基于完好性风险估计减少RAIM误警率方法

为了提供更精确的完好性服务,提出一种新型降低用户端自主完好性监测(receiver autonomous integrity monitoring, RAIM)误警率的方法。给出了定位误差与残差向量关系的新解释,基于最大定位误差完好性风险算法,提出了扩展正常检测区方法并进行故障检测,通过最大定位偏差保护限值提供故障检测的完好性保证,满足航段漏警率要求。最后,设计一种新的故障检测与故障识别准则,达到在不降低漏检率的条件下,减少误警率。算例表明该方法简单易行、有效。     

概率神经网络多历元残差RAIM算法

民用航空领域中，为提高接收机自主完好性监测(receiver autonomous integrity monitoring, RAIM)算法对故障偏差的检测能力，降低最小可检测偏差，提出了一种概率神经网络多历元残差RAIM算法。该算法基于概率神经网络构建4层故障卫星检测模型，利用方差膨胀模型建立伪距残差故障类与无故障类训练样本，通过粒子群优化算法优化概率神经网络的平滑参数以满足误警率要求，从而计算输入多历元伪距残差与故障类和无故障类训练样本的相似程度，判断卫星是否出现故障。仿真实验结果表明，优化平滑参数可提高所提算法故障检测性能。相比加权最小二乘RAIM算法和高级RAIM(advanced RAIM, ARAIM)算法，所提算法在不同故障情况下可提高小伪距偏差的检测性能，降低不同故障情况下的最小可检测偏差。     

基于鲁棒扩展卡尔曼粒子滤波的RAIM算法

针对基于粒子滤波的接收机自主完好性监测(receiver autonomous integrity monitoring,RAIM)算法中普遍存在粒子退化和采样枯竭问题,提出基于鲁棒扩展卡尔曼粒子滤波(robust extended Kalman particle filter,REKPF)的RAIM算法。该算法利用扩展卡尔曼滤波计算粒子的建议密度函数,引导重采样做出更加准确的采样分布;同时,为了减小伪距偏差对滤波估计的影响,利用抗差估计对卡尔曼增益矩阵进行修正。通过实测数据构建卫星故障检测的检验统计量,对各状态的累加对数似然比进行一致性检测。仿真结果表明,当存在伪距偏差时,基于REKPF的RAIM算法能够有效诊断故障星,缩短告警延迟时间,提高定位精度,算法性能更好。     

矢量正交算法在卫星完好性检测中的应用

基于最小二乘的接收机自主完好性检测(RAIM)在卫星数增多时对于单颗卫星不变的故障性能出现下降。文章首先对该问题进行了分析,然后应用矢量正交算法提出了一种新的故障敏感矢量算法,该算法避免RAIM在卫星数增多时故障检测量中故障信息恒定时故障检测性能出现下降的问题,而是性能有所增强,而且该算法同时完成故障的定位。     

基于Mean Shift模型的多粗差探测RAIM算法

针对当前接收机自主完备性监测(receiver autonomous integrity monitoring,RAIM)算法中存在多粗差探测识别能力较弱、计算效率不足等问题,提出一种基于Mean Shift(MS)模型的多粗差探测RAIM算法。首先利用QR奇偶检校法构建样本数据集和QR检验向量;其次基于MS模型估计样本密度中心,并以此作为MS检校向量,使用观测向量与MS检校向量的距离来评价观测值可靠程度,从而确定异常观测卫星;最后联合观测向量、MS和QR检校向量构建基于距离关系的权系数函数,对多个异常观测进行处理。实验结果表明,基于MS检校向量的粗差判别方法在多粗差存在的情况下,具有更灵敏的粗差识别能力;相比最小二乘残差法,新型RAIM算法改善了多粗差探测识别能力和计算效率,可有效提高多系统融合单点定位的可靠性。     

α稳定分布噪声下一种稳健加权滤波的统一框架

针对传统滤波方法在α稳定分布噪声环境下性能退化的问题,从加权Myriad滤波以及加权Merid滤波方法出发,以M估计理论为基础,推导得到稳健加权(robust weighted,RW)滤波方法的统一算法结构,并据此提出了基于RW滤波的新算法,即基于稳健加权滤波的统一框架,从而将加权Myriad、加权Merid以及基于广义柯西分布的加权滤波器统一起来。此外,针对线性调频(linear frequency modulation, LFM)信号采用基于RW的LVD(RW LVD)方法估计其参数,并根据估计性能对RW方法的抑噪效果进行分析。仿真结果表明,与基于加权Myriad滤波、加权Merid滤波以及基于广义柯西分布的加权滤波等多种方法相比,在强脉冲噪声下RW滤波方法能有效抑制脉冲噪声,并具有良好的稳健性。     

