IMSA100高速级联时的问题及解决办法

叙述了用四片 IMSA10 0芯片组成高速匹配滤波器在运行调试时存在的问题 ,经分析 ,提出了解决的方法 ,得出了较好的结果 ,使输出信号增加 6 d B。     

信息论与最佳接收理论之间的一个重要矛盾

现代通信理论最重要的两个分支——信息论与最佳接收理论 ,是支撑当代通信技术飞速发展的两块坚实的理论柱石。然而 ,我们发现这两块柱石之间存在着一个重要的理论矛盾。很可能它们中的某一个是块有瑕之玉 ,今详细论述于斯文     

卡尔曼滤波在卫星姿控系统测试中的应用

为解决卫星姿控系统测试中地面运动模拟器速度稳定度不能满足测试要求的问题,根据卫星姿控系统的测量值和卫星动力学方程输出的姿态参数,用非线性卡尔曼滤波估计和修正测试设备的误差,以减少测试系统误差。仿真结果表明,该法可有效减小由测试设备引入的误差,其姿态稳定度约为0.000 5(°)/s,可满足高稳定度姿控系统测试要求。     

分布式航天器相对轨道确定方法

根据航天器相对运动的C-W-Hill方程建立的动态模型,以及基于无线电测量方案建立的相对距离观测模型,提出了一种用扩展卡尔曼滤波(EKF)确定分布式航天器相对轨道的方法。用STK、Matlab软件进行的仿真验证结果表明,该方法可确定分布式航天器相对位置和相对速度,所获解的精度较高。     

基于陀螺和四元数的EKF卫星姿态确定算法

为保证卫星姿态确定的高精度，利用星敏感器提供的姿态四元数，结合扩展卡尔曼滤波（EKF）对陀螺漂移和安装误差进行实时补偿。建立了滤波器数学模型，并通过数学仿真获得了算法的理论精度，同时分析了星敏感器安装误差对姿态确定的影响。     

基于星敏感器四元数的卫星角速度预测滤波算法

为在无陀螺或陀螺故障时可用星敏感器估计姿态角速度，在扩展卡尔曼滤波（EKF）和非线性预测滤波的基础上提出了基于四元数的卫星角速度估计算法，并给出了相应的模型。该算法对角速度建模精度的要求较低，无需卫星动力学方程，方法简单且易于实现。仿真结果表明，算法的精度较高。虽然仍受噪声和步长的影响，但相对基于EKF和最小模型误差的角速度估计算法，其性能改善较大。     

利用雷达测高仪的卫星自主定轨

提出了利用星上雷达测高仪及星敏感器进行卫星自主定轨的基本方法。研究了地球海平面模型的重要性，提出了对测高仪测量数据处理的简明算法，利用滤波定轨算法，明显提高自主定轨的精度，数学仿真表明自主定轨精度可达１００米。     

对运动辐射源的单站无源伪线性定位跟踪算法

本文针对只测向单站无源定位中推广卡尔曼滤波（EKF）算法具有不稳定性等缺点，在只测向（BO）定位算法的基础上增加方位角速率观测信息，提出了一种对运动辐射源的单站伪线性卡尔曼滤波定位方法并进行了计算机仿真，它相对于只测向方法提高了定位误差的收敛速度。它可用于无源侦察监视或导弹制导等要求快速收敛的场合。     

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.