Jerk模型用于高速机动飞行器跟踪的性能分析

针对高速机动飞行器的跟踪应用,对SJ(Singer Jerk)、CSJ(当前统计Jerk)、MCSJ(修正当前统计Jerk)和αJ等4种主要Jerk模型进行了综述。比较了它们的建模假设、设计参数以及实际应用时的限制因素。基于UKF(无迹卡尔曼滤波)算法,分别在单台和2台雷达的测量条件下,在3种滤波参数集设置下,利用各模型对近空高速滑翔飞行器进行了跟踪仿真。飞行器真实飞行轨迹根据简化动力学方程通过四阶龙格库塔数值积分方法得到。仿真结果表明:4种模型都具有很好的初值鲁棒性;在目标弱机动段落,4种模型具有较好的参数鲁棒性;但在强机动段落,SJ、CSJ、MCSJ等3种模型的参数鲁棒性很差,滤波误差发生严重突跳,αJ模型的参数鲁棒性最好。针对高速机动飞行器的跟踪应用,αJ模型的综合性能最优,而MCSJ模型最差。     

基于可观测性分析的旋转式惯导系统在线自标定方法的设计

本文建立了速度误差外观测量的静基座双轴旋转式惯导系统在线标定卡尔曼滤波模型,其状态向量包括地速误差、姿态失准角和惯性器件零偏、标度因数误差、安装误差,可估计旋转式惯导系统失准角与惯性器件误差参数。通过分段线性定常系统(PWCS)可观测性分析方法分析不同旋转方式下系统可观测性变化情况,得出双轴连续旋转的角运动方案可以改善卡尔曼滤波滤波的可观测性。根据基于奇异值分解的可观测度分析结果进行模型降阶,同时结合旋转式惯导系统的工程应用特性,得到12阶卡尔曼滤波参数模型。降阶系统阶数降低约55%,可以显著降低运算量,有效提高了导航计算机运算效率和实时性。仿真实验表明：降阶模型的估计精度不低于原模型,而且部分状态量的滤波收敛速度有提高。     

利用天线端口传导法评估机载接收机对强电磁环境的适应性

提出一种利用天线端口耦合传导信号来评估飞机射频接收机在遇到强电磁干扰环境的适应性。该方法在理论分析与实际测试相结合的基础上,通过对方法原理、天线耦合功率测试方法、天线端口传导敏感度测试方法等主要内容的分析和阐述,证明本方法是正确、简便的,是适用设备研制阶段评估抗高强度阻塞干扰的方法。     

全台压气机试验器性能曲线实时跟踪系统

本文介绍的全台压气机试验器性能曲线实时跟踪系统，是根据排气节气门的变化，进行动态跟踪处理及显示的监控系统，本系统的软件是用ＱＢ４．５快速ＢＡＳＩＣ和汇编两种语言混合编制的，解决了在西方ＤＯＳ下使用国际ＧＢ－２３１２汉字库显示汉字、实时汉字下拉菜单选择、动画跟踪、鼠标器操作修改设计曲线等技术问题。     

基于逆跟踪控制的航空发动机气路健康参数估计修正方法研究

针对新型航空发动机气路部件状态监控缺乏故障样本的不足,利用发动机非线性模型和气路故障模拟方法,获取故障样本,运用最小二乘支持向量回归机(LSSVR)建立气路健康参数的(理想)估计器。主要工作是在LSSVR的基础上,从逆跟踪控制的角度,设计了基于逆模型在线辨识与变结构控制相结合的修正系统,减小理想估计器与真实发动机之间由于测量噪声与系统噪声对估计精度造成的影响。通过仿真实验,离线修正后,估计值的相对误差最大值从69%缩小5%,在线修正后,估计值的相对误差最大值从69%缩小13%,修正系统有效地提高了性能估计的准确度,减小了气路部件状态监控的误判和误诊的概率。     