基于抗差扩展卡尔曼滤波和外推-积累的RAIM方法

为了提高接收机自主完好性监测(receiver autonomous integrity monitoring, RAIM)算法对微小缓变伪距偏差的检测能力,提出一种基于抗差扩展卡尔曼滤波和外推-积累的RAIM方法。该方法结合了新息外推法和累积历元法在检测微小缓变伪距偏差上的优势,即在新息外推法的基础上,累加多个历元的检验统计量,来更有效地检测微小缓变伪距偏差;同时,利用抗差扩展卡尔曼滤波对偏差进行抗差处理,提高了定位精度。仿真结果表明,相比较于传统RAIM方法、新息外推法以及累积历元法,新的RAIM方法均提高了对微小伪距偏差正确检测的概率,缩短了对缓变伪距偏差的检测延时,且经过伪距偏差修正后定位精度提高。     

基于图像灰度熵的团块目标检测方法

针对面向自动目标识别(ATR)的图像数据压缩方法,感兴趣区域(ROI)检测器的设计是需要解决的一个关键问题。图像灰度熵可以有效地反映图像中像素灰度变化的剧烈程度,并且与图像均值有关。提出了一种基于图像灰度熵的团块目标检测方法,实现了对可见光和红外图像中坦克、飞机、舰船等团块目标的有效检测。实验表明该方法具有较好的稳健性和适应性,优于基于分水岭的检测方法,满足面向ATR图像数据压缩方法ROI检测器的设计要求。     

两种基于RAIM的多模卫星故障诊断与重构方法

基于接收机自主完善性监测(receiver autonomous integrity monitoring, RAIM)算法,研究了两种针对全球定位系统/全球导航卫星系统(global position system/global navigation satellite system, GPS/GLONASS)多模卫星的故障检测与诊断方法,并提出了一种在无法进行最小二乘解算情况下的故障快速重构方法,即用前面时刻解算的正确结果来快速预测当前时刻的导航定位信息。应用多模卫星接收机真实数据的验证结果表明,两种方法均能正确诊断出故障卫星,且能对故障进行有效重构。同时,在对两种方法的优缺点进行对比分析的基础上,指出具体应用何种方法要根据实际应用环境而定。     

基于最小一乘和遗传算法的红外弱小目标检测

在随机误差不服从正态分布的问题中,最小一乘估计的统计性能优于最小二乘估计;另外,最小一乘估计的稳健性更强。因此提出了基于最小一乘估计和遗传算法进行背景预测的红外弱小目标检测方法。首先,建立最小一乘准则背景预测模型,应用遗传算法求解最小一乘估计的最优值并进行背景预测;然后,由实际图像和预测图像相减得到残差图像,并采用二维指数熵图像阈值选取方法对残差图像进行分割。针对实际红外图像序列的实验结果表明:所提出的方法对弱小目标具有更高的检测概率和更好的检测结果,优于基于最小二乘背景预测的检测方法。     

Robust estimation algorithm for multiple-structural data

This paper proposes a robust method of parameter estimation and data classification for multiple-structural data based on the linear error in variable (EIV) model. The traditional EIV model fitting problem is analyzed and a robust growing algorithm is developed to extract the underlying linear structure of the observed data. Under the structural density assumption, the C-steptechnique borrowed from the Rousseeuw's robust MCD estimator is used to keep the algorithm robust and the mean-shift algorithm is adopted to ensure a good initialization. To eliminate the model ambiguities of the multiple-structural data, statistical hypotheses tests are used to refine the data classification and improve the accuracy of the model parameter estimation. Experiments show that the efficiency and robustness of the proposed algorithm.     

基于干扰估计的高超声速飞行器鲁棒控制方法

针对高超声速飞行器高度与速度跟踪所面临的参数不确定与外界干扰问题,提出基于干扰估计的鲁棒控制律设计方法。首先建立含参数不确定与外界干扰的高超声速飞行器模型;而后基于动态逆思想,将动力学模型进行线性化,并将由参数不确定与外界干扰对系统造成的总效果看作系统总干扰,从而引入线性扩张状态观测器实现对系统状态及总干扰的估计;最后考虑总干扰作用,提出具有鲁棒性能的动态逆控制律与滑模控制律。通过与传统控制律进行对比仿真,结果表明所设计的两种鲁棒控制器只需在原有方法基础上进行简单改进,即可较大程度提高对系统参数不确定与外界干扰的鲁棒性,具有良好的跟踪性能。     

