基于径向基神经网络的空间目标测向定位算法

针对无线电测向定位系统中解析算法定位误差较大的问题,提出了一种基于径向基(RBF)神经网络的双站只测向定位方法。利用RBF神经网络可逼近任意连续有界非线性函数的能力,通过样本学习,构建目标位置和测向站所测的来波方向角(DOA)映射模型。与目前解析算法相比,RBF定位模型不仅充分利用了测向站获取的所有二维DOA信息,而且利用神经网络的泛化特性、鲁棒特性,较好解决了测向误差对定位精度的影响。实验表明:该方法能有效提高定位精度。     

AUV组合导航系统中H∞滤波技术

为了提高自主水下航行器(AUV)组合导航系统精度,选择了捷联式惯性导航系统(SINS)、多普勒速度声纳(DVS)以及地形匹配导航系统(TAN)作为AUV组合导航系统导航传感器,建立了AUV组合导航系统的状态模型和导航传感器观测模型,运用了一种基于径向基函数(RBF)神经网络进行H∞滤波信息分配的信息融合方法,并进行了计算机软件仿真.仿真结果表明,在有色噪声情况下,AUV组合导航系统的导航姿态、速度和位置精度得到了提高,有效地克服了传统滤波容易发散的缺点,提高了AUV组合导航系统的容错性能和导航精度.     

洋流影响下基于单领航者的多AUV协同导航

自主水下航行器（AUV）的协同导航是海洋工程研究中的重要问题,洋流估计是其中的主要难点之一。该文基于＂未知定常＂的洋流特性假设,结合单通信和导航辅助AUV（CNA）领航的协同定位原理,建立了洋流干扰下多AUV协同导航的定位转移损失函数。利用损失函数极小化方法给出了协同导航的定位最优估计准则,借助该准则得到了洋流误差估计和协同导航算法,实现了对AUV较为实时精确的定位。仿真结果表明,该算法能够较好地解决定常洋流作用下的多AUV协同导航问题,且定位精度较高,实时性好。研究成果有望为多AUV系统总体设计、导航路径规划及跟踪等方面提供理论基础和研究手段。     

双领航多自主水下航行器移动长基线定位最优队形研究

基于距离量测提出了多自主水下航行器 (AUV) 移动长基线定位系统,融合内部与外部传感信息进行从AUV水下定位。针对定位系统中AUV队形对定位性能造成的影响,基于Cramer-Rao下界(CRLB) 和Fisher信息阵(FIM) 建立了多AUV移动长基线定位系统定位性能评价函数,通过评价函数极大化实现定位性能最优化。重点研究了双领航者定位系统的最优队形,其最优队形为两个领航AUV与从AUV以90°分离角相对运动,且最优队形与AUV间的距离无关。仿真实验分别从间距及分离角两个方面对结论进行了验证。     

基于RBF神经网络的Kalman滤波在惯导系统传递对准中的应用

针对模型存在误差时传统的Kalman滤波算法误差变大甚至发散的缺点，利用RBF神经网络较强的非线性逼近能力，提出用RBF神经网络辅助Kalman滤波的新算法，将其应用于舰载机惯导系统的传递对准中。仿真表明该算法优于传统Kalman滤波算法。     

单领航者相对位移测量的多自主水下航行器协同导航

针对单领航自主水下航行器(AUV)协同导航系统对定位精度和实时性的要求,提出了一种新的基于相对位移量测信息的协同导航方法.通过分析单领航AUV协同导航系统的定位原理和运动学模型,结合相邻采样时刻主、从AUV间相对位置的几何关系及航位推算信息,利用扩展的Kalman滤波(EKF)导航算法实现对从AUV的定位估计.与已有的...     

未知洋流干扰下基于单领航者的多自主水下航行器协同导航

洋流估计问题是多自主水下航行器(AUV)协同导航方法中的难点之一.针对未知洋流情况,给出了1种基于单领航者的多AUV协同导航方法.通过设计主、从AUV间的机动轨迹,将从AUV的初始定位以及洋流干扰、测速误差的初始估计问题转化为非线性极小平方优化模型求解,提高了初始化精度;并进一步将洋流干扰等作为状态变量参与协同导航过程...     

