摘要：针对随机机动目标末端制导拦截问题,提出了一种快速有效的多模型自适应估计算法。该算法充分挖掘了单元滤波器组对应假设空间的特殊结构,引入聚合和剪裁手段简化了传统多模型自适应估计算法。为有效处理非线性,不敏卡尔曼滤波器被用于设计依赖假设的单元滤波器。为满足应用要求,给出了该算法的数值鲁棒实现方法。仿真结果验证了所提出算法的有效性。

摘要：研究适用于非线性不确定系统的多模型自适应估计(MMAE)算法,基于一系列不同的系统噪声方差阵建立多个模型,使得由多个并行滤波器构成的算法适用于存在未知干扰的导航系统.针对非线性不确定系统,分析了多模型自适应估计算法的稳定性,给出了算法误差有界的充分条件。重点研究用于远距离航天器相对导航的MMAE算法,精确获取空间目标的相对位置,对于执行空间任务或实现航天器避碰具有重要意义.为了改善导航系统的可观度,采取双视线测量目标跟踪策略.以基于双视线矢量测量的空间目标相对导航问题为例,对扩展卡尔曼滤波(EKF),非线性鲁棒卡尔曼滤波(NRF)和MMAE算法进行了对比研究,结果表明,系统中存在未知干扰的情况下,所设计的MMAE算法具有优于传统EKF和NRF的性能.

摘要：提出一种基于多模型自适应估计(MMAE)的星敏感器低频误差(LFE)校准方法.星敏感器低频误差主要是由空间热环境的周期性变化造成的,会对卫星姿态确定精度造成显著影响.低频误差的影响可以通过扩维卡尔曼滤波(AKF)进行校准.但是,在星敏感器观测量中不存在低频误差的情况下,AKF的姿态估计精度往往不及传统卡尔曼滤波(KF).针对这一问题,将KF与AKF相结合,设计了基于MMAE的姿态确定滤波算法,该算法能够根据星敏感器在轨误差特性自适应的选择KF或AKF算法进行滤波.仿真结果表明,所提算法综合性能优于KF和AKF,适用于对姿态确定精度要求较高的高分辨率对地观测卫星.

摘要：针对多模型自适应估计方法中精确的飞机数学模型难以获得和模型存在非线性等问题,引入核自适应滤波器(KAF)替换卡尔曼滤波器,提岀了一种新的多模型自适应估计故障诊断方法。通过核方法将复杂的非线性系统映射到高维特征空间中,在该空间中设计线性自适应滤波器,无需预先知道精确的飞机数学模型,通过控制输入信号和姿态输出信号的训练数据训练核自适应滤波器,进而在线估计飞机的飞行状态,完成飞机舵面的故障检测与隔离。扩展了KAF的使用范围,改进了传统的状态估计故障诊断方法。研究成果可为降低飞机因舵面故障而引起的事故,提高飞机的生存性提供理论和技术支撑,具有一定的军事意义和良好的应用价值。

摘要：针对复杂操作环境所引起的INS/GPS组合导航系统模型参数变化导致单一固定参数滤波器精度降低问题,提出了多模型自适应Kalman滤波算法,并与单一模型下的Kalman滤波器方法进行了比较。仿真结果表明,相对于单一模型的Kalman滤波算法,该算法能大大提高导航系统的精度和可靠性。

摘要：针对使用传统卡尔曼滤波器对非线性系统进行故障诊断,估计精度低的问题,提出了一种新的故障诊断方法.该方法结合多模型自适应估计和简化中央差分卡尔曼滤波器的优点,能在线快速地检测出故障,利用中央差分代替了雅可比矩阵的求解,使系统状态估计准确收敛到真实值附近,而且避免了反复求解量测预测方差等一系列繁杂过程.在执行机构不同故障的情况下,通过与其他算法进行诊断对比,结果表明提出的算法在精度上和运行速度上具有明显的优势.

摘要：在广义系统故障诊断过程中,若系统动态模型中存在不确定性,传统的无迹卡尔曼滤波算法将失去其传感器故障估计精度。为解决该问题,提出一种改进的强跟踪卡尔曼滤波算法以实现广义连续-离散系统的传感器故障诊断及隔离。首先,提出基于多重渐消因子的强跟踪滤波算法以实现动态模型存在不确定性广义连续-离散系统的故障诊断;然后提出一种结合多模型自适应估计的强跟踪卡尔曼滤波(STUKFMMAE)算法以实现传感器故障的有效隔离。最后,针对基于广义连续-离散系统的惯性传感器故障模型提出仿真算例。仿真数据表明,传统无迹卡尔曼滤波对于传感器故障估计误差为0.002左右,而提出的基于多重渐消因子的强跟踪滤波算法对于传感器故障估计误差最大值为未超过4×10^(-4),且STUKFMMAE相较于UKFMMAE算法具有更好的隔离效果。仿真结果验证了设计方案的有效性。

摘要：针对现代空战中来袭导弹导引律参数辨识问题,提出了一种非线性的多模型自适应(MMAE)辨识方法。采用无色卡尔曼滤波(UKF)方法对非线性多模型集进行状态估计。利用多模型自适应估计方法,设计了导弹的导引律及参数辨识器,在三维坐标内实现了对导弹IPN,APN,OGL和PP导引律及对应导引参数的辨识,并通过算例仿真验证了该方法的快速性和准确性。