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.     

基于模糊自适应扩展卡尔曼滤波器的异步电动机无速度传感器控制

针对传统扩展卡尔曼滤波器(EKF)固定的噪声协方差矩阵在观测感应电动机转速时不能同时满足系统动态和静态下精确估计的问题,提出了一种模糊自适应调整噪声协方差的方法。该方法可以根据状态鉴别器输出状态,经模糊自适应调整噪声协方差矩阵参数,解决了系统在动态和静态时对噪声协方差矩阵中不同参数需求的问题。仿真表明所提模糊自适应EKF转速估计精度更高,有效地提高了系统的抗干扰能力。     

同步机动态模型参数的数字机估计

本文的主要目的是发展一种数字机参数估计算法,它能从带有噪声的数据中提炼出同步发电机的动态模型参数。本方法采用的是建立电机模型;用该模型计算在参数初值的基础上的电流输出;进而利用电机参数的灵敏度矩阵,调整参数值,以使量测输出与模型输出间误差的平方和达到最小。进一步,结合噪声的统计规律于估计方法之中,通过加权阵的形式,建立了极大似然估计器。     

基于置信度加权的组合导航数据融合算法

 针对联邦滤波融合算法中由于模型量测噪声统计特性未能被准确描述导致其子滤波器误差变大,进而导致联邦滤波估计出现偏差的问题,为了改进联邦滤波融合方法,将模糊自适应卡尔曼滤波方法和置信度加权方法与联邦滤波融合方法相结合,应用于组合导航系统。该方法首先将模糊自适应卡尔曼滤波方法应用于各子滤波器,使其能够跟踪真实量测噪声统计特性。然后通过模糊方法计算得到各子滤波器的置信度,进而得到联邦滤波器的置信度,再由得到的置信度对各子滤波器及联邦滤波器输出进行加权,得到最终的全局输出。对车载组合导航系统的仿真结果表明,这种算法对量测噪声具有较强的自适应性,能够抑制置信度低的子滤波器在融合系统中所占的权重,提高联邦滤波融合算法的精度,是一种可行的车载组合导航数据融合算法。     

连续最小阶奇异滤波器

 本文讨论了当动态噪声统计特性未知时,奇异线性定常连续随机系统最小阶滤波器的设计问题。在系统部分观测量能精确测量的情况下,利用广义逆阵方法选择L矩阵,以消除动态噪声对降阶系统的影响,从而推导出缺动态噪声统计特性时的降阶奇异最优滤波器,其阶数为n-m+r。当量测方程奇异假设条件成立及引理有解时,本文证明了最小阶奇异滤波器必定存在。文中举例说明了这一降阶滤波方法的可行性。     

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.     

基于时频域滤波及频域广义整体最小二乘辨识的飞机颤振模态参数辨识

提出一套适用于噪声环境的飞机颤振模态参数辨识方法.为减小噪声对辨识结果的影响,首先设计了一种针对扫频激励的时频滤波器,利用扫频信号及其响应在时频域分布较为集中的特点,有效去除噪声,提高了试验数据的信噪比.为进一步提高辨识精度,提出了一种基于随机模型的频域广义最小二乘辨识算法.将噪声条件下的系统辨识问题转化为广义整体最小二乘问题,并采用线性的广义奇异值分解求解模型系数,避免了非线性优化的复杂计算.通过优化加权项,获得了接近极大似然估计的辨识效果.最后,通过试飞试验数据验证了方法的有效性.     

α-β与α-β-γ滤波器首参数的选取

本文讨论了α-β与α-β一γ滤波器首参数α的选取问题。假设系统状态方程存在递推截断误差,观测方程存在随机误差。当滤波器进入稳态时,以滤波器的输出误差协方差阵谱模范数达到最小为最优准则,为确定滤波器增益矢量中的首参数α,导出了一种选取首参数的算法。按此算法计算验证,其结果是令人满意的。     

基于复合优化的航空发动机模型参数估计

本文提出了一种复合优化方法,用于发动机多变量,状态空间模型的时域辨识。优化中粒子群优化算法和最小二乘优化算法按照“串联”方式运行。粒子群优化从一个初始种群出发,通过进化来搜索最优解。然而有些时候,粒子群算法会陷入次优解。那么最小二乘优化算法就可以从粒子群的次优解出发,通过共轭梯度法获得问题的最优解。本方法适用于待估计参数较多,且参数变化范围大的高阶多变量系统。本文将复合优化算法用于4输入4输出状态变量模型参数的估计。仿真结果表明了所提出方法的有效性。     

涡扇发动机变参数鲁棒H_∞滤波器设计

针对存在建模误差及测量噪声干扰条件下的涡扇发动机性能参数估计问题,标准卡尔曼滤波及其改进算法滤波估计误差收敛速度慢,滤波估计精度低,对不确定测量噪声及建模误差较为敏感,为此本文提出了一种变参数鲁棒H_∞滤波器设计方法。该方法采用仿射参数依赖Lyapunov函数设计满足H_∞性能指标要求的鲁棒滤波器,通过引入凸多胞技术,将参数依赖线性矩阵不等式(Linear Matrix Inequality,LMI)中变参数Lyapunov矩阵与系统系数矩阵之间耦合乘积导致的非凸优化问题,转化为常规LMI约束下的凸优化问题进行求解,降低了线性变参数(Linear Parameter Varying,LPV)鲁棒滤波器设计的保守性,得到了全局解。针对涡扇发动机的仿真结果表明:与扩展卡尔曼滤波器对比,采用该方法设计的滤波器具有较快的动态跟踪速度和较高的滤波精度,ΔFn的稳态估计误差不大于0.1%,ΔFn的相对估计误差不大于2.5%,同时对建模误差和测量噪声干扰具有较强的抑制能力。     

