传感器失效下飞控系统的容错H_∞滤波器设计

研究了传感器失效下飞控系统的容错H∞滤波器的设计问题。将未知有界的传感器故障矩阵转化为一类动态区间矩阵,在给定允许的失效范围内,提出了保证滤波误差系统的渐近稳定性同时对于外界干扰具有期望的H∞扰动衰减度γ的容错H∞滤波器设计方法。最后,以Navion飞机在海平面平飞的纵向小扰动线性系统为例验证了提出方法的有效性。     

基于KALMAN滤波的两种多传感器观测融合方法

目前有两种基于K a lm an滤波的多传感器观测融合方法,方法1是将观测向量的维数增加,获得扩展观测向量。方法2是在最小均方误差准则下,对不同传感器间的观测向量进行加权运算,获得与单个传感器相同维数的观测向量。通过对滤波器的状态估计误差协方差的分析和相关数学表达式,给出了两种方法的对比。仿真结果表明,当两个传感器的观测矩阵相同时,两种方法在功能上等价,但方法2的运算复杂度低。当两个传感器的观测矩阵的维数相同,但其值不相等时,方法1优于方法2。当两个传感器的观测矩阵的维数不同时,只能用方法1,而方法2失效。     

一种新的动态信道化接收机设计方法

针对复杂电磁环境中存在多个非均匀分布的、不同带宽的信号的情况,提出一种新的动态信道化接收机设计方法。设计一个半带滤波器,并通过内插运算压缩它的频率响应,形成周期频谱;对输入信号进行滤波,同时使原信号经过一定延迟后减去滤波后的信号,形成两路在频谱上互补的信号;用均匀分析滤波器组对得到的两路信号分别进行滤波分解处理,实现监视频段的均匀信道化;根据能量检测结果将属于同一信号的相邻子信道信号作为下一步重构处理的输入,并设计出相应的综合滤波器组提取信号。理论分析和仿真结果验证了新方法的有效性。     

一种高超声速飞行器组合导航新方法

针对传统INS/CNS/GNSS组合导航3个异质传感器进行信息融合主滤波器易发散以及高超声速飞行器的特性,设计了由惯导与卫星导航深组合构成子滤波器1、惯导与间接敏感地平天文导航构成子滤波器2的SINS/CNS/GNSS组合导航新方法;详细推导了基于联邦滤波的位置、速度、姿态组合算法的观测矩阵的具体形式,最后对系统进行了仿真.仿真结果表明,该方法实现了精度和可靠性的有效一致,位置、速度和姿态精度较高,而且滤波器比较稳定.     

直角坐标系统中的观测误差相关函数解析分析

在火控系统中,目标坐标的测量是在球坐标系中进行的,而解相遇问题是在直角坐标系统中进行的,为了设计出火控系统最优滤波器,需要获得直角坐标系中观测误差的相关函数。利用随机变量的特征函数和欧拉公式,首先推导了完整的直角坐标系统中的观测误差的相关函数,在此基础上根据实际条件依次进行了4步合理简化。最后,通过实例计算,分析了相应的简化可能造成的滤波精度损失,为实际的火控系统设计提供了依据。     

多导弹协同目标参数估计的EKF设计

针对多枚导弹协同对抗来袭目标的情形,为增强导弹的可观测性和目标信息估计精度,基于扩展Kalman滤波方法,完成了多导弹仅有视线角度量测情况下的协同滤波器的设计。通过适当的系统建模和坐标转换,将其他导弹的量测信息转化为自身的伪量测,增强了导弹的可观测性,从而大幅提高了对初始弹目相对距离误差的鲁棒性和系统状态的估计精度。基于Monter Carlo试验法的200次仿真结果也表明所有状态的估计误差在统计意义上都是收敛的。     

一种色噪声下的自适应Kalman跟踪滤波器

有色噪声干扰情况下非线性系统的状态估计是许多实际工程需要解决的问题.该文章针对传统Kalman滤波器噪声统计特性未知时,受色噪声的影响精度严重降低,甚至出现发散等现象,设计了一种基于神经模糊网络的自适应的Kalman滤波跟踪器.该滤波器通过利用神经模糊网络作为误差估计器,估计出Kalman滤波器的估计误差,从而对Kal...     

多传感器量测融合算法的性能比较

归纳三类多传感器量测融合算法,即扩维滤波法、伪序贯滤波法和复合量测滤波法。采用协方差分析的方法比较各类算法的滤波精度,证明它们均能在各自给定的条件下实现线性最小均方意义上的最优滤波。仿真实例对各类算法的计算量和灵活性等性能进行比较,结果表明扩维型信息滤波器的计算量最小、灵活性最高,扩维型Kalman滤波器、伪序贯滤波器的计算量较大,而两种复合量测滤波器对各传感器的量测矩阵有一定要求,以致灵活性较差。所得结论对量测融合算法的实际应用具有一定的指导意义。     

动态加权的一致性多传感器数据融合算法

研究现有多传感器的加权融合算法,针对时变非线性系统状态估计的有效融合问题,提出了一种基于动态加权的一致性多传感器数据融合算法.对于多传感器量测,首先利用Unscented 卡尔曼滤波器得到局部状态估计值,然后基于层次分析法思想,构建反映局部状态估计结果相互支持程度的一致性矩阵,充分提取数据中蕴含的冗余和互补信息,最后通过对一致性矩阵的求解实现对权重的合理选择.经过蒙特卡罗仿真验证了该算法的有效性.     

