面向空间目标相对轨道确定的编队优化方法

针对提高空间目标相对轨道确定精度的问题，研究了在主航天器轨道运动受限时，通过设计和优化辅航天器相对轨道要素的航天器编队优化方法。首先，介绍了基于扩展卡尔曼滤波的双视线测量相对轨道确定方法；之后，通过研究双视线测量下的空间目标定位误差变化规律，得到了减小定位误差的角度条件；然后，通过分析该角度条件和辅航天器相对轨道要素的关系，设计并采用遗传算法优化了辅航天器相对轨道；最后，数学仿真结果表明，设计的编队可保证目标相对位置估计误差收敛，优化后的编队可使目标相对位置估计误差减小至0.3 km且不超过1.2 km。     

改进自适应抗差容积卡尔曼滤波多源室内定位

针对容积卡尔曼滤波在多源融合定位中存在跟踪能力不强和自适应能力差的问题,在传 统容积卡尔曼滤波的基础上,提出了改进自适应抗差容积卡尔曼滤波算法。建立了基于新息的自 适应判决准则与修正方法,使得滤波算法能够及时跟踪目标真实状态;引入抗差因子调节观测协 方差矩阵,以减小观测值异常问题对滤波精度的影响;采用奇异值分解代替容积卡尔曼中的Cholesky 分解,提高数值计算的稳定性。超宽带/惯性导航联合定位实验结果表明,与扩展卡尔曼滤波 和容积卡尔曼滤波相比,改进的自适应抗差容积卡尔曼滤波定位精度更高,数值稳定性更好,增强 了定位系统在粗差干扰下的鲁棒性。     

无人机蜂群轨迹预测研究

传统防空火控算法中的轨迹预测模型无法对复杂的无人机蜂群进行有效地轨迹预测，而现有针对无人机机动轨迹的预测研究通常只考虑单个无人机，且模型量级过大。为了准确且快速地预测无人机蜂群轨迹，本文提出一种面向蜂群的轨迹预测方法。在获得蜂群轨迹后，首先基于DBSCAN 对其进行聚类，判断出蜂群中各个无人机的类别；然后基于分形算法，判断无人机轨迹是简单轨迹还是复杂轨迹；最后，采用卡尔曼滤波进行简单轨迹的预测，用基于LSTM 网络的方法进行复杂轨迹的预测。结果表明：本文提出的无人机蜂群轨迹预测方法的预测误差远远小于纯采用卡尔曼滤波方法预测的误差，且预测时间小于仅采用LSTM 网络方法预测的时间，可以较为准确地预测蜂群中不同集群无人机的轨迹，为反无人机蜂群火控解算提供基础。     

基于卡尔曼滤波平滑多普勒值的单频周跳探测方法

针对高轨卫星搭载的GNSS单频接收机观测值精度低导致多普勒法难以准确探测周跳的问题，提出了基于卡尔曼滤波平滑多普勒值的单频周跳探测方法。首先使用卡尔曼滤波平滑多普勒观测值，以降低观测噪声的影响，然后联合使用平滑后的多普勒值和载波相位观测值按照传统多普勒法计算周跳探测量，并对其进行历元间差分，从而降低系统误差，提高周跳检出率。实验使用探月三期再入返回试验任务中月地转移段返回舱接收到的GNSS观测数据，结果证明提出的方法相比传统的多普勒法可以在低信噪比的环境下更准确地进行周跳探测，可为后续高轨卫星的GNSS搭载试验提供技术支撑。     

多应力耦合条件下氧气浓缩器退化建模

耦合应力条件下的建模是故障预测与健康管理领域的难点问题。以氧气浓缩器地面试验退化建模为例，针对试验中2种应力线性相关且耦合作用于氧气浓缩器退化的问题，提出了一种机理模型与数据驱动联合的偏微分方程建模方法。基于退化机理分析建立偏微分方程的基本形式，利用数据驱动的方法确定方程具体参数。通过偏微分方程建模，对2种应力进行解耦分析，确定引气湿度的增加会加快氧气浓缩器的退化速率，发现随着氧气浓缩器工作性能的退化，氧气浓缩器氧分压对引气压力的敏感性减弱，确定氧分压随引气压力变化斜率为健康因子。通过卡尔曼滤波器模式识别，确定氧气浓缩器退化可分为平稳阶段与退化阶段，与实际服役环境下氧气浓缩器退化数据对比，验证了氧气浓缩器两阶段退化特性。     

