基于抗差扩展卡尔曼滤波和外推-积累的RAIM方法

为了提高接收机自主完好性监测(receiver autonomous integrity monitoring, RAIM)算法对微小缓变伪距偏差的检测能力,提出一种基于抗差扩展卡尔曼滤波和外推-积累的RAIM方法。该方法结合了新息外推法和累积历元法在检测微小缓变伪距偏差上的优势,即在新息外推法的基础上,累加多个历元的检验统计量,来更有效地检测微小缓变伪距偏差;同时,利用抗差扩展卡尔曼滤波对偏差进行抗差处理,提高了定位精度。仿真结果表明,相比较于传统RAIM方法、新息外推法以及累积历元法,新的RAIM方法均提高了对微小伪距偏差正确检测的概率,缩短了对缓变伪距偏差的检测延时,且经过伪距偏差修正后定位精度提高。     

基于鲁棒扩展卡尔曼粒子滤波的RAIM算法

针对基于粒子滤波的接收机自主完好性监测(receiver autonomous integrity monitoring,RAIM)算法中普遍存在粒子退化和采样枯竭问题,提出基于鲁棒扩展卡尔曼粒子滤波(robust extended Kalman particle filter,REKPF)的RAIM算法。该算法利用扩展卡尔曼滤波计算粒子的建议密度函数,引导重采样做出更加准确的采样分布;同时,为了减小伪距偏差对滤波估计的影响,利用抗差估计对卡尔曼增益矩阵进行修正。通过实测数据构建卫星故障检测的检验统计量,对各状态的累加对数似然比进行一致性检测。仿真结果表明,当存在伪距偏差时,基于REKPF的RAIM算法能够有效诊断故障星,缩短告警延迟时间,提高定位精度,算法性能更好。     

矢量正交算法在卫星完好性检测中的应用

基于最小二乘的接收机自主完好性检测(RAIM)在卫星数增多时对于单颗卫星不变的故障性能出现下降。文章首先对该问题进行了分析,然后应用矢量正交算法提出了一种新的故障敏感矢量算法,该算法避免RAIM在卫星数增多时故障检测量中故障信息恒定时故障检测性能出现下降的问题,而是性能有所增强,而且该算法同时完成故障的定位。     

基于长短期记忆神经网络的自适应容错方法

针对传统的全球导航卫星系统/惯性导航系统(global navigation satellite system/inertial navigation system, GNSS/INS)紧组合系统容错方法对故障处理方式单一、环境适应性差的问题，提出了一种基于长短期记忆神经网络的自适应故障容错方法。该方法基于长短期记忆神经网络建立GNSS伪距、伪距率预测模型。发生故障时，通过分量检测法定位故障观测的维度，并引入相对差分定位精度分析故障观测对系统定位精度的影响，从而实现隔离与重构策略的动态选择。利用实测数据从可见星数、几何构型、故障持续时间3个角度设置多组环境进行仿真实验。仿真结果表明，所提方法对复杂环境具有更好的适应能力，可有效降低故障存续期间系统的定位误差，提高系统的故障检测性能。     

三段判别域与最小二乘拟合的抗差滤波算法

组合导航系统卫星信号在传播过程中容易受到干扰导致卫星导航观测值出现故障。对于此问题, 提出一种基于最小二乘拟合原理的抗差滤波算法, 根据检测量的分布状态将故障分为三段判别域, 分别为无故障、偏差和超差的情况。无故障时不做处理, 出现偏差时对观测值进行降权处理, 对于超差情况, 用前几个时刻的观测值组成的拟合函数进行一个时刻的外延, 代替当前时刻的故障观测值。仿真结果表明, 三段判别域相对于两段判别域多了对偏差情况的处理, 提高了导航精度。连续时间内发生超差情况时, 相比于使用降权法, 基于最小二乘拟合的抗差滤波算法导航精度更高, 稳定性更好。     

绕地飞行器GPS/INS组合测量系统

采用全球定位系统 /惯性导航系统 (globalpositioningsystem/inertialnavigationsystem ,GPS/INS)组合方式实现对绕地飞行器定位和姿态测量。通过对可观测性能分析 ,得出了这样的结论 :仅用伪距和伪距变化率为观测量的组合系统对姿态角误差的可观测性较差。引入GPS载波测量信息作为观测量 ,可以提高姿态测量的可靠性和准确性。采用接收机自主完整性检测 (receiverautonomousintegritymonitoring ,RAIM)技术实时剔除异常数据 ,总结一种改进的自适应滤波算法进行数据处理 ,较之常规的Kalman滤波算法 ,收敛速度更快 ,平稳性更好。计算机仿真验证了算法的有效性     

