临近空间非弹道式机动模式与跟踪滤波问题

由于美国近些年来在临近空间高超声速飞行器领域给世界各国带来了巨大的安全威胁,它的高速和机动特性给地面防御系统带来了巨大的困难,引起了其他国家的广泛关注。在该领域的关键技术中,非弹道式机动跟踪滤波问题是尚未攻破的技术瓶颈。介绍了临近空间目标3种典型的非弹道式机动模式,并且从不同机动模式跟踪滤波方法、机动模式未知情况下的跟踪滤波方法、多种机动模式组合的跟踪滤波方法 3个方面进行了探讨,最后针对非弹道式跟踪滤波问题及应对措施进行了阐述。     

应用于有源消声的变换域LMS算法

针对自适应有源消声最常用的滤波—XLMS算法(FLMS)运算量小、收敛缓慢、宽带消声效果差等不足之处,利用误差通道滤波特性,提出了变换域滤波—XLMS算法。新算法的突出优点是收敛速度较快、宽带消声效果较好。     

加权采样的序列蒙特卡罗滤波技术

在处理非线性滤波问题时,常用的几种通过模型近似或计算近似的滤波方法均在某种特定的情况下具有适用性.近年来随着计算机处理能力的快速发展,提出了序列蒙特卡罗滤波方法,因其在处理复杂的非线性和非高斯问题时表现出强大的潜力而引起广泛关注.详述了序列蒙特卡罗滤波算法的基本思想和原理,对其关键技术进行了归纳分析,并指出了该方法亟待解决的一些难点问题.     

交互式多模型粒子滤波算法综述

指出了交互式多模型方法和粒子滤波结合时存在的主要问题,围绕该问题,重点对国内外关于交互式多模型粒子滤波算法的相关研究成果进行整理和归纳,给出了典型的交互式多模型粒子滤波算法,综述了目前交互式多模型粒子滤波的应用情况,并指出了几个有价值研究方向。     

数据同化系统中的集合时间局地化鲁棒滤波方法

针对传统的卡尔曼滤波方法对不确定因素不具备鲁棒性问题,在集合鲁棒滤波的基础上,提出一种从观测角度构建优化数据同化的方法,称之为放大观测协方差矩阵的集合时间局地化鲁棒滤波,并推导了新方法的算法准则和递归公式。利用非线性系统Lorenz-96模型,基于性能水平系数、驱动参数、观测数目和集合数目变化的条件,对新方法和集合卡尔曼滤波方法的鲁棒性和同化精度进行比较。结果表明:集合卡尔曼滤波方法的均方根误差大于时间局地化鲁棒滤波的;在观测数或集合数较少的情况下,集合卡尔曼滤波出现了滤波发散问题,而鲁棒滤波的均方根误差波动较小;相较于传统的集合卡尔曼滤波算法,观测角度构建的时间局地化的H_∞滤波方法对系统参数的变化更具鲁棒性,滤波精度更高。     

组合滤波方法在实时数据处理中应用

针对某种滤波方法独立用于飞行器试验,引起实时数据处理精度欠佳的问题,为了提高实时数据处理精度开展组合滤波方法研究。分析飞行器轨道特点和滤波器收敛特性,提出了将飞行器的轨道按时域分段,根据不同时域以α-β-γ滤波为主、多项式中心平滑滤波为辅,或将主、辅关系颠倒过来组合使用,并将滤波器初始以及测量数据中断点作为特殊情况加以处理。结合以往工程实际应用的经验,给出不同时间段落和数据中断点的滤波器使用原则和控制流程,为组合滤波方法在工程上实现奠定了基础。     

对机动目标的滤波和预测(下)

因反超音速导弹和末端机动导弹的需求,必需解决对机动目标的跟踪滤波和预测问题.根据对机动目标运动特性和噪声特性的分析,指出不能用处理平稳随机过程的最佳滤波方法来处理非平稳随机过程的滤波问题.利用自动控制理论、自适应控制方法和误差相消技术,构建了对付机动目标的滤波器,并给合常用的几条航路和一条完整的末端机动导弹航路,进行了模拟仿真计算,获得了较好的结果.最后,还给出了能补偿系统偏差的预测方法.     

对机动目标的滤波和预测研究(上)

因反超音速导弹和末端机动导弹的需求,必需解决对机动目标的跟踪滤波和预测问题.根据对机动目标运动特性和噪声特性的分析,指出不能用处理平稳随机过程的最佳滤波方法来处理非平稳随机过程的滤波问题.利用自动控制理论、自适应控制方法和误差相消技术,构建了对付机动目标的滤波器,并给合常用的几条航路和一条完整的末端机动导弹航路,进行了...     

