111个国家签署全面禁止集束炸弹国际协定

2008年5月28日,在爱尔兰首都都柏林举行的禁止集束炸弹国际大会上,来自111个国家的代表签署了一份关于全面禁止使用、生产、转让和储存集束炸弹的草案。这标志着禁用集束炸弹国际协定草案获得通过,国际社会全面禁止集束炸弹的努力取得里程碑式的突破。但是,美国、俄罗斯、印度、巴基斯坦和以色列等国没有参加此次会谈,而这些国家被认为是集束炸弹的主要生产和储存国。在这份草案中.各签约国承诺在任何情况下:①决不使用集束炸弹;②决不研制、生产、采购、绪存、保留、直接或间接转让集束炸     

基于UKF滤波的时差定位与跟踪

由于无源时差定位隐蔽性强,抗干扰性好,定位精度高,相对于测向时差联合定位需要处理的数据少,因此是网络雷达中最主要的定位方式.提出将UKF滤波算法应用到网络雷达的时差定位跟踪中.计算机仿真实验表明,应用UKF算法比以往EKF类算法在滤波性能上有明显的提高.     

利用星载相机成像信息进行卫星姿态确定的方法(英文)

随着卫星定姿精度要求的日益提高,仅用常规卫星敏感器已经不能满足高精度定姿要求,针对该问题,提出一种利用星载相机的单点成像信息进行卫星姿态确定的算法,根据相机成像原理推导出卫星姿态角与像点位置的关系,结合数字相机的特殊成像方式,建立了用误差四元数描述的线性相机测量残差模型,并给出联合常规姿态敏感器进行联合姿态确定的方案.仿真结果证明星载相机的信息的引入使得稳态姿态估计精度由0.002 6°提高到0.000 69°,并且加快了滤波收敛速度.     

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.     

导弹末制导中的目标机动估计

在空空导弹末制导段为了能更好地估计目标的逃逸机动,以满足制导要求,基于"当前"模型描述目标加速度,提出了一种利用相对速度估值差来调整目标加速度方差的算法.并在导弹-目标相对运动的三维空间内,由导弹对目标的速度测量值偏差调整状态噪声,并通过自适应扩展卡尔曼滤波实现对目标机动的估计.仿真结果表明,该算法在末制导中目标的机动估计精度要优于传统方法.     

惯导速度信息辅助的被动雷达导引头量测误差抑制方法

针对被动雷达导引头由于受空间限制测角精度不高的问题,提出了一种基于弹目信息状态变量的扩展卡尔曼滤波方法。通过弹目信息状态变量(弹目距离、弹目视线方位角、弹目视线俯仰角)描述弹目相对位置信息,利用惯导速度信息构建基于弹目信息状态变量变化率的弹目相对运动模型。所提方法充分利用信息资源,抑制导引头量测随机误差,对于提高导弹的打击精度和攻击效果,具有重要的实际应用价值,仿真试验证明该算法的有效性。     

基于尺度UKF小波网络的混沌时间序列预测

根据小波网络和Kalman滤波的特点,将小波网络的权重、平移因子和伸缩因子作为Kalman滤波的状态变量进行估计,提出一种训练速度快、泛化能力强的小波网络的尺度无轨迹Kalman滤波学习算法。然后,利用Rǒssler时间序列和变参数的Ikeda时间序列对该算法进行了验证。仿真结果表明,该算法预测混沌时间序列收敛速度快,预测精度高,而且在混沌时间序列的嵌入维数未知时也能取得较好的预测效果。可以胜任混沌时间序列的精确建模和预测任务。     

非线性滤波方法在水下目标跟踪中的应用

在对扩展卡尔曼滤波、不敏卡尔曼滤波和粒子滤波3种非线性滤波方法进行研究的基础上,对粒子滤波算法的重要性密度函数的选取方法进行了研究。结合水下目标的被动跟踪的应用背景,比较了3种滤波算法在水下目标跟踪中的性能差异。结果表明,粒子滤波算法能较好的用于非线性、非高斯条件下的水下目标跟踪。     

捷联惯导初始对准中H_∞滤波器参数优化研究

对H∞滤波在捷联导航系统初始对准中的应用进行了研究。通过仿真和实验验证了滤波器在初始对准中的性能,并对如何设置参数进行了研究。结果表明,H∞滤波在参数选取合适的情况下方位角收敛速度比卡尔曼滤波快。当参数选取不合适的时候,H∞滤波会发散。虽然H∞滤波可能提高方位角收敛速度,但它自身的鲁棒性可能被削弱。因此,在实际系统中,必须选取合适的参数以保证滤波器的稳定性和初始对准的速度。实际使用过程中,先把参数设置为一个很小的值,再逐步调大以寻找临界值来获得最优的性能。     

基于滤波算法的对比研究

在处理目标跟踪的过程中,为了与实际接近,动态系统的模型选为非线性,而滤波算法采用非线性系统的滤波方法。在介绍了三种非线性滤波算法(EKF、UKF、PF)的原理和实现的同时,说明了各自适用的范围,以便针对不同问题采取比较便捷的算法来有效地实现算法在实际中的应用。EKF适用于线性化过程中系统对高阶项要求较小的情况下,UKF适用在噪声服从高斯分布的情况下,PF则适用与非高斯分布的情况下。此外,通过实例对三种算法分别进行了跟踪仿真实验,表明UKF、PF算法精度要比EKF算法高,UKF、EKF的实时性比PF好,PF的计算量相对较大。