一种基于星载GPS的月球探测器导航算法

为验证GNSS旁瓣信号对中高轨航天器在轨飞行的导航支持能力,"嫦娥5号"飞行试验器搭载了GPS导航接收机。由于目前使用的星载导航解平稳性不够,为此,根据月球探测器不同飞行段落轨道动力学特性,建立了一种基于星载GPS数据的月球探测器实时导航算法。该算法充分考虑了月球探测器不同段落的动力学特性,基于UKF滤波设计,并引入了自适应策略,以降低滤波参数选取的难度。在分析星载GPS数据特点基础上,月地返回段实测数据的处理结果验证了算法的可行性和有效性。     

小阻尼动态系统的时域自适应反馈主动阻尼设计

针对在前馈／反馈混合控制中提高控制通道阻尼的问题,基于自适应滤波理论,提出适用于单输入单输出(SISO)和多输入多输出(MIMO)控制通道的时域自适应反馈主动阻尼设计方法。研究了自适应过程的理想期望信号的构造、SISO情况下闭环控制通道与反馈控制器同时进行自适应设计以及MIMO控制通道阻尼问题的简化与设计方法的拓展等问题;同时,基于某主动隔振试验平台的实测结果,对所有研究内容进行SIMULINK模型仿真。时域自适应反馈主动阻尼设计是高效的主动阻尼设计方法,并且为小阻尼动态系统的增阻设计提供了统一的方法框架。     

基于代理模型全局优化的自适应参数化方法

对于翼型气动隐身设计问题,设计变量的配置对设计结果影响很大,而简单地增加设计变量不能保证得到理想的结果。提出一种适用于代理模型全局优化的自适应参数化方法：利用全局敏感性分析方法——基本效应法,得到设计空间关于目标函数的敏感区域信息,并以此为根据增加设计变量;利用节点插入算法将低维样本在高维空间内进行重构,避免了重新取样的工作量。相对于传统固定设计空间维度方法,自适应参数化方法在设计空间的敏感区域扩展维度,能够更加精准地描述外形并反映目标的变化趋势。通过飞翼布局翼型的气动隐身优化算例,证实自适应参数化方法可以大幅提高优化设计质量和效率。     

火星探测器捕获段自适应卡尔曼滤波方法

天文导航是一种广泛应用于深空探测任务中的节能、高效的导航方式。基于轨道动力学模型和星光角距的卡尔曼滤波方法已经被成功应用在天文导航系统中。在捕获段由于探测器所处动力学环境复杂,未建模的加速度误差,星历误差等都会造成过程噪声统计特性不完全。针对以上问题,提出一种根据新息和残差序列的变化趋势来调节过程噪声协方差阵的自适应平方根容积卡尔曼的方法（AQSCKF）。该方法先分别利用新息和残差计算调节因子,然后判断新息和残差的变化趋势,当新息和残差的变化趋势一致时,取二者调节因子的均值作为过程噪声方差阵的调节因子,对其进行调节。此外,本文还将该方法与传统的只利用新息或残差在线调节协方差阵的平方根容积卡尔曼滤波（SCKF）方法进行对比,仿真结果表明,在解决由于过程噪声统计特性不能完全已知的问题上,AQSCKF算法不仅能显著提高导航精度,并且具有很好的稳定性。     

自适应机翼翼型变形的研究现状及关键技术

自适应机翼具有巨大的应用潜力,是未来飞机设计的必然趋势,已经得到了广泛的关注。分别从自适应变弯度前缘、自适应变弯度后缘以及变厚度机翼三个方面阐述了其变形原理,并对使用的蒙皮、驱动方式、研究方法等进行了归纳总结,指出了未来的发展趋势,提出了自适应机翼亟需解决的关键技术,包括兼具大变形和高承载功能的柔性蒙皮的设计、自适应驱动系统设计、协同控制系统的设计、分布式传感器网络,可为自适应机翼结构的设计与实现途径提供一定的技术参考。     

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.     

临近空间高超声速跳跃滑翔式目标自适应跟踪模型

针对临近空间高超声速跳跃式滑翔目标跟踪问题,在将加速度建模为具有正弦波（SW）自相关随机过程的基础上,提出一种自适应非零均值正弦波相关（ANM-SW）模型。其核心是对正弦波相关模型进行均值补偿构建ANM-SW模型,并推导了模型状态方程;为深入分析均值补偿的作用,分别从时域和频域的角度探讨了自适应非零均值模型的物理本质;此外,为进一步说明模型的适应性问题,结合Kalman滤波推导了SW及ANM-SW模型状态更新的系统动态误差,验证了ANM-SW模型在机动适应方面的优越性;最终仿真表明与SW模型相比,ANM-SW模型在跟踪精度及机动适应能力方面具有一定的优势性。     

基于S-PSO分类算法的故障诊断方法

将监控数据的已知状态作为先验类别标签,构造出新的有监督的粒子群优化(S-PSO)分类算法,并对设备进行故障诊断。为提高故障诊断的准确率,降低随机性对分类算法的影响,提出了新的基于动态邻域的自适应探测更新(ADU-DN)的干预更新策略来拓展粒子搜索整个解空间的能力,引导粒子自适应地跳出局部最优区域,确保获得全局最优解;同时设计出基于最小类内距离、最大类间距离和训练样本最大分类精度的适应度函数,使得输出的最优类别中心兼顾了这3个因素,增强了分类算法在故障诊断中的通用性和容错性,提高了测试样本的分类精度。S-PSO分类算法有效克服了聚类算法只考虑数据间相似性特征、不考虑数据蕴含的物理意义以及不能很好指导样本分类的缺陷。对GE90发动机孔探图像纹理特征分类进行了对比研究,研究数据表明:S-PSO分类算法表现出了较强的鲁棒性,在故障诊断中的分类精度高于支持向量机(SVM)和常用神经网络模型。     

基于三迭代与二阶锥规划的机载MIMO雷达稳健降维STAP方法

针对机载多输入多输出(MIMO)雷达空时自适应处理(STAP)中期望目标导向矢量的失配问题,提出一种基于三迭代(TRIA)与二阶锥规划(SOCP)的稳健降维MIMO-STAP方法。首先将MIMO-STAP权矢量分解为发射、接收、多普勒3个低维权矢量的Kronecker积,然后分别限定实际发射、接收、多普勒导向矢量与假定导向矢量之间的误差范数边界,通过优化最差性能,利用SOCP对各个低维权矢量进行三迭代求解,最后进行权矢量合成。该方法在保证机载MIMO雷达获取稳健STAP性能的同时,通过三迭代降维处理,能够有效降低训练样本数需求与运算复杂度,因此更具有实际应用价值。仿真结果验证了算法的有效性。