基于三自由度扰动模型的光电测量设备抗扰动系统

提出了一种基于三自由度扰动模型的测量船光电测量设备抗船摇扰动系统。利用坐标轴旋转的方法将目标的引导数据从大地坐标系转化为甲板坐标系,利用最小二乘法对测量船的姿态角数据进行处理获得测量船的船摇数据,建立了包括横摇、纵摇和艏摇在内的三自由度位置扰动模型和速度扰动模型,并利用前馈控制实现对船摇扰动的补偿。通过仿真得到了与理论分析一致的结果,证明基于三自由度扰动模型的前馈系统能有效提高光电测量设备的跟踪和捕获精度。     

船载测控设备船摇前馈使用意见和改进方法

针对船载测控设备在执行试验任务过程中使用船摇前馈可能存在的问题,提出了船摇前馈的使用意见.另外,为了增强船摇前馈使用的安全性,又对船载测控设备的研制改造提出了两种改进方法:一种方法是通过数字低通滤波器滤除船摇前馈数据中的高频分量,从而可以有效抑制数据跳变对跟踪的影响;另外一种方法是设计一个简单有效的剔除野值的判据,当出现少量野值时则进行野值剔除,当出现大量野值时则自动取消船摇前馈的使用.     

基于TWSTFT进行钟差预报方法分析

用多项式拟合、频谱分析、改进的AR模型3种方法对由TWSTFT（卫星双向时间频率传递）得出的钟差时间序列进行了拟合和预报分析。为了抵制钟差时间序列中异常值的影响,引入了“抗差等价权”。利用TWSTFT得到的一天的钟差,按不同采样率、不同时间跨度进行计算分析,结果表明：抗差估计的预报精度明显高于最小二乘估计;平滑值的预报精度高于采样值;由于钟差时闻序列中有明显的周期变化,多项式进行钟差预报的精度不可靠;用谱分析进行钟差预报的精度不高,但可以发现钟差时间序列中的主要周期变化;改进的AR模型预报精度最高,预报RMS在1ns左右。     

着舰控制系统中的甲板运动补偿技术研究

舰载机在着舰中对甲板运动的跟踪存在相位差,需要使用预报技术将甲板的运动信息提前加入到自动着舰控制系统(ACLS)中.甲板预报通常采用的自回归模型法(AR)是一种时间序列预报方法,在此基础上提出了一种新型的多层递阶预报模型,它是在对时变参数进行预报的基础上再对系统的状态进行预报,更能反映时变系统的运动实质.对典型海况下甲板的俯仰和沉浮运动进行预报仿真,结果表明多层递阶预报的精度更高.分别用两种方法对自动着舰纵向轨迹控制进行运动补偿,仿真表明多层递阶预报方法可以更加有效地提高轨迹跟踪精度.     

船载通信天线控制系统的稳定设计

为解决船体姿态的变化对天线视轴的影响问题,采用陀螺检测和前馈补偿的方法.该系统利用3个陀螺检测船摇量在三维空间的分量的方法,生成对天线3个视轴的船摇扰动的附加角速度,加入天线控制系统的速度环输入进行补偿,消除其对天线跟踪的影响.工程使用结果表明,实测隔离度指标达到46.4 dB,跟踪精度达到0.031°,与传统方法相比有效解决了船摇引起的抗扰动问题.     

前馈补偿技术

介绍了舰载雷达船摇前馈补偿技术，推导出补偿船摇，目标运动产生的跟踪误差的前馈方程式。根据船摇参数和目标运动参数，采用前馈技术可获得较好的隔离度。实验表明，隔离度可达到１７ｄＢ。     

基于前馈控制的舰载光电跟踪技术

目标快速运动及舰载平台姿态变化使得舰载光电跟踪系统形成较大的跟踪误差.为了减小该误差,提出了一种基于前馈控制的补偿方案.该方案利用坐标变换给出了由船摇和目标运动引起的跟踪扰动量,并通过滤波求取该扰动量的一阶导数,以此作为跟踪系统的前馈量加入系统中,达到对扰动进行补偿的效果.仿真结果显示,系统的跟踪精度提高了一个数量级.     

人口死亡的时序模型分析及其群体预报

本文在卫生统计领域中引入时序方法对人口死亡数(包括各种死因死亡数)建立了不同的时序模型(AR 模型、多维 AR 模型和 SETAR 模型),并用模型对人口死亡数作群体预报和气象因素分析,结果令人满意。此项工作表明,在卫生统计领域中引入时序方法将是进行死亡预报和因素分析的一条新途径。人口死亡的统计、预报和分析是卫生统计部门的一项重要工作。我们根据我市某区防疫站提供的群体人口死亡资料及肿瘤、心脏病等死因死亡资料,应用时间序列分析方法建立了 AR 模型、多维 AR 模型和自激励门限自回归模型(Self-Excited Threshold Auto-Regreesive Model,简记为 SETAR模型),并用这些模型对人口死亡情况进行群体预报和气象因素分析。由于 AR 模型、多维 AR 模型已逐步为人们所熟知,本文将首先着重论述 SETAR 模型的意义及建模方法,然后分别示出这三种模型的预报及分析结果。     

前馈神经网络的股票实证分析

本文采用金融时间序列分析中著名的非参数方法——前馈神经网络(feed-forward nnet)对沪市的中国联通(600050)和美国通用电气股票(GE)的收益率数据进行分析,建立模型,作预测,并给出GARCH此著名的条件异方差模型的估计结果作为参照。由分析结果来看神经网络的应用可行性。     

混合模型在短弧跟踪卫星钟差预报中的应用

当卫星在空间轨道飞行到地面监测站观测不到的弧段时,卫星钟与系统时间之间的同步只能由卫星钟自己维持,为了得到连续的卫星钟差结果,必须对卫星钟差进行预报。本文针对地面站频繁观测不到卫星导致的卫星钟差数据频繁中断这一特殊情况,提出多项式加AR混合模型,以GPS星载原子钟差时间序列为实例进行钟差预报分析,并与GPS常用的二阶多项式模型预报结果进行比较,结果表明:短弧跟踪条件下,多项式加AR混合模型对GPS星载原子钟进行8~20 h钟差预报时精度均优于1ns,明显高于二阶多项式模型预报精度,满足实际应用中短弧跟踪条件下的钟差预报精度要求。这一结论为短弧跟踪条件下的星载原子钟差预报做了理论上的铺垫。