序贯滤波在双站无源定位中的应用研究

自卫噪声干扰条件下,制导雷达失去距离信息,无法完成对目标的跟踪任务.双站无源交叉定位是对抗自卫噪声干扰的一种常用手段,但存在计算量大、信息传输延时大等问题.提出双站序贯滤波方法克服交叉定位存在的不足,证明了序贯滤波的可观测性,仿真结果验证了提出算法的正确性.     

基于ADIS16375的误差补偿在姿态解算中的研究

在捷联惯性导航系统姿态解算的过程中,陀螺仪器件自身测量精度起到了重要作用。在ADIS16375元器件进行了工厂级校准和提供可选择滤波器库的基础上,针对影响姿态解算精度的最主要的两类误差:固定零偏和随机噪声,建立一种简单实用的特性模型。分别对固定零偏进行校正和采用小波滤波对陀螺仪误差进行补偿。试验结果表明陀螺仪误差补偿在静止状态零偏稳定性和角度漂移抑制方面有显著提高,而运动过程中在对角度漂移抑制的同时也提高了姿态解算精度。     

基于免疫粒子群文化算法的数字电路故障诊断

为改善粒子群算法摆脱局部极值点的能力,提升种群进化的多样性,将免疫算法中免疫机制引入到粒子群算法中形成免疫粒子群算法;为有效提高故障覆盖率和缩短测试生成时间,将免疫粒子群算法引入文化算法框架中形成免疫粒子群的文化算法。将其应用于数字电路故障模型仿真实验并与其他测试生成算法进行对比,结果表明该算法能够有效提高故障覆盖率,缩短测试生成时间,在大规模电路测试生成与故障诊断中更具优势。     

基于混沌双扰动的CDDP SO-BP目标威胁估计方法?

信息化条件下的战场环境对目标威胁估计技术提出了越来越高的要求。提出一种基于混沌双扰动的CD?DPSO?BP目标威胁估计方法,该方法针对粒子群算法在进化过程中易出现早熟和寻优结果不稳定的缺陷,基于Tent映射提出混沌双扰动的思想,并加入粒子群算法的进化过程,实现对粒子群算法的改进;之后,利用该新算法训练BP神经网络的初始权值和阈值,建立目标威胁估计模型和算法;最后,将该方法应用于实例中进行仿真,结果表明该目标威胁估计新算法具有较高的准确度。     

侧壁激波诱导下凹腔燃烧室冷态流场实验观测

在单凹腔燃烧室中引入侧壁激波,为研究燃烧室内部流动特性,采用纳米粒子平面激光散射技术和粒子图像测速技术对全尺寸玻璃燃烧室模型进行流场观测,获得了冷态流场展向和法向的瞬态灰度图及平均速度场。实验结果表明:在远壁面区域,凹腔内部速度与密度都较低;引入侧壁激波后,近壁面区域凹腔与主流的质量与动量交换增强,速度与密度升高;受到侧壁激波影响,燃烧室底壁边界层不再均匀,凹腔中后部产生大规模低速区,具有明显三维特性。     

采用粒子滤波的雷达波束方位指向估计

传统方位指向估计方法难以适应天线扫描速度变化的情形,为此建立波束方位指向估计的状态空间模型,并引入粒子滤波技术对状态变量进行估计。粒子滤波是非线性和非高斯情形下进行状态估计的强有力算法,采用粒子滤波的雷达波束方位指向估计算法具有良好的性能,能够适应天线扫描速度变化的情形。仿真实验验证了所提算法的适用性和有效性。     

SS-IUKF算法及其在成像声纳组合导航中的应用

利用成像声纳对海底进行探测时需要高精度的导航信息。针对导航高维滤波问题,文中在球面单形sigma点变换的基础上,将其与迭代UKF相结合,提出了球面单形迭代无迹卡尔曼滤波(SS-IUKF)算法,并应用于捷联惯性导航系统(SINS)/多普勒流速剖面仪(ADCP)组合导航系统。仿真结果表明,SS-IUKF算法相比UKF、SR-UKF、EKF算法提高了滤波精度和计算速度,具有一定的工程应用价值。     

面向多平台多目标协同跟踪的指派问题

针对多平台多目标协同跟踪中要求多个无人地面平台尽可能均匀地协同跟踪多个目标的特点,提出了改进的离散粒子群优化算法。首先采用连续型粒子群优化算法中的速度和位置迭代公式,然后对粒子位置进行离散编码,使粒子编码对应于可行的指派方案;其次,在优化算法中引入局部搜索,提高算法寻优性能。最后将所提算法应用于多平台多目标协同跟踪中的指派问题,并与未加入局部搜索的粒子群优化算法比较,仿真结果表明,加入局部搜索后的离散粒子群优化算法具有较好的寻优性能。     

基于改进QPSO-NN的冗余机械臂逆运动学算法

针对某种冗余机械臂逆运动学求解的问题,提出了一种基于改进量子粒子群神经网络的求解算法。以冗余机械臂末端位姿为输入,经神经网络求得其逆解;针对神经网络输出结果误差较大的问题,把神经网络求初值加入初始化的粒子群中,通过基于Metropolis准则改进量子粒子群算法,避免了量子粒子群算法的早熟现象;以关节坐标经正向运动学求得的末端位姿和期望位姿的误差为适应度函数,对机械臂关节坐标迭代寻优。仿真结果表明该方法结合了神经网络算法的快速性和改进量子粒子群算法的精确性,满足求冗余机械臂逆运动学问题的速度和精度要求。     

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。