一种利用单信标修正AUV定位误差的方法

针对配置有捷联惯导（SINS）／多普勒速度仪（DVL）／深度传感器组合导航定位系统的自主水下航行器（AUV）的定位误差随时间增大,以及采用GPS修正定位误差引起的AUV隐蔽性降低等问题,提出了一种利用水下固定单信标修正SINS／DVL／深度传感器组合定位误差的方法。该方法首先利用水声测距原理测量出AUV与水下固定单信标的距离,然后基于空间几何关系计算出AUV的实时位置,最后通过卡尔曼滤波连续修正AUV的定位误差。仿真结果表明,该方法可以有效减小AUV的定位误差,有较好的工程应用价值。     

一种基于量测伪距的EKF移动长基线AUV协同导航方法

在移动长基线(MLBL)定位中,由于水声信号在水中传播速度较慢,以及被定位AUV的白身运动,导致AUV与不同浮标的距离是在不同时间不同位置测量产生的,所以应用移动长基线会产生一定的时间延迟定位误差.本文针对该定位误差,提出了一种基于量测伪距的EKF移动长基线时间延迟算法,该算法利用扩展Kalman滤波,通过对AUV的位置状态的前推,重构了系统的量测方程,实现了量测方程同系统的量测量在时间上的一致性,有效地解决了时间延迟产生的误差.理论分析与仿真结果均表明,该方法可以显著提高导航定位精度.     

基于模糊RBF神经网络的复合材料结构脱层损伤监测研究

提出一种径向基函数(RBF)神经网络和模糊聚类分析相结合的复合材料结构脱层损伤监测方法。该方法融合神经网络学习能力强和模糊逻辑推理自适应、自组织、容错性好等优点,简化神经网络学习数据获取及模糊推理规则建立的过程。利用有限元方法对含有脱层损伤的复合材料试件进行数值模拟,以前六阶弯曲模态频率构建训练样本,将实验模态分析结果经送入训练好的模糊RBF神经网络进行预测,从而实现对复合材料梁的脱层损伤定位和损伤程度评估。实验结果表明,模糊RBF神经网络鲁棒性好,精度高。     

混合噪声条件下的目标被动定位算法

为提高被动传感器观测噪声为含时变有色噪声、跳变噪声的混合噪声时容积卡尔曼滤波（CKF）算法的滤波精度和稳定性,提出一种自适应容积卡尔曼滤波（ACKF）算法。在ACKF算法中,在基本CKF算法基础上,采用观测重构、待定系数去相关方法,推导得到有色噪声条件下的容积卡尔曼滤波算法。针对时变有色噪声和跳变噪声导致滤波精度受损的问题,引入噪声方差在线修正及有害观测剔除的思想,进行了ACKF算法设计。仿真结果表明,与基本CKF算法相比,ACKF算法在x轴、y轴、z轴3个方向得到的被动定位精度分别提升了24.75％、32.57％和28.48％,具有更高的滤波稳定性和精度。     

采用RBF神经网络的状态监测数据趋势预测

采用RBF神经网络的状态监测数据趋势预测,通过选取状态参数、数据预处理、运用Matlab神经网络工具箱建立RBF神经网络模型.先对网络初始化,确定输入、输出和隐含层的节点数.再将网络输出结果与样本比较,根据求得误差值逐步调整隐含层神经元数量,直至误差满足实际需求为止.对网络仿真证明该法具有较高精度.     

移动机器人的卡尔曼滤波定位算法改进与仿真

针对传统卡尔曼滤波算法和扩展卡尔曼滤波算法应用于移动机器人定位系统时出现的误差值较大和算法发散现象,在定位算法中引入修正因子对状态估计方程进行优化.分析传统卡尔曼滤波和扩展卡尔曼滤波的定位算法原理,研究运动过程中驱动力和摩擦力对移动机器人的影响,引入修正因子改进卡尔曼滤波算法,并对传统卡尔曼滤波算法、扩展卡尔曼滤波算法和改进算法做仿真对比和研究.仿真结果表明:修正因子对传统卡尔曼滤波算法和扩展卡尔曼滤波算法都具有改进效果,能提高定位精度.     