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。     

基于Mean Shift模型的多粗差探测RAIM算法

针对当前接收机自主完备性监测(receiver autonomous integrity monitoring,RAIM)算法中存在多粗差探测识别能力较弱、计算效率不足等问题,提出一种基于Mean Shift(MS)模型的多粗差探测RAIM算法。首先利用QR奇偶检校法构建样本数据集和QR检验向量;其次基于MS模型估计样本密度中心,并以此作为MS检校向量,使用观测向量与MS检校向量的距离来评价观测值可靠程度,从而确定异常观测卫星;最后联合观测向量、MS和QR检校向量构建基于距离关系的权系数函数,对多个异常观测进行处理。实验结果表明,基于MS检校向量的粗差判别方法在多粗差存在的情况下,具有更灵敏的粗差识别能力;相比最小二乘残差法,新型RAIM算法改善了多粗差探测识别能力和计算效率,可有效提高多系统融合单点定位的可靠性。     

基于RCNN的双极化气象雷达天气信号检测

为检测混杂在地杂波、生物杂波中的天气信号, 提高定量降水精度, 提出了基于残差卷积神经网络(residual convolutional neural network, RCNN)的天气信号检测算法。首先, 将采集的极化参数水平反射率因子、差分反射率、相关系数、差分相移率堆叠为三维数组后进行预处理, 将其分为天气信号与杂波信号。然后, 开发并优化RCNN, 给出详细的网络结构。最后, 通过多次实际的降水过程对所提算法的检测效果进行评价。结果表明, 相比支持向量机以及卷积神经网络(convolutional neural network, CNN), 所提算法对天气信号的检测效果更好, 并且在不同仰角以及全年的实测数据上均表现出良好的检测性能。     

基于完好性风险估计减少RAIM误警率方法

为了提供更精确的完好性服务,提出一种新型降低用户端自主完好性监测(receiver autonomous integrity monitoring, RAIM)误警率的方法。给出了定位误差与残差向量关系的新解释,基于最大定位误差完好性风险算法,提出了扩展正常检测区方法并进行故障检测,通过最大定位偏差保护限值提供故障检测的完好性保证,满足航段漏警率要求。最后,设计一种新的故障检测与故障识别准则,达到在不降低漏检率的条件下,减少误警率。算例表明该方法简单易行、有效。     

两种基于RAIM的多模卫星故障诊断与重构方法

基于接收机自主完善性监测(receiver autonomous integrity monitoring, RAIM)算法,研究了两种针对全球定位系统/全球导航卫星系统(global position system/global navigation satellite system, GPS/GLONASS)多模卫星的故障检测与诊断方法,并提出了一种在无法进行最小二乘解算情况下的故障快速重构方法,即用前面时刻解算的正确结果来快速预测当前时刻的导航定位信息。应用多模卫星接收机真实数据的验证结果表明,两种方法均能正确诊断出故障卫星,且能对故障进行有效重构。同时,在对两种方法的优缺点进行对比分析的基础上,指出具体应用何种方法要根据实际应用环境而定。     

基于神经网络的高并行大规模MIMO信号检测算法

随着5G和未来移动无线网络的不断发展, 大规模多输入多输出(multiple input multiple output, MIMO)是其中的关键技术之一。随着天线数目的不断增加, 给接收机的设计带来更高的挑战, 复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism, HP)检测算法展开到神经网络中, 单层神经网络基于该算法的每次迭代, 并将其与可训练的权重参数和非线性神经单元相结合, 提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数, 进而提高检测性能。实验结果表明, 所提方法相对传统最小均方误差(minimum mean square error, MMSE)算法复杂度更低, 并能够得到更低的误码率; 同时相对HP并行检测算法误码率性能更优。     

数据丢包的参数不确定下无人机滚动时域估计

针对网络中通信链路中断及系统参数不确定现象,研究了数据包丢失的参数不确定无人机系统状态估计问题,基于滚动时域估计理论和随机最小二乘理论,提出了一种分布式滚动时域估计算法。对于数据包丢失和参数不确定问题,采用已知概率的马尔可夫序列和系统矩阵扰动噪声进行建模。仿真结果表明,该算法的估计效果优于一种新的卡尔曼滤波算法。最后,研究分析了系统压缩量、数据包接收概率和时窗长度对所提算法估计性能的影响。在系统不确定性和丢包概率未知的情况下,适当增加时窗长度可以提高算法估计性能。     