基于退化速率跟踪粒子滤波的剩余使用寿命预测框架

毋庸置疑,剩余使用寿命预测对于设备的健康管理越来越重要。近年来粒子滤波方法被越来越多地应用到设备寿命预测技术当中,这是因为粒子滤波方法能更好的解决非线性非高斯系统滤波问题,而且能够获得不确定度信息。但该方法的预测性能却过度依赖于预测模型,并且对于模型参数的初始分布也比较敏感,这在一定程度上限制了粒子滤波预测方法的进一步发展。本文针对基本粒子滤波预测方法的不足,提出了一种基于退化速率跟踪粒子滤波的通用预测框架,以历史观测数据的退化速率统计规律作为指导来跟踪目标数据的退化速率,实现对粒子滤波预测方法的简化。并将该方法用于轴承和锂离子电池的剩余使用寿命预测,验证了方法的有效性。     

退化速率跟踪粒子滤波在剩余使用寿命预测中的应用

毋庸置疑,剩余使用寿命预测对于设备的健康管理越来越重要。近年来粒子滤波方法被越来越多地应用到设备寿命预测技术当中,这是因为粒子滤波方法能更好地解决非线性非高斯系统滤波问题,而且能够获得不确定度信息。但该方法的预测性能却过度依赖于预测模型,并且对于模型参数的初始分布也比较敏感,这在一定程度上限制了粒子滤波预测方法的进一步发展。针对基本粒子滤波预测方法的不足,提出了一种基于退化速率跟踪粒子滤波的通用预测框架,以历史观测数据的退化速率统计规律作为指导来跟踪目标数据的退化速率,实现对粒子滤波预测方法的简化,并将该方法用于轴承和锂离子电池的剩余使用寿命预测,验证了方法的有效性。     

自适应模糊神经网络推理系统在电缆故障定点检测中的应用

电缆故障定点检测中存在着噪音复杂多变、信噪比较低的问题.自适应模糊神经网络推理系统(ANFIS),具有非线性映射和自学习能力,能够用于噪音信号的非线性建模,可以很好地解决故障定点检测中噪音的不确定性问题.建立了基于ANFIS的自适应滤波系统模型,讨论了ANFIS中隶属函数类型、数目的寻优以及参考函数的确定方法,设计了以ANFIS对消器为模型的滤波系统的硬件和软件.用该滤波系统对实际电缆故障信号进行了处理,结果表明了滤波系统的有效性.     

引入STF算法的自适应SICKF及其在目标跟踪中的应用

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)算法,提出了一种自适应均方根嵌入式容积卡尔曼滤波(ASICKF)方法。采用嵌入式容积准则和均方根滤波方法,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。为了解决状态突变未知的目标跟踪问题,采用自适应均方根嵌入式容积卡尔曼滤波算法进行数值仿真,仿真结果表明,ASICKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。     

粒子滤波在雷达方位配准中的应用

在多雷达数据处理系统中,雷达本身的系统误差是影响目标跟踪和数据融合质量的一个重要因素,尤其是正北方位误差.针对现有非线性滤波算法收敛性及鲁棒性较差的问题,将粒子滤波算法应用于雷达方位配准.通过与传统的扩展卡尔曼滤波方法仿真比较,结果表明采用粒子滤波的方法解决非线性雷达方位配准模型行之有效,能有效地克服扩展卡尔曼滤波方法中很容易出现的滤波发散问题,且粒子滤波比扩展卡尔曼滤波的估计精度要高.     

基于抗差Kalman滤波的航空发动机测试数据预处理技术

针对使用标准Kalman滤波算法不能准确处理包含粗差的航空发动机测试数据的问题,在分析标准Kalman滤波算法准则和观测误差对滤波估计结果影响的基础上,采用动态调整观测信息在滤波估计结果中权重的方法,给出了基于抗差M估计理论的抗差Kalman滤波准则和递推公式。对不同的发动机测试数据分别采取序列滤波的方法,减少了运算量。基于常加速度模型,建立了测量参数的状态空间方程和测量方程。以包含粗差的某型涡扇发动机稳定工作过程的模拟测量数据为例,采用所设计的抗差Kalman滤波器对其进行预处理,与标准Kalman滤波算法处理的结果对比表明,在模型误差一定的情况下,抗差Kalman滤波算法具有更好的估计精度。     

