基于模型概率的多模型融合定轨建模及仿真

针对实际定轨系统中存在的不确定性和非线性性,提出了一种基于模型概率的多模型融合定轨方法.通过多个线性模型的组合来逼近卫星定轨复杂非线性时变过程,将卫星状态的最优估计与多模型融合方法相结合,利用残差的大小来设计性能指标函数,给出了两种模型概率的表示形式,并建立了多模型融合估计相应的算法.仿真结果表明,与单一模型定轨方法相比,该方法不仅能大大提高卫星定轨精度和可靠性,而且还可以最终辨识和估计模型参数的真值,且对外界环境发生的变化有很强的自适应能力.     

基于星敏感器/陀螺组合定姿建模及精度仿真

首先讨论了卫星姿态确定原理的建模问题,针对星敏感器/陀螺组合配置的定姿系统,详细分析了动态滤波算法原理,推导了星敏感器观测矩阵及误差四元数状态方程,进而建立了使用Kalman滤波方法进行姿态确定的整个过程;并基于该滤波算法,讨论了姿态确定系统的最终定姿精度的分析与综合评估问题,从理论分析和仿真验证两方面确定了影响姿态确定精度的主成分误差因素,定量描述了误差因素的影响范围,并针对实际工程指标完成了主成分因素的边界条件,为姿态测量方案的设计提供了理论支撑.     

非标准多传感器信息融合下的状态融合估计

给出了标准多传感器观测信息的统一融合模型,在此基础上分析了传感器观测系统参数对最优融合估计性能的影响.针对存在量测系统误差的非标准多传感器融合系统,构建了一种有效的系统误差参数估计模型.此外对传感器问具有不同非线性误差成份的融合系统,提出了一种基于互迭代自适应半参数的状态融合估计算法.该算法通过对非标准多传感器融合模型误差的补偿,利用线性和非线性迭代的方法来提取非线性因素,进而确定状态的最优融合估计.给出了应用该算法的具体步骤,并通过理论分析与仿真实验证明了该算法的有效性.     

基于小波变换的轨道摄动时间序列建模及仿真

卫星摄动分析是卫星定轨的关键。卫星摄动变化规律复杂,直接影响定轨精度和计算效率。在摄动力分类和轨道摄动偏差统计分析的基础上,给出了一种基于小波变换的卫星轨道摄动时间序列分析建模方法。研究了基于小波变换的卫星轨道摄动偏差特征提取方法,能够对轨道摄动偏差做出很好的预测和噪声平滑;采用时间序列分析方法,构造了摄动偏差残差的统计模型;建立了基于卫星轨道摄动偏差残差AR（2）平稳时间序列表示的稀疏参数化卫星摄动的精确模型,达到对卫星轨道进行有效预测的目的。     

国内外一流《系统科学》专业与课程设置综述

作为以系统思想为中心的一类新型科学群,系统科学具有明显的学科横断性和交叉性。本文对国内外一流系统科学专业及研究生课程设置现状进行了系统地梳理与综述,包括学科研究方向、课程内容设置、核心知识体系等,分析了国内外优势系统科学专业课程设置及学科研究的主要特色,为国内系统科学学科建设及课程改革提供参考与借鉴。     

基于半参数回归的联合定轨误差估计仿真算法

通过对联合定轨非线性影响因素特征的分析,提出了一种参数建模与非参数分量表示相结合的联合定轨非线性半参数回归建模方法。首先讨论了联合定轨模型及常值系统误差估计算法,在此基础上建立了一种广义非线性半参数回归联合定轨模型,设计了相应的卫星轨道参数、系统误差参数及模型误差估计算法,并从理论上证明了半参数模型轨道估计精度优于经典最小二乘轨道估计精度。仿真计算结果表明,广义非线性半参数回归联合估计方法能将模型误差和随机误差有效分离,同时联合定轨精度也得到了进一步的改善,从实际应用角度验证了半参数回归联合定轨建模方法的合理性和可行性。     

基于UKF神经网络的姿态测量信息融合算法

针对融合系统建模误差、噪声统计特性不精确性和环境的动态变化性致使传统联合滤波过程中融合权值难以确定,引入人工智能中的神经网络,提出了基于神经网络的多信息自适应智能估计融合算法研究;利用神经网络的自适应能力对状态估计融合结果进行实时辅助补偿和修正,将非线性最优估计与神经网络技术相结合,重点研究了基于UKF的神经元融合权重在线自适应学习算法,以便在缺少准确局部子滤波器协方差信息情况下,仍能使全局估计融合结果最优,从理论上证明了UKF学习算法优于传统EKF学习方法,并以卫星多姿态测量信息融合定姿系统为例,给出了计算实例和结论分析,表明了所提出的模型与算法在实际应用中的有效性。

Abstract：

The fusion weight of traditional Federal Kalman Filter is difficult to be determined because of the fusion system modeling error,the inaccuracy of noise statistic characteristics as well as the dynamic variability in the fusion filtering process.In order to solve this problem,a self-adaptive fusion estimation algorithm for multi-information measurement based on neural networks was presented,which used the self-adaptive ability of neural networks to make real-time compensation and amendment for the state fusion estimation results.Combining a nonlinear optimal estimation with neural network,an online adaptive training algorithm for the weights of neuron based on Unscented Kalman filter （UKF） was researched,which could still realize the optimal fusion for the global estimation even if the accurate covariance information of each local sub-filter were absent.The performances of UKF training algorithm and the traditional EKF algorithm were analyzed and compared,and moreover taking the multi-information fusion system for satellite attitude determination as the experimental example,the simulation calculation and analysis were advanced,which show that the presented models and algorithms are effective in the actual application.