总体最小二乘算法在自适应信道均衡中的应用研究

分析了最小二乘解产生偏差的原因,推导出了最小二乘解偏差项的数学表达式。提出了一种基于瑞利商的变步长总体最小二乘求解方法。仿真试验表明,总体最小二乘算法的性能优于加权递归最小二乘算法,是一种适用于输入信号端含有噪声的自适应信道均衡算法。     

白化滤波器阶数对GLS算法辨识结果的影响

在数据长度一定的前提下,讨论了如何用GLS算法得到精度较高的辨识结果。仿真结果表明:GLS算法中白化滤波器的阶数对辨识结果有影响;如果适当选择参数,则可保证在数据长度相同的条件下,辨识精度较高。     

小波分析在外测数据滤波中的应用研究

为提高弹道估计精度,提出了一种基于小波分析的滤波方法,滤除外测数据中AR（自回归）模型的随机误差。分析讨论了滤波过程中的几个关键问题,提出了利用基于偏自相关系数截尾检验的方法来确定分解层数,然后采用GCV（广义交叉确认）准则来确定均方差意义下最优阈值的方法。本文提出的外测数据滤波方法计算简单,不需要估计噪声的方差。仿真结果表明,该方法能有效滤除外测数据中的AR噪声。     

紊流风场下的无人机飞行状态卡尔曼滤波估计

为了模拟紊流风场下的无人机飞行状态响应,减小紊流风场对无人机飞行速度的影响,使用数值法建立了紊流风场有色噪声模型,生成了符合大气紊流相关特性的紊流风场并对其进行数值仿真。在此基础上,通过状态扩增处理将系统噪声白化,设计出一种基于有色噪声的无人机飞行速度卡尔曼滤波器,该滤波器解决了基本卡尔曼滤波仅适用于白噪声的情况。仿真结果表明,使用此滤波器可有效减小紊流风场对无人机飞行速度的影响,进而满足飞行速度控制输入的精度要求。     

非线性滤波方法及其在飞行状态及参数估计中的应用

基于非线性系统高阶近似的思想,提出一种比推广卡尔曼滤波（ＥＫＦ）更接近非线性系统本质的近似滤波方法,并应用于飞行状态的参数估计（或称为飞行轨迹重构）问题。仿真和实际飞行数据计算结果表明：提出的非线性近似滤波方法比ＥＫＦ有更高的估计精度和更好的鲁棒性,对飞机机动形状、数据长度要求不高,滤波收敛速度快。利用飞行状态估计数学模型的具体特点,使计算量和存储量大幅度减少。该方法应用于非线性较强的飞行状态及参数估计问题。可得到比ＥＫＦ更好的结果。     

一种LS估计的偏差补偿方法

本文提出了一种对噪声系统模型A(z^-1)y（k）=B(z^-1)u（k）+A(z^-1)ε（k）LS估计的偏差补偿方法。仿真结果表明,以补偿后的参数估值作广义最小二乘法的初值,可以得到更好的结果。     

基于NN-PSM的航空发动机机载自适应稳态模型

为建立一种适用于大包线、变状态的高精度、高实时性航空发动机机载自适应稳态模型,提出一种基于神经网络和推进系统矩阵相融合（NN-PSM）的机载自适应稳态模型建模方法。该方法基于小偏差线性化方法对发动机进行线性化来提取推进系统矩阵,用于表征机载模型与发动机之间的输出偏差量。基于神经网络建立发动机基线模型,用于映射飞行条件与发动机输出量之间的关系,利用神经网络的强拟合能力提高机载模型的稳态精度;设计卡尔曼滤波器实时估计发动机健康参数,提高模型的自适应能力。在大包线、变状态的飞行条件下进行仿真验证,并与传统的复合推进系统模型（CPSM）进行对比,结果表明:NN-PSM模型的平均精度在0.66%以内,而CPSM的平均精度为2.07%以内,运行时间仅为CPSM的1/10,且具有数据存储量少的特点。      

考虑噪声抑制的高超声速风洞气动力识别方法

对于风洞试验中全尺寸模型试验的非平稳信号进行载荷辨识仍存在诸多问题。针对全尺度模型试验的非平稳信号载荷辨识提出了一种基于深度残差收缩网络（DRSN）深度学习技术的智能载荷辨识方法,该方法通过深度学习提取测力系统输出数据中的气动力、惯性力和噪声等特征,通过注意力机制对每组数据进行获取阈值,再通过软阈值函数对特征进行滤波降噪,有效辨识出测力系统响应信号中的惯性力分量并进行剔除,实现气动力载荷辨识。在测试验证中,均值法的辨识精度为85%以上,DRSN模型的辨识精度为94%以上,证明DRSN模型能有效降低噪声和惯性力对于载荷辨识的干扰,用于非平稳信号的载荷辨识具有精度高、可靠性好等特点。     

对飞机的跟踪方法

 本文叙述对作机动飞行（加速、转弯等）的飞机进行实时跟踪的方法,该方法采用自适应（一阶）多项式滤波,其中用X²分布法探测飞机机动,分别用方差匹配法及两种算法估计由机动产生的模型噪声方差Qk。模拟计算表明,两者对飞机机动的跟踪都是成功的,而后者对工程应用更方便一些。