基于径向基函数神经网络和无迹卡尔曼滤波的弹丸落点预报方法研究

为了能够在飞行数据不尽精确的情况下进行快速、准确的落点预报,提出一种基于径向基函数（RBF）神经网络和无迹卡尔曼滤波技术的弹丸落点预报方法。使用RBF神经网络逼近外弹道方程用以预报弹丸落点,并用改进型量子行为粒子群算法优化网络结构和权阈值,在此基础上对基于神经网络的初步预报数据进行滤波处理。最后进行预报仿真,在输入数据有噪声的情况下依然得到了较高的预报精度,从而证明该方法对预报弹丸落点是有效可行的,为弹丸的落点预报的实际应用提供了参考。     

弹药协调器动作可靠性估计

弹药协调器定位故障是火炮弹药自动装填系统的典型故障,其动作可靠性受多个不确定性因素影响,显式的极限状态方程难以获得。为计算协调器动作可靠性的定量数值,对协调器进行了不确定性建模,并根据标准状态的测试数据对模型进行了修正,构建了基于径向基神经网络的代理模型以提高计算效率,将网络输出与原始样本数据进行对比。结果表明,径向基神经网络能够很好地拟合原始模型。对代理模型进行了Monte-Carlo仿真分析,求解了定位误差的概率分布,弹药协调器的动作可靠性估计值为92.48%。     

基于七维状态向量反向无迹卡尔曼滤波的弹道外推算法

针对弹道模型误差、参数估计误差以及外推距离过长导致定位精度低的问题,建立了基于七维状 态向量的反向无迹卡尔曼滤波外推算法。为精确建立状态模型,该算法将弹道系数作为状态参量,纳入滤波过程。采用无迹卡尔曼滤波算法,以提高非线性估计精度。此外,由于正向滤波外推距离长,模型误差积累大,该算法采用反向滤波处理,将雷达测得的首点作为滤波终点,通过4阶龙格-库塔方程外推炮位。仿真结果表明,该算法定位精度相较原算法提高约50%.     

可主动变形波纹蒙皮驱动控制及神经网络建模

为满足变体机翼蒙皮连续光滑以及大变形要求,提出一种可主动变形的波纹型蒙皮构型,并进行驱动试验。试验中使用恒流源控制激励电流强度,在驱动试验数据的基础上建立一个以电流强度为输入参量,驱动位移为输出参量的RBF神经网络模型。该模型逼近曲线较为准确和贴近实际驱动特性,最大预测相对误差小于6%。     

基于动态RBF网络辨识和模糊控制的弹道落点预测导引研究

针对目前远程弹道修正火箭弹中,滤波外推落点预测导引法存在导引系数确定难、导引精度低、自适应性与鲁棒性差的问题,提出了一种基于动态RBF神经网络在线辨识与带自调整因子模糊控制相结合的落点预测导引律.具体在传统滤波外推落点预测导引法的基础上,将预测落点偏差与偏差变化率作为模糊控制器输入量,通过RBF神经网络在线整定模糊控制的权重因子和比例因子,实现导引指令的自适应调整.仿真结果表明,同常规方法相比,在充分考虑随机扰动和测量误差情况下,具有更强的自适应性与鲁棒性,保持了较高的导引精度.     

一种光电跟踪平台共轴控制的目标运动滤波方法

目标运动估计是光电跟踪平台实现共轴控制的核心。针对目标运动的滤波精度问题,提出了基于灰色预测模型和卡尔曼理论的目标运动融合滤波方法。利用少量前几个时刻的目标运动数据实时在线建立灰色预测模型,替代标准卡尔曼滤波的目标状态预测方程,避免了需要预先假定目标运动数学模型而引起滤波误差的弊端。进一步对灰色模型预测值和融合滤波估计值的残差序列,构建残差在线预估模型;利用残差预测值对灰色预测模型进行实时修正,有效地提高了灰色模型的预测精度,改善了融合滤波的效果。仿真实验验证了灰色模型在目标运动预测中的有效性。实验结果表明：残差修正策略将灰色模型预测精度提高了60%;与其他滤波方法相比,提出的融合滤波方法具有更好的滤波效果及更准确的目标运动估计。