一种全息滤波用于粒子场层析的方法

本文介绍用4F傅里叶透镜系统和全息滤波器对粒子场分布作全息记录的原理和方法。理论和实验结果表明,这种记录方法能同时准确记录位于输入平面和在其前、后相同距离平面上的粒子分布,并能根据清晰的粒子像直接判读出粒子尺寸和空间位置。若应用不同的全息滤波器,就能在输出平面上记录与滤波器相匹配的三个层次平面上的粒子分布。这种用4F系统的全息滤波记录方法,实质上是用全息术测量粒子场分布的层析法。文中还介绍了制作这种全息滤波器的原理和方法。     

考虑驾驶仪动态性能的指令滤波反演制导律

针对攻击机动目标的制导问题,设计了一种考虑自动驾驶仪性能、输入项约束的指令滤波反演制导律。首先,基于三维空间内弹目相对运动模型,采用反演递推方式设计制导律。针对传统反演控制存在的"微分膨胀"问题,引入指令滤波器对虚拟量进行过滤计算。考虑硬件计算能力的约束,引入自动驾驶仪二阶动力学模型减少控制过程延迟,并利用饱和函数和低通滤波器对输入项进行约束。此外,针对机动目标设计了一种扩张状态观测器来获取其加速度。通过Lyapunov理论证明了所设计闭环制导系统的稳定性。通过仿真实验验证了该制导律相有效性及优越性。     

空间制冷机压缩机自适应主动振动控制方法

空间制冷机压缩机的振动是制约其应用于敏感仪器的一项关键因素,压缩机的振动会导致成像模糊,降低探测目标的分辨率和定位精度,甚至引起平台的机械共振。为了降低压缩机振动对空间有效载荷敏感器件的影响,采用基于自适应窄带陷波滤波器的自适应主动减振算法,此算法与振动传递函数模型无关,不受应用环境的限制,通过不断调整驱动信号的幅度和相位来实现自适应减振。搭建了由DSP控制软件、硬件电路、振动传感器组成的自适应主动减振系统,将此算法首次用于压缩机减振,并试验验证了算法的有效性。将压缩机的基频振动由0.166m/s²降低为0.014m/s²,下降了21.2dB。     

自适应空间机动目标跟踪算法

在空间目标跟踪问题中,目标机动导致的模型不匹配问题会导致滤波算法出现滞后现象。为了对空间机动目标进行快速跟踪,在平方根容积卡尔曼滤波〖（Square rootCubatureKalmanFilter,SCKF）的基础上,引入强跟踪滤波（StrongTrackingFilter,STF）的思想,推导得到了次优渐消因子在SCKF中的等价描述。并通过建立以矩匹配方法为基础的自适应机制,设计了兼顾滤波精确性和鲁棒性的自适应强跟踪平方根容积卡尔曼滤波（AdaptiveStrongTrackingSquare rootCubatureKalmanFilter,AST SCKF）算法。仿真结果表明,在目标机动前,AST-SCKF算法和SCKF算法的位置收敛精度相差不足1%;在目标机动后,AST-SCKF算法的位置和速度的收敛精度相对SCKF算法分别提高了95.19%和30.50%,同时,其收敛速度相对SCKF算法分别提高了57.20%和24.68%。     

基于AVSIMM算法的高超声速再入滑翔目标跟踪

针对跟踪高超声速目标的交互式多模型（IMM）算法中存在模型数量过多,模型之间竞争导致滤波精度降低的问题,在自适应网格交互式多模型（AGIMM）算法的基础上,提出了一种自适应变结构交互式多模型（AVSIMM）算法跟踪高超声速再入滑翔目标。根据高超声速无动力再入滑翔目标当前机动状态的角速度参数,在自适应调整当前时刻模型集中参数的同时,针对AGIMM算法运动学模型的单一性,设计了具有多种跟踪滤波运动学模型的AVSIMM算法,通过模型集参数与算法结构的双重自适应调整实现了对目标高精度的跟踪。仿真结果表明,与AGIMM算法相比,所设计的AVSIMM算法不仅对结构和参数都具有更强的自适应性,同时提高了高超目标的跟踪精度和跟踪效率。      

