提高卫星导航性能的阵列参数估计算法

针对卫星导航信号参数估计性能严重影响导航定位精度,提出了一种利用电磁偶极子对提高信号波达方向和极化参数估计性能的方法。充分利用接收数据协方差矩阵,通过两次特征分解,由特征分解的特征值进行极化参数估计。利用小圆环子阵导向矢量得到波达方向的粗略而无模糊的估计,大圆环子阵导向矢量得到有模糊的估计,通过解模糊得到精确的无模糊的估计,从而大幅提高了到达角的估计精度。比较了单个圆环阵列和同心圆环阵列的参数估计性能,分析了参数估计精度对抗干扰性能的影响,仿真结果表明参数估计精度的提高有效改善了卫星导航抗干扰的性能。     

强信号背景下弱信号角度时延的联合Capon估计方法

针对强信号背景下弱信号角度时延联合估计过程中的弱信号数目难以精确估计问题,在分析Capon谱估计法估计信号DOA原理的基础上,将Capon谱估计法进行扩展,提出了一种在强信号背景下弱信号角度时延联合估计方法。为弥补Capon法分辨力较差的劣势,将扩展的Capon法与有高分辨性能的m-Capon算法结合,提出了一种改进的m-Capon方法,能区分来波方向接近的不同目标信号。研究和仿真结果表明:该方法无需对弱信号的信源数进行估计,也无需分解特征值,且在快拍数较少时仍具适用性。     

非圆信号的贝叶斯稀疏重构阵列测向方法

对信号非圆特性的有效利用能显著改善子空间类阵列测向方法的性能,但难以弥补此类方法在低信噪比（SNR）、小样本等信号环境适应能力方面的局限。本文引入贝叶斯稀疏学习（SBL）技术以解决非圆信号的波达方向（DOA）估计问题,在结合信号非圆特性的同时对入射信号的空域稀疏性加以利用,通过将非圆信号阵列输出协方差矩阵和共轭协方差矩阵在预先定义的空域字典集上进行稀疏重构,得到入射信号的空间谱重构结果,并依据其谱峰位置估计各信号的方向。该方法对独立和相关信号都具有较好的适应能力,仿真结果验证了该方法在信号环境适应能力和相关信号测向精度等方面的优势。     

一种加速度辅助“当前”统计模型距离跟踪方法

经典的“当前”统计模型中,机动频率通常为经验值,并需预设加速度极限值。针对这一局限,该文利用递归线性平滑牛顿预测器对加速度进行预估后,得到“当前”统计模型中目标机动频率值的解析解,并避免机动加速度极限值的设置,实现了过程噪声协方差矩阵的自适应计算。此外,利用简化的Sage-Husa滤波方法实现量测噪声协方差矩阵的自适应更新。计算机仿真验证了该文所提算法相比于经典的“当前”统计模型的距离跟踪性能更优。     

一种基于信号合成的无线电干涉测量方法

针对后续深空探测任务更高测量精度需求,文章提出了一种基于信号合成的无线电干涉测量方案,并对方案性能进行了理论分析;结合目前主流信号合成算法,提出了一种基于相位补偿的Sumple算法,该算法不仅合成效率高,且合成信号与参考信号具有相同的相位特性,这是天线组阵技术应用于无线电干涉测量的前提;利用相控阵天线试验数据和DOR信号仿真数据对合成方案和合成算法进行了验证,结果表明信号合成处理可以提高无线电干涉测量时延估计精度,这在深空探测任务中具有重要意义。     

基于双目视觉的非合作目标自主姿态估计方法

针对在轨服务任务对于空间非合作目标的自主相对导航需求,提出了一种基于双目视觉的自主姿态估计方法。该方法以Markley变量描述目标的姿态运动,并利用双目相机对目标表面的特征点进行观测,利用特征点的运动规律与目标姿态运动的相关性,并通过容积卡尔曼滤波算法实现了对非合作目标角速度与自旋轴方向的估计。数学仿真验证了所给出的姿态估计方法,并分析了估计精度的影响因素。     

基于深度学习的无人机数据链信噪比估计算法

无人机数据链通信受到各种自然与人为的干扰,信噪比（SNR）是信道状态和通信质量的有效评估指标。为解决传统估计算法信噪比估计精度不足的问题,提出了一种卷积神经网络（CNN）与长短时记忆（LSTM）网络结合的估计模型。利用仿真与实测相结合的方式,构建了一个包含不同信噪比、调制方式、衰落信道等信息的无人机通信信号数据集;在网络训练阶段,将样本序列进行分割,对分割后的每一部分序列使用CNN-LSTM网络提取深度特征,多次训练并保存模型参数;在测试阶段,利用构建好的测试集完成对算法的验证与测试,得到信噪比估计值。实验表明,相比于传统信噪比估计算法与单一网络结构的深度学习算法,所提算法的均方误差最低,实现了对信噪比的高精度估计。      

基于改进多模型的火星大气进入自适应估计方法

针对火星进入过程中大气密度等不确定参数对导航系统状态估计精度的影响,提出了一种基于改进混合专家框架的多模型自适应估计方法。该方法对进入过程中不同的测量信息进行规范化处理,以克服传统多模型自适应估计方法稳定性差、数值下溢等固有缺陷,进一步提高状态估计精度。将其应用于火星不同进入探测方式下的导航场景进行仿真分析。仿真结果表明:该方法在动力学系统模型参数存在不确定扰动时能获得精确的状态估计,可以满足未来定点着陆探测对导航系统的精度需求。     

基于稀疏重构的混叠脉冲序列的周期估计

针对于以往方法在克服抖动大和缺失率高的混叠脉冲信号周期估计上的不足,提出了一种基于稀疏重构的混叠脉冲序列的隐藏子周期估计新方法。该方法首先针对由多个具有不同周期的脉冲串混合而成脉冲序列进行插值重采样,然后利用由Ramanujan构造的周期字典,建立了混叠脉冲序列的稀疏表示模型,最后采用联合l_2,0混合范数算法求得混叠脉冲序列的周期估计。方法的优点是具有较强抗噪能力和抗脉冲缺失能力,并且不受初相的改变影响。所需要较少的脉冲数据长度就能得到准确的周期稀疏解。仿真实验表明,所提方法具有更好的估计性能。     

一种带随机时延和丢包的分布式多传感器融合估计方法

研究了分布式采样线性系统的最优信息融合问题。其中,传感器信息通过无线网络发送到中心单元,每个传感器的测量值受随机时延甚至丢包的影响,最优传感器融合设计为一个带有缓冲测量值的时变卡尔曼滤波器。进行了算例仿真与分析,表明了融合估计器的有效性。