基于正反Kalman滤波的动基座重力仪数据处理方法

重力数据处理是动基座重力仪的核心技术,采用了一种基于正反Kalman滤波的数据处理方法提取重力异常值.以动基座重力仪(Sea and Air Gravity,SAG)为研究对象,根据系统参数推导了Kalman滤波方程,并运用正反Kalman滤波方法处理了SAG某飞行架次的数据.将提取的重力异常值与同机搭载飞行的俄罗斯高精度重力仪GT-1A的结果进行比对,试验结果表明,两者滤波结果差值的均方根误差要小于1 mGal.     

折流燃烧室外环前端发散孔综合冷却效率模型实验

针对某型折流燃烧室外环壳体前端典型区域,设计了模拟主流局部流场的发散冷却模型.通过红外热像仪测量发散孔板表面的温度场,分析比较了吹风比、发散孔阵列方式、孔径及开孔率对综合冷却效率的影响.发散孔阵列方式有正菱形、长菱形和超长菱形3种,孔径变化范围为0.6~1.0mm,开孔率范围为3%~6%,吹风比变化范围为1~6.结果表明:由于壳体前端回流区的影响,发散孔板综合冷却效率沿主流方向整体呈现先升高后降低的趋势.吹风比为2时的综合冷却效率最高,发散孔阵列呈长菱形排布较优.在相同的开孔率下,孔径的减小有利于改善综合冷却效率.发散孔板开孔率从3%增加到4.8%可以显著提高综合冷却效率.      

频域微分求速方法

本文主要讨论由位置微分求速的频域处理方法。在此,利用位置数据和速度数据之间的傅里叶交换关系,导出频域微分求速的方法。特别地结合连续波雷达离散采样测速增量数据(小增量数据),推导得到测速元素的频域滤波方法。     

一种飞行器弹性新型控制方法研究

针对新一代飞行器长细比增加和结构复杂等特征带来弹性频率变低、预示精度差的现象,提出了一种新型弹性控制方法,解决了传统弹性滤波方法带来的控制系统稳定裕度严重不足、机动能力弱的难题。该方法基于扩维Kalman滤波算法建立了系统方程和输出方程,并进行了仿真。仿真结果表明,能够实现刚体信息的快速提取,而且系统滞后小,能大幅提升飞行器作战边界和控制精度。     

一种提高捷联惯导系统动基座初始对准精度的方法

捷联惯导系统初始对准精度直接影响系统导航精度,以适用于动基座的惯性凝固系粗对准方法为基础,针对船载设备动基座机动条件,通过实际数据分析,提出了一种粗对准方案,在相同的载体运行条件下,对减小粗对准误差,进而提高导航精度有一定帮助。相对于原粗对准方法,通过试验仿真验证,粗对准精度均有所提高,在此基础上初始对准后,1h导航定位误差从2nmil提高到约0.45nmil。     

小波滤波在光纤惯导抗干扰初始对准中的应用

针对光纤陀螺捷联惯性导航系统在晃动基座条件下传感器的输出噪声增大,导致对准结果收敛过程振荡剧烈、对准时间长、对准精度低的问题,提出了一种小波实时预滤波方法,确定了最优的小波基和分解级数,采用滑动数据窗、对称周期拓展和软阈值函数处理相结合的方案实现对惯性仪表的实时降噪。实验证明,该小波预滤波方法可以有效抑制惯性仪表输出信号的高频噪声。在晃动基座条件下,航向角大约在精对准50s后收敛,其1σ值为2.77′,且与预滤波前相比,姿态角收敛过程更加平缓。     

基于智能手机信息的行人无缝定位实现研究

微电子技术的日益发展促使智能手机传感器性能获得极大提升,智能手机逐步成为行人导航定位的关键设备,为人们提供各类位置增值服务。针对行人室内外一体化高精度导航需求,基于智能手机自身的多传感器实现了一套行人室内外无缝定位系统,并采用手机光、磁、惯性、卫星传感器信息融合优化了室内外判别性能。在Eclipse环境下基于Java语言设计实现了智能手机室内外无缝定位软件,实验结果表明,行人室内外无缝定位软件能够实现行人室内外无盲区、高精度定位。     

非视距误差神经网络改正的超宽带定位模型研究

非视距环境是造成超宽带定位系统精度下降的主要原因。由于非视距环境的测距精度下降难以通过常规计算方法建立改正模型,提出了一种基于反向传播算法的神经网络改正的超宽带稳健定位模型。该方法通过反向传播神经网络的自适应学习方法建立了一种超宽带非视距误差改正的稳健定位模型,实现了在非视距环境下超宽带定位精度的提升。首先采集非视距环境下超宽带测距值,提取超宽带在非视距环境下的坐标序列,计算得到误差序列,然后通过反向传播神经网络建立误差改正模型预测得到标签的误差改正值,最后使用超宽带Kalman滤波定位模型进行超宽带定位,从而消除非视距环境对定位精度的影响。通过对比实验分析,本模型较多项式拟合模型超宽带测距精度提高46.8%,定位精度提高43.4%;较多面函数拟合模型超宽带测距精度提高28.2%,定位精度提高26.2%。实验结果表明,反向传播算法的神经网络对超宽带非视距定位模型的误差改正有很好的效果,对超宽带定位精度的改正效果显著。     

基于新息异常检测的改进抗差自适应卡尔曼滤波算法

在工程应用中,量测异常及量测噪声统计特性的时变是引起标准卡尔曼滤波振荡甚至发散的主要原因。经典抗差Sage-Husa自适应滤波方案,对量测中的孤立型异常有所抵抗,并可在线估计量测噪声统计特性改善滤波效果,但当连续型异常值出现时,其滤波效果不佳。针对现有抗差Sage-Husa自适应滤波方案的不足,提出了新的改进滤波方法。在改进算法中,当检测到量测异常时采用模值更大的先验预测方差阵代替原算法中的后验估计方差阵,在估计量测噪声方差时起到放大作用,以降低异常量测权重,提高滤波精度;采用IGG方案构造了新的权函数,可在抑制异常影响的同时调节估计方差阵,以免连续异常时新息持续置零引起的滤波发散;采用标准卡尔曼滤波新息辅助异常检测的双重检测策略,避免了因量测噪声方差阵的调节引起检测阈值变化而导致的漏检率增高。仿真实验表明,与常规抗差自适应滤波算法相比,该方案可更加有效地抑制量测异常值的影响。     

单光子激光雷达数据去噪与滤波算法

单光子激光雷达获取的点云数据存在大量噪声,这给数据的处理带来了挑战。基于局部距离统计提出了改进的点云去噪算法,对单光子激光雷达点云原始数据进行去噪。然后基于统计分析方法改进了点云滤波算法,对去噪后的点云数据进行滤波处理。利用新提出的算法与传统算法去噪和滤波后得到的点云进行比较,并与传统激光雷达的数字地形模型(DTM)数据进行对比。计算得到MABEL地面点云相对于传统激光雷达高程的均方根误差RMSE为2.98m,相关系数R^2为0.9938。进一步对地面点云插值得到剖面数字高程模型(DEM)数据,其相对于传统激光雷达高程的均方根误差RMSE为2.85m,相关系数R^2为0.9931。实验结果显示,提出的单光子激光雷达点云去噪和滤波算法优于传统算法,与传统激光雷达DTM数据具有较好的相关性,能够精确的恢复地形信息。