经验Bayes估计在距离测量中的应用研究

根据Ｂａｙｅｓ方法的基本思想,研究多组距离（长度）测试Ｂａｙｅｓ估计,推导出均值、方差未知时的距离（长度）、密集度检验所用公式。举例说明Ｂａｙｅｓ假设检验有关问题以及各种决策的期望损失,距离（长度）测量采用经验Ｂａｙｅｓ方法比较古典方法估值准确度高,置信区间小,将明显减少测量次数,缩短测试周期,提高测试质量。     

基于速度预测的导引律剩余时间估计

将分段线性逼近与迭代求解的思想扩展到对导弹的时变速度进行分段预测,给出了适用于反舰导弹速度时变情况的大前置角下比例导引律和偏置比例导引律的剩余时间估计算法。该算法在现有分段迭代算法的基础上,依据闭环形式的反舰导弹速度微分方程,分转弯平飞段和近似直线飞行段2种情况,对导弹未来速度的大小进行分段迭代预测并对剩余时间估计进行修正。算法中还给出了偏置比例导引律作用下近似直线飞行段剩余飞行航程的估计公式。仿真结果验证了本文算法的有效性。     

液体火箭发动机环境因子的修正逆矩估计

对文献 [1]提出的适用于大样本失效数据的逆矩估计法进行修正 ,针对液体火箭发动机飞行及地面试车数据的特点 ,提出了其天地环境因子的修正逆矩估计方法。与现有方法相比 ,本文提出的方法更加适用于小样本失效数据情形下环境因子问题的研究。最后用数值例说明了该方法的应用     

混合高斯测量噪声下的多模型滤波

就带有混合高斯测量噪声的离散时间系统 ,提出了一种简化的多模型滤波。理论分析证明该滤波方法用较少的计算量得到了与交互多模型滤波相同的估计性能。为满足应用要求 ,给出了该滤波器的数值鲁棒实现方法。一个关于仅有方位测量的制导例子验证了该滤波算法的有效性。     

一种基于频移补偿的apFFT相位估计改进方法及应用

全相位快速傅里叶变换（all phase Fast Fourier Transform,apFFT)相位一致性特点使正弦信号相位估计不受频率估计影响,但由于频谱泄露和栅栏效应,apFFT相位估计性能受信号频率位置影响。针对该问题,提出了一种基于高精度频率估计和补偿的apFFT相位估计方法。首先,对信号进行高精度频率估计,并以此对信号进行频移补偿,然后对补偿信号进行apFFT,最后求解信号相位。蒙特卡洛仿真结果表明：所提算法的相位估计性能不受信号频率位置影响,相位估计误差性能与理论值一致,受两参数克拉美罗界（CRLB₂）约束,约为1.158 2倍的CRLB₂;相位估计性能和抗噪声能力明显优于经典apFFT算法和其他对比算法。更进一步,利用我国首次火星探测器TW-1（天问一号）近火捕获段干涉测量数据进行算法验证,结果表明：相位估计精度约4 mrad,干涉测量时延估计精度约50 ps。     

混沌直扩信号的抗盲估计传输方法

混沌直接序列扩频(DSSS)由于具有大容量、低截获率和物理层上的优良保密性,成为通信领域的研究重点,尤其可以为卫星导航系统提供安全、可靠的地址码.虽然混沌序列的随机特点增强了混沌直扩信号的保密性,但是随着系列盲解扩及混沌预测等技术的发展,传统的混沌直扩系统已经不能克服非授权用户对混沌模型的重构和非线性预测,因此抗盲估计...     

带角度约束的多飞行器编队协同拦截制导律设计

针对多枚飞行器协同拦截同一目标的问题,在最优控制与时间调整相结合的基础上,设计了一种带有时间约束与角度约束的协同制导律。首先,在初始时刻(或中段制导结束时刻),根据初始状态及终端角度约束情况,以指定策略为编队中的各飞行器分配拦截角度。其次,采用线性化最优控制的设计方法,解算带有拦截角度约束的最优导引指令。最后,在求解针对运动目标的飞行器剩余时间估计的基础上,根据一致性的方法推导时间调整项的导引指令。仿真结果表明,在典型背景下,设计的制导律能够使多枚飞行器以特定的编队构型协同拦截同一目标,从而有效提高拦截概率。     

基于事件驱动的容积卡尔曼滤波定位算法

以网络化非线性滤波系统为研究对象,为了平衡系统的通信率和滤波精度之间的矛盾,引入随机事件驱动（stochastic event-triggered）的思想,并在此基础上建立了基于残差检测的事件驱动（detected event-triggered）模型。针对系统的强非线性,将线性随机事件驱动滤波系统中的更新结论推广至非线性系统,推导了两种事件驱动机制在容积卡尔曼滤波（CKF）算法框架中的滤波更新过程,得到了检测事件驱动CKF（DECKF）和随机事件驱动CKF（SECKF）两种算法。最后,通过天基平台空间目标跟踪问题对算法性能进行检验。仿真结果表明,当通信率下降20.64%时,DECKF算法的位置跟踪精度和速度跟踪精度相比标准CKF仅下降了5.50%和7.74%。此外,在通信率相同的情形下,DECKF比SECKF的精度高40%以上,证明检测事件驱动模式优于随机事件驱动模式。     

适用于时变不确定系统的并行模型自适应估计

摘要： 针对受到潜在模型不确定性影响的系统,设计一种并行模型自适应估计(PMAE)算法.以往基于不确定性系统模型设计的滤波算法,在模型精确的情况下,性能往往不及传统卡尔曼滤波（KF）.为了解决该问题,设计基于多个并行滤波器的自适应状态估计算法,其中一个滤波器为KF,用于在未出现模型不确定性的情况下,对系统进行最优状态估计;另一个滤波器为扩维卡尔曼滤波（AKF）,用于在出现模型不确定性的情况下,对不确定性模型参数进行辨识.以空间目标监视为例,分析算法的性能.仿真结果表明,利用PMAE算法能够自适应地对两个并行滤波器进行切换和折衷,从而有效应对模型中存在不确定性和不存在不确定性两种情况.