中心差分Kalman滤波方法在X射线脉冲星导航中的应用

由于脉冲星脉冲到达时间的测量需要较长时间,基于传统的扩展Kalman滤波的X射线脉 冲星定轨方法精度较低。为此,提出了将中心差分Kalman滤波应用于X射线脉冲星导航中, 利用中心差分Kalman滤波替代扩展Kalman滤波,通过结合航天器轨道动力学模型和脉冲星观 测信息进行定轨。仿真结果表明,中心差分Kalman滤波方法的定轨精度高于扩展Kalman滤波 方法。     

一种动目标检测的优化设计及应用

文章提出一种新的动目标检测(MTD)滤波器组设计方法,即信号处理系统分为目标处理通道和气象处理通道;目标通道采用自适应动目标检测(AMTD)处理方式,实时检测杂波的存在,判定杂波强度(如强、中、弱),根据杂波的强度自动产生或选择滤波器加权因子,以期保证对地杂波高度抑制的前提下,尽量减少信噪比损失,提高对弱小目标的检测能力。该方法可提高雷达在杂波环境中的自适应性能,具有一定的实用价值。     

时变拓扑卫星集群分布式自主相对导航方法

针对时变拓扑卫星集群的相对导航需求,提出了基于图论的时变拓扑分布式一致性无迹卡尔曼滤波算法。首先给出了固定拓扑卫星集群的相对运动方程、测角测距测量模型和无迹卡尔曼滤波算法,然后考虑测角失效时相对导航系统不可观或弱可观的问题,结合矢量环一致性约束,构造了一致性无迹卡尔曼滤波算法,以提高系统的可观度;在此基础上,针对时变拓扑卫星集群,以滤波精度为优化指标,在图论的基础上利用Dijkstra算法对卫星集群的时变拓扑结构进行重构,并将重构后的拓扑结构应用于卫星集群相对导航。仿真结果表明所提算法能有效改善不完备测量带来的模糊轨道问题,并且能够实现实时的拓扑重构,以满足时变拓扑星群的相对导航精度要求。     

一种基于图像形态学的深空图像模糊复原方法

针对深空目标与空间相机相对运动造成的图像运动模糊问题,文章提出了一种基于图像形态学的运动模糊复原方法。首先运用图像形态学细化的方法消除图像中的冗余信息,快速提取图像中目标的特征;其次运用最小二乘法直线拟合方法对目标运动方向进行估计,再利用连通域划分结果对目标运动长度进行估计;最后采用约束最小二乘方滤波对退化模型进行逆推导运算来实现目标运动模糊复原。通过实验验证结果表明：文章提出的基于图像形态学的深空图像运动模糊复原方法能够正确估计运动模型参数,通用性强,易于在轨实现,可以处理目标与相机相对运动造成的运动模糊问题,在目标运动方向不一致的图像中取得了良好的复原效果。     

差分吸收激光雷达的信号处理技术

针对差分吸收激光雷达系统 ,研究信号平均和卡尔曼滤波两种信号处理技术 ,并进行了数值仿真。通过仿真可以看出 ,采用信号平均和卡尔曼滤波技术都可以很好地估计出待测气体的浓度 -光程积 ,大大地提高测量精度 ,同时也将两者的性能进行了比较     

FM接收机中频滤波器的设计

介绍了一种基于双极技术的中心频率、带宽、增益可控的Gm-C型多相滤波器。分析了滤波器的基本原理,推导出其电路结构形式,并对其中关键的Gm单元进行了优化设计,实现了一个六级带通滤波器。该滤波器应用于低功耗FM低中频接收机中频滤波器的设计,镜像抑制比高达66 dB,总功耗仅为3.75 mW。     

基于量测预处理技术的GPS/DR组合算法研究

基于GPS在市区不能实现连续准确定位以及车辆航位推算系统(DR)的自主性,建立了GPS/DR组合的系统以及量测方程。以此为基础,根据GPS以及DR的采样频率的不同,引入量测预处理技术并用于GPS/DR的组合算法中,进而建立了采用量测预处理技术的卡尔曼滤波方程,最后通过实际的动态试验,论证了上述算法,并得出相应的结论。     

末制导雷达/惯性复合导航算法

研究了末制导雷达/惯导的复合导航算法,当导弹攻击慢速移动目标时,可以根据惯导输出和雷达信息,采用Calson滤波算法估计出目标的位置信息和惯导误差,从而修正目标运动和惯导误差。仿真表明,Calson滤波算法能较好地提高制导精度。     

基于“当前”统计模型的卡尔曼滤波在北斗单向授时中的应用

为了提高北斗单向授时的授时精度,提出了一种基于“当前”统计模型的卡尔曼滤波单向授时方法。将“当前”统计模型应用于接收机时钟频率漂移的建模以建立状态方程,使用经过卡尔曼滤波后的钟差和钟速对本地时钟进行修正。实验结果表明,在选取合适的机动频率和最大频率漂移的情况下,相比于未滤波修正,温补晶振时钟的峰峰值最多可以减小36.7%,标准差最多可以减小42.5%;恒温晶振时钟的峰峰值最多可以减小71.8%,标准差最多可以减小67.0%。基于“当前”统计模型的卡尔曼滤波单向授时方法,可以有效地降低观测量的误差与噪声对于接收机钟差与钟速的影响,从而提高授时精度。     

A combined technique of Kalman filter,artificial neural network and fuzzy logic for gas turbines and signal fault isolation

The target of this paper is the performance-based diagnostics of a gas turbine for the automated early detection of components malfunctions. The paper proposes a new combination of multiple methodologies for the performance-based diagnostics of single and multiple failures on a two-spool engine. The aim of this technique is to combine the strength of each methodology and provide a high success rate for single and multiple failures with the presence of measurement malfunctions. A combination of KF (Kalman Filter), ANN (Artificial Neural Network) and FL (Fuzzy Logic) is used in this research in order to improve the success rate, to increase the flexibility and the number of failures detected and to combine the strength of multiple methods to have a more robust solution. The Kalman filter has in his strength the measurement noise treatment, the artificial neural network the simulation and prediction of reference and deteriorated performance profile and the fuzzy logic the categorization flexibility, which is used to quantify and classify the failures. In the area of GT (Gas Turbine) diagnostics, the multiple failures in combination with measurement issues and the utilization of multiple methods for a 2-spool industrial gas turbine engine has not been investigated extensively.This paper reports the key contribution of each component of the methodology and brief the results in the quantification and classification success rate. The methodology is tested for constant deterioration and increasing noise and for random deterioration. For the random deterioration and nominal noise of 0.4%, in particular, the quantification success rate is above 92.0%, while the classification success rate is above 95.1%. Moreover, the speed of the data processing (1.7 s/sample) proves the suitability of this methodology for online diagnostics.