基于改进预测滤波的小天体精确着陆自主导航方法研究

针对小天体形状不规则、质量不均匀导致模型建立不准确的问题,研究基于改进的预测滤波实现自主着陆过程中精确导航的关键技术。在导航算法设计中,首先建立了小天体引力场模型,并建立了导航系统运动学模型,然后建立了基于惯性测量单元、光学相机及测速敏感器多信息融合的测量模型,结合扩展卡尔曼滤波(Extended Kalman Filter, EKF)算法对非线性预测滤波(Nonlinear Predictive Filter, NPF)算法进行改进,在该导航算法下,对系统的可观性进行了分析。仿真结果表明:在引力不确定性引起的模型不准确度下,该方法可实时估计模型误差,在与EKF导航精度比较的基础上验证了改进的NPF算法的有效性和精确性。     

自适应扩展增量 Kalman 滤波方法

基于扩展增量Kalman滤波方法(EIKF)和自适应增量Kalman滤波(AIKF),建立自适应扩展增量Kalman(AEIKF)模型及其分析方法,给出递推算法.在许多实际情况(如深空探测),由于环境因素的影响、测量设备的不稳定性等原因,量测方程往往存在未知的系统误差,并且模型参数也具有不确定性,结果导致较大的Kalman滤波误差,影响滤波的收敛性.提出的AEIKF方法能够成功消除这种未知的系统误差,并能够实时估计变化的噪声统计量,提高Kalman滤波精度.该方法计算简单,便于工程应用.      

基于噪声子空间估计的MWF实现

采用阵列天线对GPS接收信号进行干扰抑制,在信号处理时引入时延,形成空时二维处理的模式.空时二维抗干扰由于运算量大而导致在实际实现困难,必须进行降维处理.多级维纳滤波(MWF)方法可以有效降低滤波器的维数,但是经典的MWF方法存在子空间维数估计不准的问题.本文对于多级维纳滤波方法进行了分析,利用MWF的分析滤波器将接收信号矢量映射为另一信号矢量.通过对该信号矢量的协方差矩阵进行分析,找到一种判断子空间维数的稳健方法.仿真表明该方法能够准确地估计出噪声子空间维数.与传统的设定MSE门限的方法相比较,得出用本方法估计子空间维数更为准确可靠,抗干扰性能更优的结论.     

含无序量测的多传感器目标跟踪滤波算法

由于通信链路的随机时间延迟和星上传感器测量的预处理时间的不同等因素,导致在目标飞行器的测量中产生无序量测现象。为解决该问题,提出了一种基于扩展卡尔曼滤波的前向预测多步滞后无序量测处理算法。该算法首先采用扩展卡尔曼滤波算法估算出目标飞行器的状态方程和协方差方程,然后在滤波过程中利用前向滤波更新的方法,将协方差方程更新结果去相关后,累积到当前协方差方程滤波结果中,从而有效解决了目标飞行器测量中的无序量测问题。最后,将该算法与扩展卡尔曼滤波算法、丢弃算法进行了对比仿真。仿真结果表明,采用该算法处理目标飞行器的位置和飞行速度,得到的测量误差较小,在整个观测时间内,测量误差的收敛性较好,能够实现对目标飞行器的精确测量和跟踪。     

基于相减式信号抵消的带内隐藏干扰检测

为实现对通信信号的实时监测,提出一种带内隐藏干扰检测方法。该方法先利用解调结果重构期望信号,然后通过时延估计及自适应滤波使其与接收信号中的有用信号在时间、幅度和相位上尽量保持一致,最后利用相减式信号抵消技术将其从接收信号中消除,能够在不中断通信业务的前提下检测出信号带宽内隐藏的干扰。仿真结果表明,当信干比不低于6 dB、信噪比不低于3 dB时,期望信号、干扰信号与各自原信号的相似系数均能达到0.9以上,提取的干扰信号非常准确。将利用文中方法估计出的干扰抵消后,信号的星座图也得到了显著的收敛。