基于双星编队的空间非合作目标联合定轨方法

针对单颗卫星对空间非合作目标的纯测角跟踪定轨系统存在观测几何条件差和定轨误
差较大的缺点,提出利用双星编队对空间非合作目标进行协同观测。该方法引入平方根无迹
卡尔曼滤波(UKF)算法,并融合地面站观测双星编队信息、双星编队星间测量数据以及双星
编队对空间目标光学观测信息进行整网定轨,实现在纯测角条件下双星编队对空间非合作目
标的实时跟踪。仿真结果表明该方法可以改进观测几何条件和提高空间非合作目标的跟踪定
轨精度。     

多星座组合导航自适应信息融合滤波算法

针对多星座卫星组合导航,提出了一种双重自适应联合卡尔曼滤波算法,采用描述机动载体运动的"当前"统计模型,首先建立一种基于载体加速度方差自适应的动态定位卡尔曼滤波模型,并分别对GPS,GLONASS和GALILEO系统设计相应的自适应子滤波器,然后采用有重置的联合自适应滤波器对各个子滤波器进行数据融合处理,各子滤波器的信息分配系数根据各卫星导航系统输出的几何精度因子(GDOP)进行自适应调节.通过对GPS/GLONASS/GALILEO多星座组合导航系统的仿真,分析对比了加权平均滤波、常规联合滤波和本文提出的双重自适应滤波.结果表明:该双重自适应算法有效提高了组合导航系统的精度和可靠性,能更好地适应于量测噪声不断变化的卫星组合导航系统.     

捷联惯导姿态误差修正算法研究与仿真

组合导航卡尔曼滤波对姿态角进行修正时,将惯导的平台角误差近似为姿态误差,会带来较大的数学模型误差,从而影响测姿精度。通过分析组合姿态算法中姿态作为量测信息时平台角误差与姿态角误差物理意义的不同,得到了两者的转换关系,从量测矩阵修正和观测值预处理两个方面对原有的姿态组合算法进行改进,有效降低了数学模型误差。仿真结果表明,改进后的姿态组合算法误差状态估算更加精确,能够有效地提高组合导航的测姿精度。     

雷达数据的概率加权综合法—分布式雷达网数据综合问题研究

讨论分布式雷达同的数据综合问题,提出了网中各分站采用简单滤波算法,当滤波误差不能实时给出时的最佳数据综合方法——概率加权综合法;并且给出了雷达威力图概率分层的理论模型。     

星载红外探测阵列对导弹跟踪定位的研究

通过分析研究建立了前视红外探测阵列 (FL IR)对导弹进行精确跟踪、定位的数学模型 ,其中包括导弹的运动模型、大气干扰模型和探测阵列的观测模型。根据探测阵列的原始观测数据 ,利用扩展卡尔曼滤波器 (EKF)精确跟踪导弹目标。由于导弹与探测器的距离较远 ,故可视为点目标。导弹在探测阵列上投影的位置由两部分组成 :导弹真实运动位置和由于大气干扰造成的偏移。滤波器分别估计了这两种位移在探测阵列上的变化。最后用蒙特卡罗方法分析了滤波器的性能。     

自旋稳定卫星姿态参数的容错Kalman滤波

Kalman滤波是一组用递推关系给出的动态 测量系统状态向量的最优线性无偏滤波 ,它在航天测控领域中有广泛应用。以自旋稳定型卫星姿态确定为研究对象 ,探讨Kalman滤波算法的实现途径 ,并对Kalman滤波算法本身进行适当改进 ,建立一组对测量数据野值点具有容错能力的修正型滤波算法 ;此外 ,还对滤波初值选取和测量数据误差协方差阵的估计等技术给出了有价值的建议     

带BP神经网络的卡尔曼滤波算法在GPS/SINS组合导航系统中的应用

针对带权值调整的Kalman滤波器,运用L-M的BP算法,将BP神经网络嵌入该滤波器中,与BP神经网络滤波器相比,减小了层数,提高了网络训练速度及精度。以GPS/SINS组合导航系统为例进行了仿真,结果既能抑制滤波发散,又能提高滤波精度。     

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。