飞行器目标跟踪中的改进自适应滤波算法

针对经典“当前”统计模型预设目标参数无法随运动状态进行实时调整的问题,提出一种基于卡尔曼滤波的改进自适应滤波算法(MAF),通过对机动频率及加速度方差的计算,实现目标运动参数的自适应调整,提高跟踪精度。仿真结果表明,该种新型自适应滤波算法相比固定参数的“当前”统计模型滤波算法具有更高的跟踪精度、更强的稳定性,在高信噪比环境下的位置跟踪精度提高20%,低信噪比环境下的位置跟踪精度提高2倍,具有一定工程实用价值。     

基于EMD的MEMS陀螺仪随机漂移分析方法

为了抑制微机械电子系统（MEMS）陀螺仪的随机漂移,基于经验模态分解（EMD）和模态集合选择标准,结合时间序列建模滤波法,提出了一种改进的MEMS陀螺仪随机漂移分析方法。首先,通过EMD将MEMS陀螺仪原始数据分解为多个本征模态函数（IMF）,利用模态集合选择标准将IMF分为噪声IMF、噪声与信号混合IMF和信号IMF三类;然后,对混合IMF进行重构、时间序列建模及自适应卡尔曼滤波（AKF）;最后,将3类信号重构,实现MEMS陀螺仪信号去噪。实验表明:所提方法有更好的去噪效果和实时性,提高了MEMS陀螺仪的使用精度。      

随机振动响应方差的直接算法

将动力学方程经过系统扩阶和模态变换构成李雅普诺夫方程,可直接求得大型有限元结构的平稳随机振动响应方差.用等效线性化方法处理杜芬系统后,求解李雅普诺夫方程可以得到一套高效高精度求解杜芬系统随机振动响应方差的方法.仿真对误差进行了估计,结果验证了方法的高效和精确性.      

基于Allan方差的激光陀螺噪声估计方法研究

激光陀螺的噪声影响其使用精度,为提高精度需要对噪声进行估计。研究几种基于Allan方差的激光陀螺噪声估计方法。首先,介绍了Allan方差的基本定义,以及运用Allan方差理论估计陀螺仪随机噪声系数的基本原理。详细叙述了三种典型噪声系数估计方法,即最小二乘法、分段估计法与规范化最小平方回归算法,指出各方法原理上的优缺点。最后通过对多组环形激光陀螺实测信号的定量分析,详细比较了三种噪声系数估计方法。结果表明,规范化最小平方回归算法计算简便,耗时短,拟合曲线平滑,拟合精度高,且具有较好的重复性,与其它两种估计方法相比,是一种更有效、科学,更适用于环形激光陀螺随机噪声特性分析的系数估计方法。     

确定时间序列均值和方差函数的移动多点平均方法

为了提高有限样本或小样本情况下时间序列均值和方差函数的确定精度,以保证时序建模、分析和预测精度,提出一种确定序列趋势项的移动多点平均方法.该方法能够得到时间序列均值中非周期部分,结合样本周期图法得到的周期项,可综合得到其均值函数,并可进一步得到时序的标准差函数.Monte Carlo模拟对比结果表明:该方法不仅能够保证时间序列段内分析精度,而且能够有效提高时间序列的预报精度.      

不确定度评定的一种方法——最大方差法

研究了不确定度评定的新方法－最大方差法，分析了它的原理，列出了最大方差法用表，举例说明了它的应用。     

总体均值估计量最小方差的改进

在简单随机抽样中,样本均值是总体均值的无偏估计.其他复杂的抽样方法常以简单随机抽样为基础,对于相同的样本容量条件下不同的抽样方法来说,总体均值估计量的方差就成为衡量各种抽样方法的有效程度的重要标志.对文[1]中给出的求有限总体均值估计量最小方差的几种方法进行了讨论,并对其求解方法进行了改进.     

基于遗忘因子算法的飞行器颤振模态参数辨识

采用频率响应函数数据的频域多输入多输出状态空间模型,研究基于遗忘因子的输入输出数据矩阵构造机制,提高辨识算法的收敛速度;针对系统矩阵的求解问题,采用主成分分析法实现对模型参数矩阵的一致性估计,避免了奇异值分解带来的估计有偏性;算法前采用新息方差准则估计出系统的阶数,以减少计算复杂度。最后利用试飞试验数据辨识飞行器的系统参数,验证了该方法的有效性。     

面向高超声速飞行器双重不确定性的自适应状态估计

将高超声速飞行器双重不确定性因素建模为未知干扰输入项,针对状态演化方程和量测方程含有不同未知干扰输入的高超声速飞行器控制系统状态估计问题开展研究,提出一种基于自适应方差极小化的递推状态估计器(Adaptive variance minimization based Recursive Estimator, AVMRE)。首先建立了状态估计递推滤波器模型,实现滤波误差中的量测未知干扰解耦,之后引入自适应调整因子刻画状态未知干扰并推导了最小上界估计误差协方差矩阵,最后,基于最小方差估计准则设计了滤波器中的量测增益反馈矩阵。以外部突风和传感器故障为例,受内外部双重不确定性因素影响下的高超声速飞行器仿真实验验证了本文算法的有效性,与相关算法的仿真对比反映了本文算法的优越性。