分布参数随机系统的条件滤波方法

针对分布参数随机系统在其控制输入,系统输出存在观测噪声情况下,提出了分布参数随机系统的条件滤波方法,使得在获得系统状态的最优估计的同时,可以得到关于不确知的控制输入的最优估值,该算法所具有的系统状态和控制输入的估计器结构上的相似性,为降低分布参数系统的滤波算法数值计算上的复杂性提供了一种解决途径,也使得该算法在工程实际中有较大的应用前景.     

ATM中的ADS-SSR数据融合研究

二次监视雷达(SSR)和自动相关监视(ADS)系统已经广泛应用于空中交通管理(ATM)系统,特别是终端飞行区.本文分析了民航空中交通管理中的SSR和ADS系统的特点和缺陷,研究了基本类型ADS合同和扩展类型ADS合同对ADS跟踪精度的不同影响,提出了一个ADS-SSR航迹融合的模型,给出此模型的具体算法,并进行了数字仿真.数字仿真表明:该模型算法具有较高的跟踪精度.      

一种新的椭圆球面波信号时频域滤波方法

针对如何在时频域降低干扰噪声对椭圆球面波函数(Prolate Spheroidal Wave Functions,PSWFs)信号时频域分布特性的影响,引入精细滤波,提出了 1种新的椭圆球面波信号时频域滤波方法。仿真结果表明,所提方法在时频域以能量峰值点为基准,构造以距离为依据的滤波算子调节参数,能够有效抑制噪声对 PSWFs信号时频域分布特 性的影响,提高信号局部区域的能量聚集性。     

一种基于假设检验的多重渐消卡尔曼滤波

提出了一种基于假设检验的带多重渐消因子卡尔曼滤波的新算法.该算法采用χ2检验法,通过渐消因子矩阵对卡尔曼滤波器的噪声方差进行在线修正,从而使滤波器在对象模型存在误差或对象受到外扰时仍然收敛,同时能够提高系统的精度.该算法应用于车载GPS (Global Positioning System)/INS(Inerial Navigation System)组合导航系统中,取得了良好的效果.      

衰减因子自适应滤波及在组合导航中的应用

从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波算法发散的原因,提出了一组衰减记忆卡尔曼滤波中衰减因子的自适应估计方法,并在GPS/SINS组合导航系统中进行了计算机仿真.在计算衰减因子时,利用滤波残差序列在最优估计时为零均值白噪声的性质,构造了服从χ2分布的变量,并分别检验滤波残差每一个分量得出衰减因子值.仿真结果表明,该组算法能够自适应地估计出衰减因子的大小,有效地抑制滤波发散,且计算量较其它方法小.      

直接敏感地平的空天飞行器惯性/天文组合方法

传统的惯性/天文位置组合导航系统中,由于天文定位观测输出耦合了水平观测平台基准误差,往往存在系统噪声与量测噪声不完全独立的问题.针对此问题,分析了利用天文观测量修正惯性系下陀螺漂移的原理,提出了一种直接敏感地平进行天文解析定位及组合滤波的空天飞行器自主导航定位方案,并建立了相应的组合滤波模型.所提出的方法采用星敏感器和陀螺仪构造惯性基准,并在此基础上进行基于红外地平仪的天文定位解算,最后进行惯性/天文组合定位.该方案充分利用了星光敏感器在惯性系下姿态测量精度高的优点,并使惯性/天文组合定位滤波中状态噪声和观测噪声完全独立,仿真结果验证了该定位方法的有效性.     

粒子滤波及其在航天器交会对接相对导航中的应用

在全面分析粒子滤波原理的基础上,提出一种改进高斯粒子滤波方法.该方法利用确定性采样滤波算法进行时间更新,替代高斯粒子滤波算法中的随机采样过程;另外,针对厚尾噪声情况,利用鲁棒统计方法对确定性采样滤波方法进行鲁棒性改进,并将其应用于所提出的改进高斯粒子滤波.将粒子滤波算法应用于交会对接相对导航问题,仿真结果表明,在多种测量噪声情况下,改进高斯粒子滤波较其他粒子滤波,能够在不过多损失估计精度的同时有效降低计算量.文中的研究成果为将粒子滤波应用于航天器导航问题提供了理论参考.     

捷联式航空重力测量系统的数据处理方法比较与分析

重力数据处理对获取高精度重力异常值有着重要作用,是重力测量的核心技术。重力仪在搭载运动载体进行重力测量时,载体的高频振动对重力测量数据和GPS数据均会产生不可避免的干扰,导致提取的重力异常粗值含有大量高频噪声。围绕重力数据的处理方法这一核心技术,介绍了FIR低通滤波、零相移滤波、标准Kalman滤波、正反Kalman滤波4种滤波方法的基本原理,运用这4种方法处理了SAG捷联式重力仪的某次实际飞行测量数据,比对了基于SINS/GPS组合导航和SINS/DGPS组合导航的重力测量数据处理结果。通过对本次试验重复测线内符合精度进行比对,验证了4种方法的可行性和优劣性,同时验证了SAG重力仪的测量精度。     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

基于CDKF的快速协方差交叉融合跟踪算法研究

随着目标抗干扰能力的增强,单一寻的制导方式很难完成对目标的稳定跟踪和精确打击,需采用多种探测器作为传感器,提供多种观测数据以实现对目标的稳定跟踪和精确打击。建立了适当的目标运动模型和观测模型,利用中心差分卡尔曼滤波（CDKF）变换处理模型的非线性问题,避免了求解复杂的雅克比矩阵。对于分布式多传感器融合,传统的方法多采用协方差交叉（CI）融合方法,但是这类方法需要寻优求解。而快速协方差交叉（FCI）则不需要进行寻优过程,且计算量小。在此基础上,提出了用于多传感器目标跟踪的CDKF-FCI融合算法。最后,对算法进行了仿真分析,并进一步验证了提出算法的有效性。