基于横向地理坐标系的极区惯性导航方法研究

针对极区经线收敛导致以真北向作为航向参考的导航算法失效问题,提出了基于横向地理坐标系的导航参数定义和导航解算方法.该方法选取地球赤道上一点作为新的极点,并在地球模型为椭球模型情况下以该极点为基础定义了横向地球坐标系、横向地理坐标系以及横向经纬度,进而了设计并提出了将横向地理坐标系作为导航参考坐标系的惯性导航力学编排,仿真结果表明本方法解决了传统力学编排在极区不能正常工作的问题.     

大型舰船上子惯导速度的精确计算方法

针对大型舰船上,子惯导速度精确计算的需求,提出了利用杆臂长度、载体角速率构造主惯导在子惯导安装位置处伪速度观测量的算法.针对杆臂效应力学补偿法中需要已知杆臂长度的要求,并结合大型舰船挠曲变形带来的杆臂长度时变特点,提出将杆臂长度误差增列为系统状态向量,通过在线补偿的方法准确获取杆臂长度.仿真结果表明,杆臂长度在线补偿方法对杆臂长度的估计可以精确至厘米级,从而有效提高了伪速度观测量的精度,使得子惯导3个方向的速度均值可以精确至厘米级,均方差可精确至分米级.     

车载GPS/DR组合导航系统的研究及其滤波算法

给出了基于ＧＰＳ与ＤＲ组合的车辆导航系统的设计，建立了该系统的数学模型，利用卡尔曼滤波器对各子系统进行滤波处理，最后对系统进行信息综合及传感器误差校正．试验结果表明，该系统具有良好的导航与定位性能     

基于自适应滤波的SINS/DVL组合导航系统

以水下运载体为研究对象,给出一种线性的捷联惯导系统(SINS)误差数学模型,根据多普勒测速仪(DVL)测速的误差特点建立其误差方程,并以捷联惯导系统为主导航设备建立SINS/DVL组合导航系统数学模型.考虑到DVL测速易受水中复杂环境的影响,将Sage-Husa自适应滤波算法引入SINS/DVL组合导航系统.针对Sage-Husa自适应滤波器长时间滤波后自适应程度下降的问题,引入滤波收敛判据对其进行改进,以自适应调节噪声估计器对不同时刻信息利用的权值.仿真结果表明:该基于自适应滤波算法的SINS/DVL组合导航系统稳定性好,且具有较高的导航精度.     

基于模糊决策的地形辅助导航区域选择准则

为克服传统的单一评价指标区域选择准则容易导致评价结果不全面的缺陷,提出一种基于模糊决策理论的多指标综合选择准则.该准则结合信息熵和模糊决策理论,综合考虑地形高度标准差、高度熵、粗糙度及其相关系数等反映特定地域内地形的总体起伏、信息量多少、光滑度和相关性强弱的地形参数对地形区域选择的影响,求解出指标的隶属度矩阵和权值,给出区域总的评价指数.仿真结果表明,在评价指标高的区域进行地形辅助导航,其匹配误差将更小.     

自适应联邦H∞滤波在水下组合导航系统中的应用

为了提高自主水下航行器组合导航系统精度,选择了捷联式惯性导航系统、多普勒速度声纳、电子磁罗经和海底地形匹配作为水下航行器组合导航系统导航传感器,建立了水下航行器组合导航系统的状态模型和导航传感器观测模型,提出了一种基于RBF神经网络进行联邦滤波信息分配的自适应联邦滤波信息融合方法并进行了计算机软件仿真试验,仿真实验结果表明:采用RBF神经网络进行信息分配系数的自适应调整的改进自适应联邦滤波器的水下航行器组合导航系统的导航姿态、速度和位置精度得到了提高,满足高精度水下组合导航的要求.新型信息融合方法克服了传统滤波容易发散的缺点,有效地提高了水下航行器组合导航系统的容错性能和导航精度.     

基于小波神经网络的组合导航系统初始对准技术

针对SINS/GPS/MCP组合导航系统初始对准中GPS失锁时系统精度下降的问题,引入基于神经网络和小波技术的解决方案,将相关特征量经小波去噪后作为神经网络的训练样本.基于该方案建立了系统滤波模型,包括捷联惯性系统失准角、速度和位置误差方程以及速度航向匹配的状态方程和量测方程.为了验证该方案的有效性,分别对GPS失锁、加入神经网络修正和引入小波去噪技术3种情况进行了仿真,结果发现:神经网络修正可解决速度精度变差的问题;经小波去噪后对神经网络重新训练,各项指标都有所提高.可见,基于小波的神经网络方法可提高神经网络逼近模型的程度,进而提高对准精度.     

大杆臂条件下传递对准算法的设计与仿真

以舰载主/子惯导传递对准为研究对象,分析了传递对准中大杆臂给杆臂长度与子惯导速度带来的影响。针对大杆臂条件下杆臂长度不确定性增加的问题,提出了将杆臂长度误差增列为系统状态向量进行精确估计,并设计了滤波器。针对大杆臂条件下,子惯导天向通道的精确计算需求,提出主惯导在子惯导安装位置处的伪观测量构造算法。仿真结果表明了该滤波算法可以精确的估计杆臂长度,保证子惯导天向通道的计算精度。     

基于H∞滤波算法的前向神经网络在SINS初始对准中的应用

针对捷联惯性导航系统动基座初始对准的误差模型具有非线性、时变性的特点，提出将前向神经网络应用于该误差模型，并采用线性H∞鲁棒滤波算法在线调整网络权值，得到一种适合于该系统模型的改进的自适应前向神经网络．仿真结果表明，在存在模型误差或噪声不确定情况时，该网络不仅具有较好的鲁棒性能，而且能使误差在很短的时间内收敛，提高了系统的实时性，而对准精度与采用推广卡尔曼滤波器的精度相当．