飞行头盔主动噪声控制系统的设计及仿真研究

针对飞机驾驶舱内存在着大量的低频噪声,提出一种应用于飞行员头盔的自适应有源噪声控制系统设计方案,并在此基础上,利用MATLAB对FXLMS算法进行了仿真和性能分析。结果表明,此方案对飞机噪声低频段具有很好的降噪效果。     

考虑测量噪声的朗道自适应惯量辨识方法

传统朗道自适应惯量辨识方法只有一个自适应系数可以调节,难以同时兼顾辨识速度和辨识精度,导致速度自适应控制系统在测量噪声较大的情况下容易不稳定。为解决这一问题,提出了一种考虑测量噪声的朗道自适应惯量辨识方法。该方法采用相同的低通滤波器对速度和电磁转矩同时进行滤波,保证了辨识模型与无滤波时的相同。在此基础上综合调节自适应系数和滤波器时间常数,在保证辨识速度的前提下减小辨识系统的噪声,提高辨识精度,从而提高了速度自适应控制系统的稳定性。仿真和试验验证了所提方法的正确性和有效性。     

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.      

基于自适应滤波的引信噪声调幅干扰抑制

噪声调幅干扰是一种有效的压制性干扰,可压制近炸无线电引信对目标信息的获取。为提高连续波多普勒无线电引信抗噪声调幅干扰的能力,将单频率自适应陷波器应用到连续波多普勒引信中,对噪声调幅干扰进行抑制。分析了噪声干扰抑制原理,并对噪声干扰抑制效果进行了仿真。仿真结果表明：SJR=-10dB时,仍然能达到很好的噪声调幅干扰抑制效果。     

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.     

自适应无迹增量滤波方法

提出自适应无迹增量滤波(AUIF)的概念和定义,建立自适应无迹增量滤波模型及其分析方法,给出递推算法.传统的滤波方法极少关注量测方程的系统误差.在许多实际情况(如深空探测),量测方程由于受环境因素及测量设备不稳定等影响往往无法进行验证或校准而存在未知的系统误差,并且模型参数和噪声统计量也具有不确定性.这种不确定性会使递推过程产生较大误差,甚至导致发散,从而降低滤波精度.提出的AUIF能够成功消除这种未知的系统误差,也能够实时估计变化的噪声统计量,提高滤波精度.该方法计算简单,便于工程应用.      

基于逆Gamma分布的变分自适应滤波算法

针对Bayesian滤波在组合导航量测噪声随机模型不准确时引发的估计精度下降问题,提出了一种基于逆Gamma分布优化的变分自适应滤波算法.该算法借鉴变分Bayesian学习理论,通过逆Gamma分布进一步精化了Bayesian滤波随机模型,准确高效地实现了量测噪声协方差的自适应估计,显著改善了滤波估计性能.最后通过紧耦...     

一种航空噪声背景下的语音增强方法

依据航空噪声的频谱特性,提出将自适应滤波算法与改进的谱减法相级联的方法来增强语音。在强航空噪声背景下,处理后的语音不仅信噪比得到了很大提高,而且在有效抑制背景噪声和音乐噪声的同时,其清晰度和可懂度也得到了很大的改善。     

调频引信中噪声调幅干扰的自适应抑制

噪声调幅干扰是一种有效的压制性干扰,可压制近炸无线电引信对目标信息的获取。为提高线性调频无线电引信抗噪声调幅干扰的能力,将单频率自适应陷波器应用到线性调频引信中,对噪声调幅干扰进行抑制。分析了噪声调幅干扰抑制原理,并对噪声调幅干扰抑制效果进行了仿真。仿真结果表明:SJB=-10 d B时,仍然能达到很好的噪声调幅干扰抑制效果。     

噪声检测自适应窗口滤波算法

脉冲噪声的存在,从视觉上影响图像的质量。为了去除图像中的脉冲噪声,提出了利用相似邻居数对图像中的噪声像素进行标记并建立相应矩阵,接着根据噪声的污染程度自适应的选择滤波窗口,最后对噪声像素进行自适应均值滤波去除图像中的脉冲噪声。实验结果表明,算法能有效降低图像中的脉冲噪声,对图像的边缘与细节保持较好。