动态指数平滑优化模型及其应用

针对常规二次指数平滑模型在实际应用中的不足，引入动态平滑参数的概念，建立了一类不需选取平滑初值、平滑权重能自行调整的指数平滑模型；以预测误差平方和SSE最小为目标，构造了优选并自动生成最佳平滑参数使预测模型得以优化的最速下降算法。通过严谨的数学论证和算法分析较完整地解决了指数平滑预测中，平滑参数靠经验确定并且因静态、平滑初值难以确定而易导致预测偏差等问题、最后用所建模型对中国消费品零售总额进行了预测。结果明显优于传统模型。     

基于粒子群支持向量机的模拟电路故障诊断

针对传统神经网络技术在模拟电路故障应用中存在的问题,提出了一种基于粒子群算法(particle swarm optimization, PSO)和最小二乘支持向量机(least squares support vector machine, LSSVM)的模拟电路故障诊断的方法。该方法首先利用小波包技术对待诊断电路的可测点信息提取故障特征,然后使用粒子群算法优化支持向量机的结构参数,避免了参数选择的盲目性,提高了模型的诊断精度。在对某滤波电路进行的故障检测中,验证了该方法的可行性。     

基于FFT谱能量检测和互相关检测的快速频谱感知方法及其性能分析

为了解决无人机通信中频谱资源紧张的问题，利用认知无线电技术实现无人机动态共享地面通信的频谱资源。针对单用户频谱感知的遮挡效应问题, 利用单用户移动检测, 提出基于主用户空间范围内的频谱能量检测和互相关检测结合的二次检测方法, 分析并给出所提算法在主用户随机出现情况下的虚警概率和检测概率的解析表示。仿真结果表明, 所提算法在运算量较低情况下获得比已有单用户检测算法更好的检测性能。     

核Fisher判别分析多参数自动优化算法

针对智能优化算法原理复杂,相关参数设置困难的缺点,尝试利用拟牛顿法对核Fisher判别分析多个核参数进行自动优化。根据经验风险最小准则构建目标函数。为保证目标函数连续且可导,通过连续的sigmoid函数将离散的二进制输出转化为连续的概率输出。利用正交表选取初始核参数点。实验结果表明,所提算法具有同遗传算法相近的分类性能,且收敛速度快,原理简单,可以很好地应用于核Fisher判别分析多个核参数优化。     

基于SCMA和卷积编码的联合检测译码算法

随着卫星星座及卫星数量的不断增多, 卫星测控中海量用户多址问题亟待解决。稀疏码分多址接入(sparse code multiple access, SCMA)技术能在有限信道资源上承载更多用户, 有望解决大规模卫星的多址测控问题。针对传统的SCMA译码方式——消息传递算法(massage passing algorithm, MPA)译码性能不理想的问题, 提出基于SCMA和卷积编码的联合检测译码(joint detection and decoding, JDD)算法, 进行多轮对数似然信息的更新以及多卫星数据交叉提供概率域的迭代, 以提高系统译码性能。分析和仿真结果表明, 采用基于SCMA和卷积编码的JDD算法可有效提高天基测控系统用户容量, 并保证在算法复杂度适中的情况下有效提高系统误比特性能。     

基于残差原型网络的辐射源个体识别

利用深度学习进行通信辐射源识别分类时，现有算法在较低信噪比下的识别能力还不足，且均着重关注各类辐射源个体的类间距离，忽视了类内紧密性。针对此问题，结合残差网络和原型学习基本思想，提出残差原型网络，对输入信号的差分星座轨迹图进行识别。此外，在基于距离的交叉熵损失函数基础上加入原型损失，通过提高类内紧密度的方式进一步扩增了类间距离。通过对5种ZigBee设备的实验，结果表明所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能，在信噪比高于8 dB时，可达到99%以上的准确率。     

一类通用神经网络非线性系统模型参考自适应控制

针对任意复杂的具有最小相位,滞后环节和非最小相位特性的离散非线性系统,提出一种通用的直接神经网络模型参考自适应控制.并采用具有在线学习功能的最近邻聚类算法训练RBF神经网络控制器,同时引入优化策略对聚类半径进行自动调整,并利用构造伪系统的方法构成一种对非最小相位同样有效的神经网络模型参考自适应控制器.仿真研究证明,该控制策略不仅能使多种非线性对象跟踪多种参考信号,而且抗干扰能力和鲁棒性也很好.