一种基于扩展卡尔曼滤波和最小均方准则的无控制点InSAR基线估计方法

基线误差是影响干涉合成孔径雷达（InSAR）测量高精度的主要误差源之一。因此,在进行数字高程图（DEM）高程反演的过程中,需要进行高精度的基线估计来提高DEM数据的精度。文章详细推导了InSAR系统的各项误差与测高精度的关系,得到了误差传播公式;然后提出了一种在扩展Kalman滤波的基础上,使用LMS最小均方误差准则的无控制点基线估计方法。该方法解决了在地面控制点获取困难的条件下,飞行平台与地面之间的相对高度未知的问题。最后,通过仿真实验验证了该方法的有效性：在相位误差、斜距误差、基线长度误差和倾角误差共同作用下,基线定标精度可达到0.1mm,满足0.5m相对高程精度对于基线估计的要求。     

交会对接气浮仿真平台视觉辅助姿态确定

文章首先介绍了用于空间合作卫星最后逼近段交会对接任务的仿真平台,描述了文中使用的姿态运动学方程和视觉成像算法。为了充分利用陀螺仪和视觉系统进行姿态确定,采用传统的扩展卡尔曼滤波（EKF）对两种测量数据进行融合,实现对姿态和陀螺仪漂移的估计。为了克服EKF调节参数过多和计算过程需要求逆的问题,设计了一种新的非线性观测器。最后,通过在对接仿真平台上进行试验,对比验证了非线性滤波器的有效性以及实用性。     

基于ST-SRCKF的超高速强机动目标跟踪算法

针对超高速强机动目标运动模型难以准确建立且观测数据易出现不良量测而导致滤波发散的问题,提出一种适用于超高速强机动目标的跟踪算法。该算法根据正交性原理推导了一种新的强跟踪平方根容积卡尔曼滤波（ST-SRCKF）结构,并引入多重渐消因子,渐消因子求解方法和作用位置均不同于已有的ST-SRCKF。根据新息的统计学特性,即新息协方差矩阵的迹服从卡方分布,建立了一种改进的CS-Jerk模型,该模型对目标机动的描述更准确,它与改进ST-SRCKF算法的结合实现了对超高速强机动目标的高精度跟踪。仿真结果表明,改进算法对超高速强机动目标的跟踪性能更佳。      

多尺度小波变换在野值剔除中的应用

常见的野值剔除方法即卡尔曼滤波算法条件苛刻,不易实现。在分析了系统方程之后,利用小波变换的基本原理,将系统信号分解到各个尺度上,在各尺度上分别进行卡尔曼滤波,之后进行小波重构从而得到各尺度下的滤波估值。此算法将小波去噪与卡尔曼滤波算法结合起来,能够更有效地剔除野值。针对卡尔曼滤波算法的复杂性,还提出了一种有效的滤波算法,利用该算法进行小波多尺度分解和滤波和重构,信号野值也可以得到很好的剔除。经仿真实验验证,这两种多尺度小波变换算法都能够很好地剔除野值,效果明显。     

单兵火箭弹捷联导引滤波方法研究

为降低单兵制导火箭弹的成本,同时确保其具有较高的命中精度,进行了单兵火箭弹捷联导引滤波方法研究。首先,推导了视线角速度的解耦公式,去除了导引头测量信息中耦合的弹体姿态信息;然后,建立了视线运动方程和测量模型,为了解决测量信息与弹目距离和接近速度的弱相关性,使用一个时变Gauss-Markov随机向量代替视线运动方程中的非线性部分,采用UKF滤波方法得到可用于制导控制律设计的视线角速度的实时估计值;最后,通过正交仿真验证了所设计的单兵火箭弹捷联导引滤波方法的可行性。     

推广的KALMAN滤波有序修正法

为预防推广的Kalman滤波的发散,本文提出一种滤波的有序修正法。此法不仅理论上成立,而且实际效果也很明显。同时,用有序修正法不会引起计算上复杂性,因而具有实际应用价值。     

基于多重UKF的粗太阳敏感器标定算法研究

针对粗太阳敏感器存在的非余弦特性以及易受空间环境杂光干扰的影响,为了提高粗太阳敏感器的定姿精度,需对其电池片进行标定.通过设计多重UKF(Unscented Kalman Filter)滤波器实现对粗太阳敏感器的定姿标定,将其划分为两类,第一类为标定陀螺漂移,第二类借助陀螺漂移标定结果,进而设计电池片滤波器来精确修正粗太阳敏感器的电池片系数,完成对整个粗太敏电池片的输出数据修正.仿真结果表明,采用多重UKF滤波器算法可有效实现对陀螺和粗太阳敏感器的标定,提高了卫星的姿态确定精度,达到了设计要求.     

对接靠拢段的一种相对导航算法研究

自主相对导航技术是空间交会对接靠拢段的关键技术之一。Unscented卡尔曼滤波(UKF)是基于Unscented Transform(UT)变换的一种新型滤波器,它避免了扩展卡尔曼滤波(EKF)的线性化误差,不必计算Jacobian矩阵,而且其状态估计精度要比EKF的高。本文研究了基于UKF滤波器的自主相对导航算法。该算法根据追踪航天器上交会雷达的测量值,采用UKF滤波器对追踪航天器和目标航天器之间的相对位置和速度进行了估计,仿真结果表明该算法可以满足位置和速度估计精度的要求。     

带渐消因子的Quadrature卡尔曼滤波

为了解决无源传感器机动目标跟踪系统非线性较强、传统的跟踪滤波方法不稳定容易发散的缺陷,提出了一种带渐消因子的QKF（FQKF）算法。该算法通过引入时变渐消因子来实时调整状态预测误差协方差阵、量测预测误差协方差阵及状态预测误差和量测预测误差之间的互协方差阵,利用公式推导得出渐消因子实际上是对状态传播积分点和量测传播积分点进行渐消,进而达到实时调整滤波器增益矩阵的目的。并通过算法的机理分析和仿真实验表明FQKF算法具有强跟踪滤波器（STF）的优良性能,能够克服QKF算法的缺陷,对于无源传感器机动目标跟踪中系统的突变状态具有较强的跟踪能力,较QKF算法稳定性有所提高,并且计算量适中。     

自适应空间机动目标跟踪算法

在空间目标跟踪问题中,目标机动导致的模型不匹配问题会导致滤波算法出现滞后现象。为了对空间机动目标进行快速跟踪,在平方根容积卡尔曼滤波〖（Square rootCubatureKalmanFilter,SCKF）的基础上,引入强跟踪滤波（StrongTrackingFilter,STF）的思想,推导得到了次优渐消因子在SCKF中的等价描述。并通过建立以矩匹配方法为基础的自适应机制,设计了兼顾滤波精确性和鲁棒性的自适应强跟踪平方根容积卡尔曼滤波（AdaptiveStrongTrackingSquare rootCubatureKalmanFilter,AST SCKF）算法。仿真结果表明,在目标机动前,AST-SCKF算法和SCKF算法的位置收敛精度相差不足1%;在目标机动后,AST-SCKF算法的位置和速度的收敛精度相对SCKF算法分别提高了95.19%和30.50%,同时,其收敛速度相对SCKF算法分别提高了57.20%和24.68%。