直升机航迹滤波与预估研究

结合武装直升机在巡航或搜索地面目标的特点 ,给出直升机航迹模型为协方差平稳随机模型。根据声探测方式 ,推出了测量模型。对直升机航迹进行卡尔曼滤波与预估 ,最后对航迹进行了仿真研究。     

使用常速和常角速度模型跟踪机动目标

常速模型和常加速模型经常用作跟踪滤波器的运动模型。如果目标转弯,由于真实目标与这些模型之间的不一致,这些滤波器不能给出完整的性能。为了解决这一问题,在本文中我们提出在跟踪滤波器中使用常速模型和常角速度模型。这种模型与实际目标运动有着比较好的一致性。文中通过计算机仿真进一步证实了它的有效性。     

用能量法确定层状复合材料疲劳裂纹的扩展方向

含裂纹体疲劳寿命的预测,必须首先了解裂纹扩展路径的全过程,而在层状复合材料中,裂纹扩展的路径非常复杂,不仅可以拐弯,而且可以分叉.因此,首先提出一个简单、适用、统一的裂纹扩展方向的相对强度准则,即应变能释放率比值判据;然后,利用有效解决高梯度问题的数值方法--任意线法,对实测试件的关键时刻(例如,拐弯或进入界面),进行了数值分析;并对典型试件进行了疲劳断裂实验研究.3方面的结果,得到相互的验证.这种一致性,不仅初步证明了这一方法的正确性和适用性,而且为疲劳裂纹扩展全过程的解决,提供了必要的基础.     

GPS姿态测量系统对惯性导航系统误差修正能力分析

针对惯性导航系统(INS)存在积累误差的缺陷,运用GPS姿态测量辅助修正方法对INS误差进行补偿来进一步提高INS的定位精度.通过对INS系统可观测性进行分析,得出增加不同种类的外部导航信息观测量将有效提高INS误差修正能力的结论.研究了船用INS与GPS姿态测量系统组合的组合导航系统,并对GPS姿态测量系统信息对惯性导航系统的误差修正能力进行了仿真.仿真结果证实上述方法可有效提高INS的定位精度.     

陀螺/星敏感器组合技术在卫星姿态确定系统中的应用

为了满足军用卫星姿态测量高精度的需要,提出了基于状态估计法的陀螺仪和星敏感器组成的卫星姿态测量系统的方案.应用广义卡尔曼进行状态估计,同时为了避免由非线性和小角度引起的计算误差,采用四元数法代替通常的欧拉角法进行计算,经分析得到该系统状态模型和观测模型.通过仿真证明,此方案能达到高精度军用卫星姿态确定系统的要求.     

基于微惯导随机误差时间序列建模的改进组合导航方法

针对低精度、低成本微机电惯性测量单元随机误差建模效果不理想会极大影响组合导航性能的难题,采用时间序列分析方法建立了微机电惯性测量单元随机误差的自回归滑动平均模型,通过对卡尔曼滤波器的状态变量进行增广,建立系统动力学方程和观测方程,实现对零偏误差的在线估计。实测数据分析验证了该随机误差建模的有效性。实测数据处理结果表明,该方法能够显著提高低成本微惯性解算外推精度,增强微惯性/卫星组合导航可靠性。     

基于扩展比例导引律的制导模型

针对常用比例导弹导引律制导命中率低的问题,分析了比例导引律、偏置比例导引律、修正比例导引律的制导性能,提出了一种基于扩展比例导引律的制导模型,经仿真表明,该导引律具有目标垂直和水平机动跟踪能力,提升了反导作战的机动能力和效率。     

基于自适应EKF的高动态载波跟踪算法

针对载波跟踪算法在大频偏或动态剧烈变化时易失锁的问题,提出一种无数据辅助情况下基于自适应R/Q扩展卡尔曼滤波(AEKF)的高动态载波跟踪算法。该算法在AEKF代替鉴相器和滤波器的环路结构基础上,引入两倍相位转换来消除数据位跳变的影响,并利用载噪比估计方法和基于加加速度的信号动态监测方法来修正观测噪声协方差(R)和系统状态噪声方差(Q),进而兼顾环路的跟踪精度和动态稳定性。实验结果表明:利用该算法的GPS软件接收机能够在加速度200 g,瞬间加加速度10 000 g/s的动态指标下正常工作。     

冗余捷联惯组信息容错管理算法

对于单机多表斜置冗余捷联惯组的故障诊断、隔离和重构,提出无迹卡尔曼滤波结合三交叉容错融合方法。考虑各误差项,对不同的冗余配置建立统一数学模型。通过三交叉重构模型的设计可快速隔离一度故障并输出正确结果,对被隔离的故障表各误差系数采用无迹卡尔曼滤波方法标定,可辨识因误差系数改变而引起的软故障。以单机五陀螺的两种误差系数软故障为例仿真验证了冗余捷联惯组信息容错管理算法的正确性。     

一种基于距离参数化CKF的单站无源定位方法

针对单站无源定位系统中,观测站机动导致的滤波精度降低问题,提出了一种基于距离参数化CKF的单站无源定位方法(range-parameterised cubature kalman filter smoothing, RPCKFS)。引入距离参数化的思想,结合观测站观测范围作为先验值,将观测范围划分为若干个区间,并赋予初始权重,在各个区间引入后向平滑容积卡尔曼滤波(cubature kalman filter smoothing, CKFS),利用各时刻的预测值与观测值的比值来更新区间权重,最后对各区间状态信息加权融合来实现目标状态的获取。仿真结果表明：该方法能够有效降低滤波全局对观测站机动的敏感性,提高滤波稳定性与定位精度。