KJ-9驾驶仪电磁兼容问题

本文主要介绍了为提高KJ-9驾驶仪的电磁兼容性能所采取的一些措施,以及在实践中碰到的问题的分析和解决的办法。     

非线性信号处理器的设计与实现

非线性信号处理是我们分析和处理真实信号时经常遇到的问题，将非线性信号经过一个处理系统使之成为线性信号再进行处理是我们常用的方法之一。本文提出了一种非线性信号处理器的设计框架及实现手段，其基本原理是将信号通过一个非线性滤器，而根据数学工具的推导我们可处理后的信号或信号特征值已经是线性的，易处理的。该框架是一个可逆系统，可根据不同的信号特征选择不同的变换基及滤波器进行有性的处理。     

推广的KALMAN滤波有序修正法

为预防推广的Kalman滤波的发散,本文提出一种滤波的有序修正法。此法不仅理论上成立,而且实际效果也很明显。同时,用有序修正法不会引起计算上复杂性,因而具有实际应用价值。     

U-D分解的固定点平滑新算法及其在飞行试验中的应用

 本文根据Rauch固定点平滑公式,提出了一种U-D分解的固定点平滑新算法。这一算法不仅具有良好的数值稳定性和可靠性,而且计算量较少;计算效率是Bryson-Ho Y C固定点平滑计算效率的1.5倍以上。将这种新算法用于飞机运动状态初值的确定,提高了飞机气动参数辨识精度。     

基于改进的自适应平方根容积卡尔曼滤波相对导航算法

针对无人机编队飞行时由于目标建模的不确定性导致相对导航滤波算法精度降低甚至出现滤波发散的问题,提出了一种自适应平方根容积卡尔曼滤波算法。首先,建立了无人机双机编队时的相对导航模型。然后,基于新息的自适应修正准则,对滤波状态预测量进行修正,进行了基于自适应修正的平方根容积卡尔曼滤波相对导航算法设计。最后,开展了仿真计算与结果分析。仿真结果表明,该算法具有较好的滤波精度和稳定性,且当目标运动状态与模型不匹配时,该算法与平方根容积卡尔曼滤波算法相比有更好的滤波性能。     

在线学习的循环自适应机动目标跟踪算法

针对机动目标难以精确跟踪的问题,提出了一种可在线学习的循环Kalman神经网络跟踪算法。考虑到状态转移矩阵、量测噪声和过程噪声矩阵在机动目标跟踪中难以实时、离线估计,且在实际应用中对应数据集获取成本高,因此使用在线学习的神经网络对其进行实时估计。由于Kalman滤波算法本身是一种循环结构,将简单的全连接层网络与其嵌合,全连接层网络实时输出状态转移矩阵、量测和过程噪声矩阵估计,构成一种广义的循环Kalman神经网络,根据网络最终输出的位置估计进行端到端的在线学习,并且通过理论推导证明了其在线学习的可行性。将提出的循环Kalman神经网络同3种经典机动目标算法进行了仿真对比,结果表明：循环Kalman神经网络跟踪需要很少的先验信息,在最优区域内较之其他3种算法具有最高的跟踪精度和鲁棒性,并且具有效率高、训练成本低以及可扩展性强的特点。     

基于联邦自适应滤波的分布式传递对准方法CSCD

为解决复杂飞行环境下由于机翼的挠曲变形等因素导致分布式传递对准的精度下降和稳定性差的问题,提出了一种基于27维状态变量传递对准模型的新型联邦自适应滤波算法。首先,子滤波器采用基于R和P自适应更新的卡尔曼滤波算法并结合27维传递对准模型进行单点传递对准。然后,主滤波器采用基于误差协方差矩阵的原则,对多个子滤波器的冗余信息和信息权重进行信息融合以及自适应分配。基于实际飞行数据的半物理仿真实验表明:该方法在一定程度上提高了分布式传递对准的稳定性和精度,姿态估计稳定性得到明显提高,动态杆臂以及航向角估计精度分别提高了61.54%和42.35%。     

基于联邦UKF算法的月球探测器自主组合导航

研究了月球探测器在地一月转移轨道阶段的自主导航方法，提出了利用地月位置信息和星光角距测量信息实现探测器自主组合导航的方案。针对导航系统的状态方程非线性的特点，将Unscented卡尔曼滤波算法和信息融合技术相结合，设计了新的联邦滤波器并应用于自主导航系统中。对这种导航方案进行了数值仿真，和传统的联邦滤波算法进行了比较。仿真结果表明，所提出的组合导航方法和联邦滤波算法的导航位置估计精度约为1km，速度估计精度约为0．01m／s，并且具有良好的鲁棒性和容错性能。