一种改进的强跟踪滤波算法的推导及仿真验证

针对一般强跟踪滤波算法(STEKF)在光纤陀螺动态输出滤波过程中存在跟踪效果不好的缺陷,分析推导一种新的强跟踪滤波算法(ISTEKF),使其能够克服原先算法存在的缺陷,并利用光纤陀螺动态输出数据进行仿真验证,滤波结果表明ISTEKF算法能够达到很好的跟踪效果,且具有较强的自适应能力。     

基于二阶锥规划的MIMO雷达稳健自适应波束形成

针对MIMO雷达自适应波束形成中期望目标导向矢量的失配问题,提出了一种基于二阶锥规划(SOCP)的稳健自适应波束形成算法。该算法首先将1个MN维(M,N分别为发射和接收阵元数)的权矢量分解成2个低维(1个M维和1个N维)权矢量的Kronecker积,然后分别限制实际的目标发射导向矢量和目标接收导向矢量与假定的导向矢量之间的误差范数的边界,通过优化最差性能,利用SOCP求得分解后的2个权矢量,最后再合成原权矢量。通过降维处理,算法在保证波束形成器性能的基础上,有效地降低了运算复杂度。仿真结果验证了算法的有效性。     

用于目标跟踪的自适应广义调频波形设计算法

提出了一种用于雷达目标跟踪的自适应广义调频波形设计算法。该算法根据跟踪器的动态需求,以广义调频信号为样板波形自适应设计下一时刻的发射波形,其目的是使预测的目标跟踪均方误差最小化,并假定高信噪比条件,且目标跟踪运动模型和观测模型均为线性。利用与某一波形相对应的克拉美-罗下限(CRLB)以及卡尔曼滤波器,通过最小化预测的跟踪均方误差来实现广义调频波形的自适应设计。仿真结果表明:在信噪比相同的情况下,与使用固定参数、自适应参数的线性调频波形设计算法相比,所提出的算法能够获得更低的目标跟踪均方误差。     

一类不确定时滞混沌系统的全局鲁棒自适应神经网络同步控制器设计

研究一类不确定时滞混沌系统的全局鲁棒自适应神经网络同步控制器设计,其系统中的不确定时滞项不是简单的线性有界条件,而是允许其存在高阶项,因此具有全局特性．在控制器的设计上;首先通过选取合适的径向基函数（RBF）神经网络的权向量去逼近时滞系统中的未知连续有界部分;然后在RBF神经网络输出的基础上,选用一个鲁棒自适应控制器来趋近时滞系统的不确定部分;同时,利用Lyapunov稳定性理论对混沌同步的条件给出了论证;最后,数据仿真的结果表明该方法的有效性．     

改进的斜投影极化滤波方法

针对脉冲体制雷达抗干扰的需求,综合利用卡尔曼滤波技术、斜投影极化滤波技术和时域对消技术,研究了一种改进的斜投影极化抗干扰方法．首先利用卡尔曼滤波技术估计干扰的极化状态参数,在目标极化状态未知的情况下求得斜投影算子,再利用求得的斜投影算子提取出干扰信号,然后利用时域对消技术将原始信号减去干扰信号即得到纯净的目标信号．仿真结果表明,卡尔曼滤波技术可快速准确地估计出于扰极化参数,改进的斜投影极化滤波方法可大幅度抑制干扰,并保持了目标信号的幅度和相位不变性．     

基于实值离散Gabor变换的阶比跟踪滤波

提出了基于实值离散Gabor变换的阶比跟踪滤波方法．分析了阶比跟踪滤波为时频滤波的实质,给出了如何通过实值离散Gabor变换实现阶比跟踪滤波的步骤．通过对仿真信号阶比跟踪滤波前后的时频分布、阶比谱和时域信号对比,证实本方法能有效滤除阶比混叠成分．通过延长信号两端采样长度的方法可以消除阶比跟踪滤波后端点的误差．     

大攻角下基于卡尔曼滤波的大气参数修正算法

针对新一代航空飞行器在大攻角飞行时大气数据系统测量精度严重下降问题,提出了基于卡尔曼滤波的大气参数修正算法。该算法利用大气数据测量信息和惯性导航信息,基于飞行器力学方程构建卡尔曼滤波器,通过卡尔曼滤波的方法实现对大气参数的修正。仿真结果表明,经卡尔曼滤波修正后的大气参数能够有效消除大攻角下原始大气参数的剧烈波动性误差,并与真实大气参数吻合较好,有效的提高了大气数据系统在大攻角飞行状态下的测量精度和可靠性。     

有源无源复合干扰机理与效能分析

有源无源复合干扰综合战机自卫电子对抗系统资源,可降低敌雷达的跟踪辐射源、多普勒频率滤波的抗干扰措施效能。通过干扰信号功率、多普勒频率偏移等参数分析这种复合干扰的干扰机理,并对几种可能产生的干扰效果进行了比较,结果表明相对传统的有源干扰、无源干扰,这种复合干扰有独特的干扰效能,可增强自卫干扰效能,提高战机生存能力。     

基于联邦卡尔曼滤波的组合导航定位算法

在传统的GPS/INS紧耦合组合导航系统中,由于伪距和多普勒频移误差的存在,系统存在一定的误差偏移。针对这种误差偏移,设计了一种联邦卡尔曼滤波组合导航算法,该算法采用二级卡尔曼滤波器,将卫星接收模块解算出的伪距信息和多普勒频移信息在第一级卡尔曼滤波后,与INS模块结算出的信息进行修正处理,再通过主滤波器得到紧耦合算法的INS解算结果校正量和定位位置最优估计。通过计算机仿真结果分析表明,该方法相对于传统的紧耦合组合导航算法可以有效减小误差,具有一定的理论价值和实用价值。     

A mathematical programming approach for improving the robustness of least sum of absolute deviations regression

This paper discusses a novel application of mathematical programming techniques to a regression problem. While least squares regression techniques have been used for a long time, it is known that their robustness properties are not desirable. Specifically, the estimators are known to be too sensitive to data contamination. In this paper we examine regressions based on Least‐sum of Absolute Deviations (LAD) and show that the robustness of the estimator can be improved significantly through a judicious choice of weights. The problem of finding optimum weights is formulated as a nonlinear mixed integer program, which is too difficult to solve exactly in general. We demonstrate that our problem is equivalent to a mathematical program with a single functional constraint resembling the knapsack problem and then solve it for a special case. We then generalize this solution to general regression designs. Furthermore, we provide an efficient algorithm to solve the general nonlinear, mixed integer programming problem when the number of predictors is small. We show the efficacy of the weighted LAD estimator using numerical examples. © 2006 Wiley Periodicals, Inc. Naval Research Logistics, 2006