具有落角约束的对地攻击自适应变结构导引律

针对空对地攻击武器对地面目标的精确打击问题,提出了一种带落角约束的自适应滑模变结构末制导律。该制导律在自适应滑模导引律的基础上,引入落角约束项,可以满足制导精度和落角的双重要求。仿真结果表明,该制导律对地面活动目标的攻击既具有较高的制导精度,又可以满足落角要求,对空地精确制导武器的作战使用具有指导意义。     

组网雷达的改进粒子滤波算法

针对现代战争中有源雷达容易受到干扰和反辐射导弹的摧毁,以及无源雷达隐蔽性高,只能测量方位角度,测量精度小等特点,提出利用集中式有源雷达系统与无源雷达系统协同组网对目标进行跟踪。但是在实际环境中,噪声属性以及有源雷达,无源雷达接收信号的特点决定了组网雷达需要应用非线性滤波技术对信号进行处理。传统的非线性技术包括卡尔曼滤波、扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)等方法。非线性近似过程带来的误差相对较大,而且均要求观测噪声和过程噪声为独立或相关的高斯白噪声。而粒子滤波避免了传统非线性滤波方法的缺陷,但是存在粒子退化,于是用EKF和UKF在每一时刻更新粒子,用更新的粒子及其协方差构造重要性函数,然后重采样。仿真实验表明这两种改进粒子滤波方法有很好的效果。     

高斯马尔可夫融合算法在卡尔曼滤波中的应用

针对目前常用的按标量、对角阵、矩阵加权融合方法过程较复杂,计算负担较重的问题,结合三维目标跟踪模型提出一种高斯马尔可夫融合方法来融合卡尔曼滤波估计值,不需要计算局部稳态滤波误差互协方差,只需要知道传感器的观测噪声方差就可以了。计算方法和操作相对简单,省略了很多繁琐步骤也能达到不错的滤波融合效果,通过仿真证明了此方法的可行性和高效性。     

基于组合牛顿迭代法的改进IEKF及其在UNGM中的应用

从高斯-牛顿迭代的角度对迭代扩展卡尔曼滤波(IEKF)进行分析,提出了一种基于组合牛顿迭代法的改进IEKF算法。该算法通过实时判断每次迭代对状态的逼近程度,采用加权平均的方法确定新的迭代值,继而采用卡尔曼滤波框架对状态进行量测更新。新算法较传统的IEKF具有精度高以及对初值不敏感的优点。实例仿真验证了该算法的有效性。     

汽源参数变化对储汽筒充汽系统变工况性能的影响

对储汽筒充汽系统变工况性能进行分析,是系统控制策略研究的重要环节。基于变质量热力学及粘性流体动力学理论,分别建立了系统各组成单元的数学模型;提出了一种基于共同运行参数作为初始迭代点的系统模型求解方法:先初定各组成单元的共同运行参数(即瞬时充汽流量),然后依据该初定值计算给定控制策略下的系统各性能参数,并通过迭代计算调整初定值,直至满足系统的用汽要求。在此基础上,针对用汽源参数对系统变工况性能的影响进行了仿真计算。仿真结果表明:汽源蒸汽温度对系统变工况性能影响较小;而汽源蒸汽压力减小,会造成系统在原有控制策略下储汽筒终了压力将达不到用汽要求。     

折腾不少，新意不多 美国防务新战略在变与不变间找平衡

1月5日,美国国防部几经折腾,终．于出台了2012年美国“防务战略大纲”。新大纲公布之日,美国总统奥巴马、国防部长帕内塔、国务卿希拉里·克林顿等“三巨头”,都围绕大纲精神发表了专题演讲,足见美国政府对其最新“防务战略大纲”所寄予的厚望。     

动态威胁环境下单无人机测向定位航迹优化算法

为解决单架无人机在动态战场环境下的测向定位问题,提出了一种基于动态窗口法的单机测向定位航迹优化算法。以最大化Fisher信息矩阵行列式为测向定位评价准则,在由动态探测雷达和静/动障碍构成的动态战场环境中,基于动态窗口法思想,将测向定位航迹优化评价准则由传统的单步最优原则扩展到对多步预测航迹的评价,同时考虑雷达探测和静/动障碍环境对预测航迹的影响,通过滚动时域方法控制无人机最优航向。仿真结果表明,所提方法能够使无人机在有效逃避雷达探测威胁以及规避环境中静/动障碍的条件下保证对目标的高精度测向定位,为解决动态战场环境下的单架无人机测向定位问题提供了新思路。     

基于AKF的AUV对接回收组合导航研究

针对自主水下机器人(Autonomous Underwater Vehicle,AUV)在回收过程中的组合导航精度问题,提出了一种改进的高斯距离迭代法及改进的自适应卡尔曼滤波算法(Adaptive Kalman Filter,AKF).基于AUV回收对接系统,研究并建立了针对惯导SINS、超短基线USBL、多普勒计程仪DVL和深度计的基于斜距的组合导航模型.通过对SINS/USBL/DVL/深度计组合导航量测信息误差特性分析,设计了改进的基于斜距的SINS/USBL/DVL/深度计组合导航模型;针对该模型突出的滤波发散问题,设计了基于滤波收敛性判据和强跟踪滤波思想改进的AKF滤波算法进行有机融合.仿真结果表明,此研究使实际AUV系统具有更高的滤波精度和可靠性.     

基于变分模态分解的非稳态备件需求预测方法

备件需求量的预测是备件配置的重要内容,针对当前装备备件需求非稳态的特点,提出一种基于变分模态分解的备件需求预测方法.运用变分模态分解将非稳态备件需求序列分解为若干模态分量,引入模糊熵的概念,将周期性、随机性和长期性特征明显的模态分量进行有效聚合,提高计算效率,进而运用预测效果较好的径向基神经网络预测法对聚合后的模态分量分别进行预测,将各分量预测结果进行整合形成最终的备件需求预测值.通过案例分析与实验对比,结果表明提出的方法能够有效挖掘非稳态备件需求序列的深层次信息,实现非稳态备件需求序列的较好拟合,并与其他非稳态时间序列预测方法对比具有较高的预测精度,为适应新时代实战实训背景下备件需求的特点提供了有效的方法支撑.     

一种有视线角约束的模糊变系数变结构制导律北大核心

针对有末端视线角约束下拦截高速机动目标的场景,设计了一种模糊变系数变结构制导律。提出了一种自适应变结构制导律,制导律可以根据弹目距离自适应调整趋近滑模面的速度;用饱和函数代替制导律中的开关项,有效消除了系统抖振。仿真表明,拦截高速非机动和高速机动目标,提出的变结构制导律均可以满足视线角约束和脱靶量要求,但需用过载较大。为解决需用过载较大的问题,引入模糊控制方法,设计模糊控制器对变结构制导律中的导引系数进行优化,得到了一种模糊变系数变结构制导律,可以满足视线角约束且有效抑制了系统的需用过载。