最优滤波的综合方法

与用于现代最优滤波理论中的解析方法相反,本文介绍一种综合方法。由计算机模拟或者实际实验产生的信号的传感器数据,通过训练一个递推多层感知机(RMLP)而综合到一个滤波器中,其中多层感知机至少具有一个隐蔽层,其神经元完全或部分内连,有或者没有输出反馈。 经过适当训练后的递推多层感知机,对于给定的结构是一个递推的最优滤波器,在每一个时刻,包含最优条件统计量的延滞反馈。最重要地是,随着隐蔽层神经元数的增加,它收敛于最小方差滤波器。我们称这种RMLP为神经滤波器。 模拟结果表明:只有少数隐蔽神经元的神经滤波器,对于所研究的简单非线性信号/传感器系统,它始终胜过广义卡尔曼滤波器,甚至迭代的广义卡尔曼滤波器(IEKF)。     

高阶控制导弹自适应滑模制导律

为改善制导精度,提高对目标信息滤波器估计误差的鲁棒性,提出了一种滤波器加自适应滑模制导律的设计方法。滤波器提供制导律执行所需的必要信息,如目标加速度等,而自适应滑模制导律进一步增强对信息估计误差的鲁棒性,同时由于采用了自适应设计,避免了对干扰或误差上界保守估计所带来的制导性能损失。滤波器和滑模制导律从一般意义上进行设计,可适用于拦截导弹和目标具有高阶控制动态的情形。基于Monter Carlo法进行了仿真验证,结果表明相比于最优制导律具有较强的鲁棒性和制导性能优势。     

用IMMPDA固定延迟平滑算法对杂波环境下机动目标的多传感器跟踪

本文对于在杂波环境下用多个传感器跟踪一个高度机动目标提出了一个次优的固定延迟平滑算法。此固定延迟平滑算法是把基本的交互式多模型方法(IMM)和概率数据互联(PDA)技术应用到扩展状态系统上发展而来的。在过去这种方法只使用在确切考虑量测来源(即无杂波)的马尔科夫开关过程上。本文通过对一个高度机动目标跟踪的仿真例子来说明这个算法,其中仿真假设有两个传感器:一部雷达、一部红外,都作用在密集环境下。提出的平滑算法引进了在估计时刻与最新量测之间的一个短时延迟,使得在航迹估计精度上与已有的IMMPDA滤波算法相比,有了显著地提高。而且其计算量只是随着延迟时间线性增长。然而,在一些应用中跟踪的延迟可能导致在控制闭环中产生不希望有的影响。     

基于矢量分配的组合导航容错联邦滤波算法

针对高动态环境下飞行器组合导航系统因不确定故障导致导航精度下降的问题,提出了一种基于矢量信息分配的容错联邦滤波算法。设计矢量形式的故障检测函数,对各观测量进行单独的故障程度划分,克服了将故障子系统所有观测量同时隔离的缺陷；根据观测量是否异常,重构时变量测噪声矩阵和信息分配矢量系数,对子滤波器的状态变量进行信息分配,在隔离故障子系统异常观测量的同时,最大限度地利用正确观测信息。仿真结果表明,采用该算法能够充分发挥各导航子系统的优势,极大提高了导航子系统信息利用率,具有较高的精确性和容错性。     

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H∞滤波的无序量测更新算法

在目标跟踪系统中,传感器量测因通信延迟无序地到达融合中心,产生无序量测融合问题。针对此问题,将H∞滤波作为基础滤波算法,提出了一种可处理单步或多步延迟无序量测的新算法。新算法借鉴有序滤波思想,利用等价量测来代替无序量测发生时刻后的量测序列,然后从该时刻起利用无序量测和等价量测进行有序更新。仿真实验表明,新算法相比于传统算法有更高的滤波精度,尤其在系统模型误差较大时仍有良好的滤波效果。     

连续动态贝叶斯网络实现多传感器融合跟踪

利用多传感器数据进行目标跟踪,关键是怎样将多传感器的数据合理应用来对系统的状态做出最佳估计。提出应用连续动态贝叶斯网络的方法,结合卡尔曼滤波器模型,实现用多传感器数据进行目标跟踪的方法,并对算法进行了推导和验证。仿真结果证明了提出的多传感器数据互相修正融合滤波方法具有良好的滤波效果,并能够弥补传感器数据缺失和抑制脉冲噪声。     

神经网络辅助多目标跟踪数据融合

多目标跟踪(MTT)算法包括卡尔曼滤波和数据关联算法等,而数据关联算法又是最重要、最困难的方面.联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增.提出了一种改进的方法,一方面将神经网络引入到卡尔曼滤波器中,提高滤波器的自适应能力,减小卡尔曼滤波器的估计误差从而改善多目标跟踪精度;另一方面用神经网络辅助JPDA提高正确关联概率,减小计算量.经仿真研究表明,该方法是行之有效的.     

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。     

统计线性化无序量测更新算法

在实际的多传感器系统中,由于各种传感器具有不同的采样率,预处理时间,以及数据通信延迟,因而会出现多个传感器量测不同步到达融合中心的现象。进一步地,当较早时刻产生的量测在较晚时刻产生的量测之后到达融合中心时,无序量测问题就出现了。针对离散时间非线性系统,提出基于统计线性化固定点平滑器的最佳统计线性化无序量测算法,它可以处理单步和两步延迟(甚至多步)无序量测,且能达到与重新滤波法相同的估计精度。     

基于局部估计误差相关的多传感器异步航迹融合

由于不同传感器采样率不同、工作起始点可能不同、通信延迟和本身固有延迟等原因,使得研究多传感器异步融合比同步数据融合更贴近实际需求,且通常情况下,各传感器局部估计误差是相关的,利用融合中心状态融合误差协方差阵迹最小准则,提出了一种局部估计误差相关的多传感器异步航迹融合算法,并从理论上进行了推导,最后通过仿真验证了该算法的...