瞬时畸变DC_θ的最大值预估

本文依据文[1]中提出的最大瞬时畸变值估算方法的基本思想,给出了具有极值运算的畸变指数DC_θ的最大瞬时畸变值的预估思路,从而使文[1]预估方法不独适用于美国P&W公司给出的一类畸变指数(K_(A2),K_(rad),K_θ),同时也适用于英国罗·罗公司给出的具有极值运算一类的畸变指数DC_θ等。文中还讨论了考虑脉动压力相关、瞬时畸变的概率分布等因素对DC_θ最大瞬时畸变值预估的影响,结果表明可提高预估精度。     

基于ECEF的广义最小二乘误差配准技术

 雷达组网数据处理首先要进行误差配准,来准确地估计和消除系统误差。传统的误差配准技术多基于球极投影,当雷达之间距离较远时,给配准结果引入一定的误差。基于地球中心坐标系(ECEF),提出了一种广义最小二乘的ECEF-GLS误差配准技术,较好地解决了远距离误差配准问题,误差分析表明,如果忽略模型线性化引入的误差,配准结果达到了CRLB下限。最后,使用仿真数据验证了算法的性能,并和Zhou提出的基于ECEF坐标系的最小二乘ECEF-LS误差配准算法进行了比较。     

双L型阵列DOA估计的PM算法的性能分析与改进

 双L型阵列天线的二维信号来向（DOA）估计采用传播算子法（PM），运算简单、计算量小。但对于非对称的双L型阵列天线，其中阵元数目少的均匀直线阵会引起较大的DOA估计误差。为此进行PM算法的性能分析与误差讨论，在单个信号源的前提下提出一种改进的PM算法。理论分析与计算机仿真结果均表明，该改进的PM算法保持了PM本身计算量小的优点，能够实现实时二维DOA估计。同时提高了测角精度，降低了方差，且对双L型阵列的使用更具普遍性。     

离散不确定系统的优化鲁棒滤波方法及在飞行试验中的应用

提出了一种离散系统的优化鲁棒滤波方法。为了得到滤波的逼近计算式，通过优化加权矩阵得到了上界不等式逼近和等效系统矩阵，得到了鲁棒滤波的时间更新算法；通过优化加权矩阵得到了下界不等式逼近和等效观测矩阵，得到了鲁棒滤波的测量更新算珐，并且给出了鲁棒滤波算法收敛的条件。飞行试验数据处理的结果表明，提出的方法是有效的。     

北京首都国际机场容量评估研究

针对机场容量评估,推导建立了基本的理论数学模型,并介绍了统计方法.分别利用容量模型和统计方法,对首都国际机场的双跑道系统的容量进行了评估,并对使用容量模型和统计方法得到的两套容量曲线进行了对比.结果表明,所介绍的容量模型实用有效.     

计算燃油费用及轮档小时的一种实用方法

本文提供了一种计算飞机轮档油耗轮档小时及其相应费用的实用方法。该方法考虑了转场、等待储备油料和航线补偿油料的影响效应,并对机场高度和大气顺逆风影响进行了修正。本方法的特点是通用性较强,计算过程简单,而且原始数据易于获取。     

基于改进TLS-ESPRIT算法的相干定位信号波达方向空间平滑

针对室内角度定位,在定位信号相干条件下无法实现准确估计波达方向(DOA)的问题,提出了一种基于TLS-ESPRIT算法的双向空间平滑方法。该算法先对定位相干信号进行双向空间平滑处理,然后用TLS-ESPRIT算法进行DOA的精确估计,使其最大限度地利用信号子空间的信息,从而解决了算法计算过程中输出信号的协方差矩阵秩亏损情况。该算法能够准确实现定位信号相干条件下DOA估计,与传统的空间平滑结合其他改进ESPRIT算法相比,具有更好的平稳性及抗干扰能力。最后通过仿真实验验证了算法的有效性和稳定性。     

非最小相位系统的辩识

1.引言 在时间序列分析中,多数文献讨论的是线性高斯模型,在高斯假设下,最小二乘估计就是最大似然估计;最小二乘估计只利用了时间序列的自相关信息,所形成的方程是一组线性方程即Wiener-Hopf方程。因此,最小二乘估计被广泛地应用于时间序列的建模。但是,自相关序列是“相盲”的,相关建模方法不能准确地表征非最小相位的参数信号;在自相关(功率谱)域中,所能做到的只是重建功率谱意义下等效的最小相位信号。     

基于自适应容积卡尔曼滤波方法的涡扇发动机气路部件故障诊断

针对涡扇发动机气路部件故障诊断中参数存在不同的噪声统计特性,提出了一种自适应平方根容积卡尔曼滤波(ASRCKF)器的自适应滤波方法.该方法直接利用基于3阶容积积分方法近似发动机的非线性统计特性,用于替代非线性无迹卡尔曼滤波方法的系统模型,避免了滤波过程参数选取的问题;采用移动窗口法对噪声协方差矩阵进行自适应估计,提高了算法对不同统计特性噪声的自适应能力和滤波精度.通过对发动机气路部件健康参数蜕化过程仿真结果表明:ASRCKF方法相比平方根容积卡尔曼滤波(SRCKF)方法,精度提高40%~50%,对不同噪声信号具有更好的适应能力.      

Probability hypothesis density filter with adaptive parameter estimation for tracking multiple maneuvering targets

The probability hypothesis density (PHD) filter has been recognized as a promising tech-nique for tracking an unknown number of targets. The performance of the PHD filter, however, is sensitive to the available knowledge on model parameters such as the measurement noise variance and those associated with the changes in the maneuvering target trajectories. If these parameters are unknown in advance, the tracking performance may degrade greatly. To address this aspect, this paper proposes to incorporate the adaptive parameter estimation (APE) method in the PHD filter so that the model parameters, which may be static and/or time-varying, can be estimated jointly with target states. The resulting APE-PHD algorithm is implemented using the particle filter (PF), which leads to the PF-APE-PHD filter. Simulations show that the newly proposed algorithm can correctly identify the unknown measurement noise variances, and it is capable of tracking mul-tiple maneuvering targets with abrupt changing parameters in a more robust manner, compared to the multi-model approaches.