基于贝叶斯压缩感知的CSR稳健参数估计方法

针对“完全扰动”情况下压缩感知雷达(compressed sensing radar, CSR)观测矢量和感知矩阵严重失配,进而引起参数估计性能急剧下降的问题,提出了一种基于贝叶斯压缩感知(Bayesian compressed sensing, BCS)的稳健参数估计方法。首先构造“完全扰动”情况下CSR参数估计的稀疏线性模型,并从稀疏矢量的最大后验概率(maximum a posteriori, MAP)出发,推导了完全扰动矩阵服从柯西分布时的优化目标函数;随后通过稀疏矢量和尺度参数的交替迭代,求得稀疏矢量的最优解。与现有重构算法及其改进算法相比,该方法能够有效改善CSR系统应对失配误差的稳健性,提高目标成功检测的概率和参数估计的精度。计算机仿真实验验证了该方法的有效性和鲁棒性。     

基于GLM的双响应曲面法及其稳健设计

针对非正态响应的稳健设计,首先在均值与散度的联合广义线性模型基础上构建了基于广义线性模型(generalized linear model, GLM)的双响应曲面模型。然后,鉴于所构建的双响应曲面模型为高度复杂的非线性函数,运用遗传算法与模式搜索的混合算法对其进行参数优化,获得可控因子的最佳参数设计值。最后,运用所提出方法对某测试晶片电阻率的参数设计进行了分析。研究结果表明,该方法能有效地减少测试晶片电阻率的质量波动,提高了产品质量的稳健性。     

基于全局最小熵的随机稀疏调频步进信号运动补偿方法

发射频率和孔径二维随机稀疏的调频步进信号,可降低雷达系统对采样率的要求,同时可提高抗干扰能力。但是调频步进信号随机稀疏时会带来运动补偿困难的问题。针对此问题,提出一种基于全局最小熵的运动补偿方法。首先,利用全局最小熵方法完成包络对齐;其次将初相校正问题转换为径向速度与加速度的参数估计问题。为实现速度的高精度估计,采取粗搜索与精估计相结合,以全局最小熵作为代价函数,基于黄金分割法进行变步长搜索实现参数的快速高精度估计,最终完成初相校正。理论分析和仿真结果表明该算法具有参数估计速度快、估计精度高且在较低的信噪比条件下具有较高稳健性的优势。     

时敏制导炸弹离散自适应滑模BTT自动驾驶仪设计

为提高航空时敏制导炸弹控制系统的鲁棒性能,增强其大空域作战能力,将参数估计与离散滑模控制相结合,提出了一种适用于航空时敏制导炸弹倾斜转弯(bank-to-turn,BTT)自动驾驶仪的离散自适应滑模设计方法。建立了包含参数摄动项的BTT控制仿射模型,针对弹体气动对称与交叉耦合等特性,利用反馈线性化方法实现了原系统的解耦控制,并得到了参数化的离散滑模控制律;基于Lyapunov稳定性理论设计了控制器参数的自适应规律,有效克服了各动力学系数偏差引起的不确定扰动。仿真结果表明,所设计的离散自适应滑模BTT控制系统实现了各通道的解耦控制,能有效解决含有较大程度气动不确定性时炸弹的指令跟踪控制问题,并且消除了常规滑模控制的抖振现象。     

基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题, 提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上, 使用三阶容积原则推导了状态预测公式, 并使用M-M方法实现状态的量测更新, 构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中, 仿真结果表明, 基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后, 分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响, 验证了所提算法的鲁棒性。     

自主交会对接中运动参数的测量

探讨了基于双目测量系统实现自主交会对接中运动参数的一种测量方法。通过对系统数学模型的误差分析,确定标志点的检测精度是影响测量误差的主要因素。将系统中的标识点配置为圆形,利用最小二乘准则精确地估计标志像点的圆参数,以提高运动参数的测量精度。仿真实验中圆参数的估计可以达到亚像素的检测精度,验证了算法的有效性。     

α稳定分布噪声下基于稳健S变换的LFM信号参数估计

S变换由短时傅里叶变换发展而来,克服了短时傅里叶变换窗长固定、不能同时展现信号高频及低频的缺点,但在脉冲性较强的α稳定分布噪声下,该方法性能退化甚至失效。对此,基于广义柯西分布,构造了一类可有效应用于强脉冲噪声环境的损失函数,并详细分析了其影响函数的稳健性。在此基础上,根据最大似然估计理论和S变换,提出了一种稳健S变换方法。该方法以S变换作为初始值,采用最大似然估计方法在时频域迭代得到,在保留S变换窗长选取灵活等优点的同时,进一步提高了S变换的时频聚集性。仿真实验表明,在处理脉冲噪声环境下的线性调频信号时,与传统的基于Myriad滤波、Meridian滤波等多种非线性滤波的方法相比,提出的稳健S变换不仅能有效抑制脉冲噪声,且在脉冲性较强的α稳定分布噪声环境下,具有良好的鲁棒性和优良的线性调频信号参数估计性能。