基于四元数平方根UKF算法的SINS/GPS紧组合导航系统研究

在较大初始姿态误差角下,针对SINS/GPS紧组合导航系统扩展卡尔曼滤波（extenthed Kalman filter, EKF）算法定位精度下降的问题,提出了一种基于四元数的平方根无迹卡尔曼滤波（square root unscented Kalman filter, SRUKF）算法。为解决SRUKF算法中四元数正交规范化的限制,通过构造姿态矩阵代价函数将四元数预测均值问题转化为代价函数最小时的四元数向量求解问题,保证了均值四元数的规范化;利用乘性四元数误差表示四元数预测值与均值之间的距离,求取四元数的预测协方差矩阵,保证了算法的合理性。在此基础上,给出了SINS/GPS紧组合系统四元数平方根无迹卡尔曼滤波算法的具体步骤。在较大初始姿态误差角下的仿真实验结果表明,与EKF算法相比,该算法精度更高,稳定性更强。     

衰减记忆自适应滤波在惯导系统传递对准中的应用

针对滤波稳定性问题,提出了一种改进的衰减记忆自适应滤波算法。通过引入衰减记忆滤波矩阵,根据残差序列输出的互不相关性,在线自适应地调整衰减因子,从而使衰减记忆滤波工作在最佳状态。将该算法应用于惯导系统的传递对准过程,仿真结果表明在模型和噪声统计特性的先验信息不准确时,该算法优于传统的卡尔曼滤波。     

调制型光纤捷联系统系泊状态标校方法

针对舰船系泊状态特有的运动环境及惯性器件偏差对捷联系统导航精度的影响,提出一种单轴四位置旋转调制方案并建立该系统误差方程。研究了直观分析系统参数可观测性的解析方法,并运用谱条件数法计算出惯性测量单元（inertial measurement unit, IMU）在静止和旋转状态下各状态量的可观测度,利用分离位置回路的卡尔曼滤波模型实现了器件偏差的现场估计。数值仿真显示,单轴四位置转停方案可以有效地提高惯性器件偏差的可观测度,大大提高了系泊状态下惯性器件偏差的估计精度。     

比例导引末端区特征与划分

制导末端区是制导系统失稳前一个很短的制导段,制导末端区的正确划分对制导系统设计指标制定和性能分析具有重要意义.基于目标最优机动条件下线性化导弹目标运动学模型,研究了比例导引制导系统在末端区的特性,根据制导系统时间常数和阻尼比变化特征,提出根据制导系统特征参数划分末端区的定义方法,仿真计算表明本文的定义方法是合适的.研究结论对制导系统设计,相关总体指标制定和性能仿真验证具有参考意义.     

基于支持向量机的重力匹配算法

为了在重力异常特征微弱区域内实现重力辅助导航以及提高惯性导航系统在重力异常特征明显区域内的定位精度和匹配率,提出了基于支持向量机的重力匹配算法.研究了支持向量机学习样本的选取、支持向量机参数和重力粗糙度的关系,构造了用于重力匹配算法的支持向量机.经计算仿真研究表明,通过选择适当的支持向量机参数,可以实现重力辅助导航,算法在重力特征显著的区域具有较高的匹配率,组合导航系统的定位误差在一个重力图网格左右.     

基于异步估计自适应Kalman滤波系统设计

一般的Kalman滤波器时系统噪声和测量噪声统计特性要求较为严格,当统计特性存在不确定性时,估计会造成较大的估计误差,甚至使滤波器发散.针对此问题,在基于新息的自适应估计和极大后验估计的基础上对Q和R进行异步估计;以某型号光纤惯性测量装置和GPS系统为背景的仿真实验结果表明,该方法能够有效地对Q和R存在不确定的组合导航系统的误差状态变量进行估计,并能较好地保证自适应滤波器的收敛性,进一步提高了估计精度.     

自适应脉冲耦合神经网络在图像处理中应用

尽管Johnson 提出的PCNN模型具有强大的图像处理功能,以时间序列进行特征提取时具有旋转、尺度、平移、扭曲不变性,可实践中发现依然存在着不足,特别对图像亮度、对比度比较敏感.添加了误差反向传播(Error Back Propagation, EBP)学习准则的自适应脉冲耦合神经网络模型能自适应设定模型参数,是脉冲耦合神经网络模型研究的主要内容.特别地,应用这种自适应模型进行特征提取时,能弥补原来PCNN模型对亮度、对比度敏感的缺陷,而且具有一定的泛化能力,有效克服了亮度、对比度对图像识别精度的影响.     

3-DOF混联拟人臂动力学建模与迭代学习控制

采用Lagrange方法建立了一类新型3P6R平面3-DOF串-并混联拟人臂的标称动力学模型。针对该机构的重复轨迹跟踪问题,考虑其不确定性,充分利用其已知动力学部分,提出了一种集中参数自适应-闭环迭代学习控制器。在每个迭代周期内采用自适应算法学习由未建模动态、外部干扰及摩擦力等多种因素造成的集中不确定性上界,进而逐次补偿由其造成的误差;闭环变系数迭代学习算法保证了该系统在迭代域内收敛,实现了完全轨迹跟踪。严格的证明及仿真结果验证了此控制器的有效性。     

预测支持系统中的人机界面Agent及其机器学习

人机界面 agent是一种具有一定智能性 ,并能增强应用系统与用户间交互的计算机程序 .通过机器学习机制 ,这种 agent能够适应用户的习惯 ,使系统更有效的服务于用户 .本文将界面 agent( Interface agent)技术应用于预测支持系统 ( FSS:Forecasting Support System)中 ,并采用适当的学习方法 ,可以很好地解决其中的复杂人机交互问题     

模糊系统研究

模糊系统是模拟人类思维、执行智能信息处理的有效工具。本文概要讨论模糊系统的若干问题,包括模糊识别、模糊学习、模糊检索以及模糊决策等.