基于IGWO组合模型的炮控系统健康预测方法

针对单一模型对炮控系统组成部件的健康预测精度低、适用性差等问题,提出一种改进灰狼优化算法(IGWO)的组合预测方法。通过改进灰狼优化算法(GWO)的收敛因子,提高全局搜索能力,避免陷入局部最优值;选择在健康预测中效果较好的ARMA、RBFNN、LSSVM模型,搜索3种模型的最优权重系数并建立组合预测模型;以陀螺仪组为例,将其温度传感器阻值与漂移度数据分别带入单一模型、IGWO组合模型和其他组合模型中进行健康预测。通过对预测结果的误差评价分析与RUL误差比较,可以得出,IGWO在搜索组合模型最优权重系数方面优于GWO,预测精度也优于其他组合模型,且预测效果稳定。     

基于一阶差分修正指数曲线法的GPS卫星钟差预报

针对二次多项式模型和修正指数曲线法模型在预报GPS卫星钟差时精度的不足,提出了基于一阶差分修正指数曲线法的GPS卫星钟差预报模型。该模型先对原始钟差数据序列相邻历元作一阶差分处理,以得到有效数字位数更少的一组钟差差值数据序列,以此来提高模型的预报性能;然后,基于一阶差分的钟差差值数据序列建立了GPS卫星钟差预报模型。试验结果与分析表明,该模型较二次多项式预报模型和修正指数曲线法预报模型的预报效果较好,中短期的预报精度均在1ns以内且只需采用较少的钟差数据进行建模即可达到高精度的预报,为GPS卫星高精度中短期钟差预报提供了一种新思路。     

基于平滑变结构-卡尔曼滤波的MIMU/BDS组合导航技术

为了提高模型不准确、大扰动等情况下MIMU/BDS组合导航精度,提出了平滑变结构-卡尔曼组合滤波的信息融合方法.介绍了坐标转换方法,建立了组合导航系统的状态空间方程和观测方程.为了防止老旧观测数据引起算法发散,在卡尔曼滤波算法中融入随残差自适应变化的渐消因子,从而构造了自适应卡尔曼滤波算法.将卡尔曼滤波的精度优势与平滑...     

运动声阵列自适应交互多模型无迹粒子滤波

为了提高三维运动声阵列在有色噪声环境中对二维机动目标的跟踪精度,提出了一种基于测量残差的自适应交互多模型无迹粒子滤波算法。该算法建立了三维运动声阵列跟踪系统动态模型,通过无迹变换(unscented transformation,UT)构造初始粒子概率分布函数,利用测量残差及自适应因子实时修正测量协方差和状态协方差;通过不同算法仿真对比,验证了文中算法在跟踪精度、稳定性及实时性上的有效性。     

自适应钟差模型在GPS/INS深组合中的应用研究

针对GPS/INS深组合系统中GPS接收机误差状态模型难以确定的问题,文中提出了一种自适应的时钟误差模型.该模型可以根据GPS接收机钟差的变化规律而自适应调节模型参数.通过GPS/INS深组合导航系统将传统的固定参数多项式模型与该自适应钟差模型进行半物理仿真比较,结果表明文中提出的模型能有效提高组合系统的导航精度和可靠性.     

GSPF融合的SINS/GPS紧耦合组合导航技术

针对SINS/GPS紧耦合组合导航中的非线性融合问题,提出了一种基于高斯和粒子滤波(GSPF)的紧耦合导航方法。建立了SINS和GPS的紧耦合非线性模型,分析了GSPF算法对最优贝叶斯滤波的近似原理,并设计了基于GSPF的紧耦合融合步骤。对系统进行了仿真,结果表明在GPS可见卫星数目低于4颗时紧耦合仍可实现组合,并且GSPF在紧耦合导航中可达到较高的估计精度,当系统具有较大姿态误差时可获得比粒子滤波(PF)更好的精度和更快的收敛速度。     

基于卡尔曼滤波的锂离子电池模型参数辨识

为了提高锂离子电池仿真模型精度,提出了基于改进的粒子群优化卡尔曼滤波（IPSO-KF）算法辨识电池模型参数。依据卡尔曼滤波算法,根据电池电压、电流,估计电池二阶RC模型参数。利用改进的粒子群算法优化卡尔曼滤波中的协方差矩阵,提高模型参数的辨识精度,建立精确的电池模型。     

GPS/I NS组合导航缺星情况下的卡尔曼滤波改进算法

针对 GPS/INS(Global Positioning System/Inertial Navigation System)紧组合导航系统在卫星信号缺失情况下导航精度降低,容积卡尔曼滤波(Cubature Kalman Filter ,CKF)应用中存在模型误差和计算误差的问题,提出了适用于该背景下的强跟踪均方根容积卡尔曼滤波(Square-Root CKF)算法。该算法通过人为地相对突出滤波过程中新数据的作用,提高了算法在模型不确定时的鲁棒性;均方根策略保证了协方差阵的正定性和对称性。仿真实验表明,改进的算法能够提高导航精度,在卫星信号缺失情况下其效能发挥地更好,提高了组合导航适应复杂环境的能力。     

基于改进PSO-LSSVM 的军用工程机械研制费用预测模型

针对传统参数法对装备研制费用进行预测存在的局限性问题,采用改进粒子群算法（particle swarm optimization,PSO）对LSSVM模型进行改进,构建军用工程机械研制费用预测模型。运用2种优化策略改进粒子群算法,对种群初始化过程进行控制、克服粒子群算法易于早熟的缺点。用改进后的粒子群算法优化最小二乘支持向量机的模型参数和核参数,以获得更好的预测效果。预测结果表明：该费用预测模型运用于军用工程机械研制费用预测,明显优于传统预测模型,具有很好的预测精度和效率。     

基于遗传算法优化LSSVM的初速预测

利用两台初速雷达测试弹丸炮口初速的试验中,当一台雷达的数据出现缺失时,通过建模预测出缺失的数据成为一项必要的工作。预测初速主要采用GM(1,1)模型,但是该模型并不完全适合预测初速,所以预测精度不理想。通过深入分析两台雷达之间的关联性,选择把两台雷达的数据进行融合,同时根据弹丸初速自身的特征,选择建立遗传算法优化LSSVM对缺失的数据进行预测。实验验证时,选择ARIMA模型、GM(1,1)模型、支持向量回归机、BP神经网络作为对比模型,两次验证的结果表明,遗传算法优化LSSVM的预测精度最高,误差远小于1‰,达到了初速雷达测试弹丸初速的误差标准,是预测弹丸初速的最佳模型。