噪声协方差矩阵进行自适应估计,提高了算法对不同统计特性噪声的自适应能力和滤波精度.通过对发动机气路部件健康参数蜕化过程仿真结果表明:ASRCKF方法相比平方根容积卡尔曼滤波(SRCKF)方法,精度提高40%~50%,对不同噪声信号具有更好的适应能力.      

基于AR模型参数双谱估计的超分辨ISAR成像

利用双谱分析方法，用非高斯AR模型对雷达目标回波信号进行参数化双谱估计，并在此基础上对数据进行外推处理，然后对数据进行ISAR成像。仿真和实测数据实验表明，本文的处理方法比传统的ISAR成像分辨力有明显的提高，且运算量不大，满足ISAR的实时或者准实时成像要求。     

基于GPR模型的自适应平方根容积卡尔曼滤波算法

与传统算法一样,动态系统的参数化模型(含噪声统计特性)未知或不够准确易导致容积卡尔曼滤波(CKF)效果严重下降,甚至滤波结果发散.为此,利用高斯过程回归(GPR)方法对训练数据进行学习,得到动态系统的状态转移GPR模型和量测GPR模型以及噪声统计特性,用以替代或增强原有动态系统模型,并将其融入到平方根容积卡尔曼滤波(SRCKF)中,分别提出了无模型高斯过程SRCKF (MFGP-SRCKF)和模型增强高斯过程SRCKF (MEGP-SRCKF)两种算法.仿真结果表明:这两种新的自适应滤波算法提高了动态系统模型精度,且实时自适应调整噪声的协方差,克服了传统算法滤波性能易受系统模型限制的问题;与MFGP-SRCKF相比,在给定一个不够准确的参数化模型,且有限的训练数据未能遍布估计状态空间的情况下,MEGP-SRCKF具备更高的滤波精度.     

组合导航数据融合自适应UKF算法研究

为进一步改善平方根无迹卡尔曼滤波(Square Root Unscented Kalman Filter,SRUKF)在微惯/卫星组合导航数据融合中的估计精度和计算复杂度,针对工作于高机动状态下随机模型统计特性不确定和SRUKF中计算繁琐的问题,分别结合最大后验概率估计准则和矩阵奇异值分解技术,提出了一种新的快捷自适应UKF算法。通过微惯/卫星组合导航系统进行数据测试,结果表明,新算法不仅能够降低时变噪声对导航滤波算法精度的影响,有效提高系统的自适应能力,而且相比传统算法计算效率提升了约16%。研究结果对工程应用具有一定的理论价值。     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于PnP的自适应线性卡尔曼滤波位姿估计求解方法。将PnP位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。