旋转调制下的抗晃动干扰初始对准方法

针对晃动基座下的对准精度受限于惯性器件常值误差，提出了旋转调制下的抗晃动干扰初始对准方法。首先，分析了单轴连续旋转调制技术对常值误差的补偿机理，并在此基础上建立了晃动基座下的惯性器件输出模型;其次，详细推导了基于双重积分的惯性系粗对准算法，通过惯性坐标系下的姿态更新跟踪载体实际姿态变化消除了角晃动干扰，通过对比力进行双重积分克服了线振动影响;最后，在粗对准算法基础上，进一步建立了旋转调制下的系统状态方程和量测方程，通过反馈校正的卡尔曼滤波算法实现最优估计精对准。仿真结果表明:旋转调制下的抗晃动对准方法在克服晃动干扰的同时，能够解决对准精度受限问题，有效提高了初始对准精度。     

基于深度强化学习与扩展卡尔曼滤波相结合的交通信号灯配时方法

深度Q学习网络(DQN)因具有强大的感知能力和决策能力而成为解决交通信号灯配时问题的有效方法，然而外部环境扰动和内部参数波动等原因导致的参数不确定性问题限制了其在交通信号灯配时系统领域的进一步发展。基于此，提出了一种DQN与扩展卡尔曼滤波(EKF)相结合(DQN-EKF)的交通信号灯配时方法。以估计网络的不确定性参数值作为状态变量，包含不确定性参数的目标网络值作为观测变量，结合过程噪声、包含不确定性参数的估计网络值和系统观测噪声构造EKF系统方程，通过EKF的迭代更新求解，得到DQN模型中的最优真实参数估计值，解决DQN模型中的参数不确定性问题。实验结果表明:DQN-EKF配时方法适用于不同的交通环境，并能够有效提高车辆的通行效率。      

探测与避让系统监视跟踪算法的设计与实现

无人机的探测与避让(Detect and Avoid, DAA)系统是无人机防撞的重要保证，监视跟踪算法对于DAA系统的可靠工作至关重要。基于DAA最低性能标准的描述，以雷达跟踪器、广播式自动相关监视和主动监视应答器监视跟踪入侵飞机的航迹信息，先用α-β滤波保证稳定跟踪，然后再用扩展卡尔曼滤波(Extended Kalman Filter, EKF)进行航迹估计，通过航迹管理算法计算出中心航迹，以供DAA系统作出警报和导引。通过基于ARM的嵌入式Linux平台设计的仿真验证系统和实验平台，验证了设计的DAA系统监视跟踪算法具有良好的监视跟踪性能。     

基于DKF的IMU误差预测算法

作为导航领域常用的组合导航方式,全球导航卫星系统(GNSS)/惯性导航系统(INS)组合导航在GNSS信号失锁后,由于惯性测量单元(IMU)误差随时间迅速积累,其定位结果会偏离载体真实位置,导航精度下降.针对此问题,提出了一种长短期记忆网络(LSTM)辅助的算法,称之为深度卡尔曼滤波(DKF)算法.DKF算法的核心思想是使用LSTM训练IMU误差模型,然后通过训练出的模型预测IMU误差,最后将预测的IMU误差代入IMU数据以校正导航结果.仿真结果表明:在200s测试数据上,DKF算法将误差从1.1537m/s降低到0.3746m/s.与平均预测、卡尔曼预测和最小二乘估计等方法相比,DKF算法的误差最小,具有更优越的导航性能.     

一种改进的高超声速滑翔目标跟踪方法

针对临近空间高超声速滑翔目标跟踪问题，提出一种基于反向传播神经网络修正改进迭代扩展卡尔曼滤波(Back Propagation Neural Network-aided Improved Iterative Extended Kalman Filter, BP-IIEKF)的目标轨迹跟踪方法。在雷达站坐标系下建立目标运动模型和量测模型。引入阻尼因子修正IEKF算法中的协方差预测矩阵，并定义算法的代价函数，给出迭代终止条件，保证了算法收敛精度，减小状态的观测更新误差，提高了目标状态估计精度。利用BP神经网络修正滤波结果，补偿系统滤波误差，进一步提高了跟踪精度。仿真结果表明所提算法对高超声速滑翔目标具有更高的跟踪精度。