基于无迹卡尔曼滤波法的串联型电池系统 荷电状态估计研究

以锂离子电池为载体的电源系统为航天器稳定可靠运行提供了一种有效的方式.多个电池单体经串联可扩大电池系统容量,即串联型电池系统.为准确估计串联型锂离子电池系统的荷电状态(State of Charge,SOC),针对扩展卡尔曼滤波(Extended Kalman Filter,EKF)计算复杂、精度不高等问题,结合串联型电池系统空间状态方程,提出基于无迹卡尔曼滤波法(Unscented Kalman Filter,UKF)的串联型电池系统荷电状态估计算法.在恒流和脉冲两种工况下,通过对比分析UKF与EKF算法的仿真结果与实验数据的匹配情况,证明了提出算法的准确性和高鲁棒性.     

鲁棒EKF在脉冲星导航系统中的应用

针对脉冲星导航系统的滤波问题,传统的扩展卡尔曼滤波(EKF)算法存在不能克服系统模型存在不确定性参数以及乘性噪声等缺陷,提出一种鲁棒EKF算法。首先,分析了状态预测误差方程和估计误差方程,利用统计学原理,得到了状态预测方差矩阵和状态估计方差矩阵计算等式。由于系统模型存在不确定性参数,状态预测协方差矩阵和状态估计协方差矩阵无法计算;因此,利用4个重要矩阵不等式,分析并找到预测方差矩阵和状态估计方差矩阵的上界。最后,利用状态估计误差协方差矩阵上界设计状态增益矩阵,使得状态估计协方差矩阵的迹最小。将该算法对脉冲星导航系统进行仿真,仿真结果验证了所提算法的有效性。     

面向再入目标跟踪的估计与辨识联合优化算法

准确的弹道系数辨识和精确的目标状态估计是再入目标高精度跟踪与高可靠识别的关键。一方面,状态估计的误差会造成模型参数(弹道系数)的辨识风险;另一方面,模型参数的辨识偏差又会导致模型失配从而降低目标状态的估计精度。因此,需要实现再入目标的状态估计和参数辨识的联合优化。针对再入目标弹道系数未知情形,提出了一种基于期望最大化(EM)框架并采用粒子滤波(PF)平滑器实现的PF-EM联合优化算法。在E步基于粒子平滑器得到目标状态的后验平滑估计,M步采用数值优化算法更新上一次迭代的弹道系数,通过E步和M步的不断迭代,以保证状态估计和弹道系数辨识的一致性。算法仿真对比表明:所提算法的状态估计和参数辨识精度均优于传统的状态增广算法。     

动力翼伞系统空投风场的辨识与应用

风场对动力翼伞系统的运动状态有着重要的影响,获得风场中风的速度和方向可以使动力翼伞系统利用或者消除风场的影响。针对风场辨识问题,通过分析动力翼伞系统在风场作用下的飞行特性,提出了一种基于动力翼伞系统在风中的飞行状态进行风场辨识的方法。该方法仅使用动力翼伞系统配备的全球定位系统（GPS）模块采集定位数据,计算获得动力翼伞系统飞行的速度和方向,根据风场与动力翼伞系统的动态关系,利用最小二乘法对风场进行在线辨识。为了保证辨识精度,由GPS获得的动力翼伞系统运动信息经卡尔曼滤波器进行滤波处理。仿真结果表明：该方法对风场有较高的辨识效果,并能辅助实现雀降。     

基于自适应IMM的高超声速飞行器轨迹预测

为了给基于预测命中点法的高超声速飞行器中制导拦截提供先验知识,提出高超声速飞行器的轨迹预测方法。首先,给出高超声速环境下与目标姿态近似线性的气动参数;其次,针对气动参数作控制量的运动模型,设计自适应交互多模型（IMM）跟踪算法,并进行性能有效性验证;然后,根据气动参数特性和目标假设机动方式,设计基于最小二乘拟合的轨迹预测方法。通过对目标轨迹进行跟踪和预测仿真,预测100 s的位置误差均小于5 km,速度误差均小于100 m/s,结果表明基于自适应IMM的轨迹预测方法对有规律机动的目标进行轨迹预测,效果良好。