多传感器信息融合理论在无人机相对导航中的应用

为提升无人机的作战效能和作战指标,提升无人机的相对导航精度和导航系统可靠性,以无人机编队的相对导航系统为研究背景,基于容积卡尔曼滤波算法和信息滤波算法,研究容积信息滤波算法。此外,还采用多传感器信息融合理论,利用分布式信息融合结构构建了无人机相对导航滤波器,对来自惯导、视觉和卫星的信息进行融合,获取无人机间的相对位置、速度和姿态信息。该方法提升了无人机相对导航的导航精度、导航可靠性和滤波稳定性,容积信息滤波算法的应用避免了传统滤波算法在高维系统中出现的数值不稳定以及精度降低等问题。数学仿真结果表明,该方法提高了无人机编队之间相对导航的精度和可靠性,证明了算法的有效性。     

自适应补偿H_∞滤波器在组合导航中的应用

针对传统递推式鲁棒H∞滤波收敛条件在工程中较难满足的问题,提出了一种自适应补偿的递推式鲁棒滤波算法。在分析滤波器收敛条件的基础上,对滤波器中迭代矩阵进行补偿程度自适应的修改,并结合实际系统要求给出了滤波误差定量度量指标,即响应时间、偏离度、波动程度,以验证算法的正确性。GPS/IN S等组合导航系统仿真结果表明,此方法滤波误差下降速度、无偏性及平稳性均优于改进前滤波算法,且计算量几乎不增加;此方法克服了收敛条件不满足导致滤波精度下降的缺陷,扩大了递推式鲁棒滤波的应用范围,具有较大的工程应用价值。     

基于预测残差的自适应Unscented粒子滤波

针对经典粒子滤波的样本退化问题,提出了基于预测残差的自适应Unscented粒子滤波.该方法将自适应因子与无迹卡尔曼滤波相结合构造粒子滤波的建议分布,即通过UT变化构造建议分布函数,利用预测残差作为自适应因子,在线调整测量预测协方差、状态测量互协方差和状态更新协方差的实时变化,从而调整其在滤波中的作用.非线性状态估计仿真实验表明,该算法具有较强的自适应性和较高的滤波精度.     

基于改进遗传粒子滤波与SME的多目标跟踪算法

针对基于对称量测方程的多目标跟踪,传统的滤波手段无法解决因对称变换带来的非高斯问题,提出一种新的遗传粒子滤波方法。新的滤波算法利用粒子的噪声含量与权值的负相关,改进了更新过程中权值计算所依赖的概率密度函数,避免了新量测噪声的求解。同时利用遗传算法的优势,保障了粒子的多样性,提高了粒子的使用效率,防止了滤波发散及局部最优。仿真结果表明,基于对称量测方程的多目标跟踪中,改进的遗传粒子滤波算法较扩展卡尔曼滤波算法、不敏卡尔曼滤波算法和联合概率数据关联滤波算法跟踪效果更好。     

火器控制中的噪声自适应滤波模型

本文从解决火炮随动系统需要的速度信号的滤波问题入手,经过对所研究的动态系统模型的选择,对卡尔曼滤波的简化,对滤波后的位置和速度误差方差与各种参数闻关系的分析、研讨,建立了模型噪声自适应滤波方法。在使用价值上,节省了硬件开销,满足了使用要求。在开发价值上,能满足各口径火炮随动系统对速度信号的要求,并适应于较宽一类动态系统的滤波。     

基于多传感器信息融合理论的无人机相对导航状态估计方法

为提升无人机的作战效能和作战指标,提升无人机的相对导航精度和导航系统可靠性,本文以无人机编队的相对导航系统为研究背景,基于容积卡尔曼滤波算法和信息滤波算法,研究了容积信息滤波算法。此外,还采用了多传感器信息融合理论,利用分布式信息融合结构构建了无人机相对导航滤波器,对来自惯导、视觉和卫星的信息进行融合,获取无人机间的相对位置、速度和姿态信息。该方法提升了无人机相对导航的导航精度、导航可靠性和滤波稳定性,容积信息滤波算法的应用避免了传统滤波算法在在高维系统中出现的数值不稳定以及精度降低等问题。论文还进行了相应的数学仿真,仿真结果表明该方法提高了无人机编队之间相对导航的精度和可靠性,证明了算法的有效性。