-
国内外对弹道滤波算法开展了广泛的研究。弹道预测主要方法有Kalman滤波算法，非线性滤波算法以及联邦滤波理论。河海大学的欧阳广帅和周晶[8]，给出了基于卡尔曼滤波的高精度弹道滤波的算法。该算法提出了一种带有噪声统计估计器的拟线性最优平滑滤波算法，可以减小由于系统模型不精确带来的误差，很大程度上提高了弹道轨迹滤波估计的精度。沈阳理工大学的张玉春、姚俊和李娜[8]提出了一种基于衰减记忆算法的弹道参数滤波方法，该方法辨识精度较高，收敛性好。中国船舶重工集团公司江苏自动化研究所徐国亮[9]，研究发现导引我方发射的制导炮弹等目标,需要在炮瞄雷达跟踪炮弹的基础上准确估计炮弹目标的位置、速度等状态信息。鉴于直接对测量的弹道轨迹建立常规运动模型滤波效果较差,提出了两种方法。28207
- 上一篇：防火墙技术国内外研究现状
- 下一篇：弹丸跨介质弹道特性国内外研究现状
一种基于弹道偏差滤波的方法,另一种是基于弹道方程滤波方法。仿真计算比较结果表明文中建立的弹道滤波算法对弹道类目标的滤波精度和反应时间上有大幅度提高。海军大连舰艇学院戴耀[10]针对舰炮弹道观测校正中的弹道最佳估计问题,提出了转换卡尔曼滤波算法,在三文空间里对观测弹丸飞行轨迹进行滤波,估计最佳弹道.给出了具体的算法并用某型海军舰炮进行了仿真,取得了较好效果。南京理工大学常思江，王中原，牛春峰[11]，为了快速、准确地获取弹箭飞行状态参数,讨论了采用不同卡尔曼滤波的弹道估计过程.采用质点弹道模型,考虑了动力平衡角的影响,以随机横风为过程噪声,建立了弹箭飞行状态方程;基于实测的弹箭位置、速度参数,建立了量测方程;分别采用扩展卡尔曼滤波（EKF）和线性化卡尔曼滤波（LKF）对测量数据进行最优估计,提出一个弹道滤波混杂算法。以某低旋尾翼弹为例,在坐标雷达探测体制下进行了仿真计算。结果表明,混杂算法减少了系统的在线计算量,提高了弹箭飞行状态的估计精度。南京理工大学能源与动力工程学院常思江，王中原，刘世平[12]，在一篇论文中提出精确的弹箭位置与姿态测量数据是提高制导弹箭射击精度的基础。论文中，他们通过分析高速旋转弹位置与姿态传感器的量测噪声,采用卡尔曼滤波方法进行误差估计,以提高测量精度。基于高速旋转弹质心运动和角运动方程,建立了系统状态方程;根据全球定位系统和地磁传感器的测量原理,建立了量测方程;以某弹飞行数据为例,采用扩展卡尔曼滤波(EKF)和无卡尔曼滤波(UKF)分别对弹箭的位置和姿态进行最优估计。仿真结果表明,采用上述方法可有效减少系统误差,并使综合误差进一步降低,射程与高度误差均控制在±1 m,论文网攻角和侧滑角误差分别为±0.02 rad和±0.01 rad,可满足工程应用的要求。河南理工大学王庭辉等人[13],基于末端弹道小机动、平稳特点,采用质点弹道模型描述目标的运动，结合非线性不敏卡尔曼滤波算法(Unscented Kalman Filter,UKF)对雷达量测数据进行滤波及弹道参数估计。根据现实需要，由某一时刻滤波得到的目标位置、速度和弹道系数进行外推计算。计算结果表明，对于飞行马赫数为1~3的来袭目标，外推2s目标空间位置绝对误差可以稳定控制在10m左右。考虑到雷达对目标的径向速度测量数据较为精确的特点，提出了一种基于最小二乘拟合和充分利用径向速度数据的计算方法，确定了目标外推初始边界条件。计算过程和结果表明，该方法具有更快的计算速度和更好的计算精度。弹道再入目标轨迹跟踪是一个重要的非线性滤波应用问题。兰州大学田亚菲[14]等人将常见的非线性滤波器分类为基于点的滤波器和基于密度的滤波器，并对比分析了各类算法的基础理论原理,仿真实验得出在高斯噪声条下，EKF要优于UKF和PF，在闪烁噪声条件下PF要优于EKF和UKF的结论。机电工程与控制重点实验室的刘创[15]等人在针对前人研究弹道随机风大多从统计特性出发开展研究,建立的风场模型不能反映不同弹道高度上的真实风速的问题,提出了基于无卡尔曼滤波(UKF)的弹道随机风估计方法。该方法以质点弹道模型为状态方程和弹丸轴向加速度为量测方程,采用无卡尔曼滤波器递推估计弹道随机风速。估计的弹道随机风速与靶场实测风速比较，两者变化趋势一致，量值相当，能够比较精确地估计实际弹道风。针对目前弹道修正技术中测试参数误差较大且实时性和安全性不能满足相应的精度需求的现状,中北大学杨慧娟[16]等人，采用扩展混合卡尔曼滤波器来估计弹丸3种状态参数,包括弹丸在空气中的相对速度、高度和轨迹角。建立了卡尔曼滤波系统状态模型和以轴向加速度为观测量的量测模型。对IMU的测量数据进行滤波和估计处理,得到误差较小且满足实时性和安全性要求的弹道修正信息。仿真结果表明:滤波器在模拟数据下进行调节和测试,相对速度的估计性能良好。针对弹道修正引信工作环境恶劣、引信空间有限及要求成本低,难以应用GPS/惯导组合,而最小二乘滤波在系统表现为强非线性时,估计精度很差,甚至完全不可用，机电动态重点实验室的杨小会，霍鹏飞和王超[17]提出一种基于卡尔曼滤波的GPS测量误差消除方法。该方法结合质点弹道模型，采用扩展卡尔曼滤波对GPS测量值进行最优估计,为弹道预测提供初始弹道诸元。靶场试验结果表明：扩展卡尔曼滤波最优估计能有效降低GPS测量误差。针对再入阶段弹道目标的跟踪问题,长安大学巫春玲[18]等人提出一种新的自适应滤波算法,即强跟踪有限差分扩展卡尔曼滤波（STFDEKF）算法,用于非线性系统的目标跟踪。该方法使用Sterling内插公式进行多项式的近似,从而实现对非线性函数的近似,避免了非线性函数的求导运算;并且算法中引入强跟踪的因子来修正先验的协方差矩阵。新算法改进了跟踪精度,扩大了应用范围,增强了滤波收敛性。仿真实验将新算法与扩展卡尔曼滤波器（EKF）、有限差分扩展卡尔曼滤波器（FDEKF）进行了比较,结果表明,STFDEKF在跟踪精度和滤波可靠性上均优于EKF和FDEKF,但其计算复杂性更大。得出结论STFDEKF是个很有效的非线性滤波算法。为提高基于GPS定位的弹道辨识方法的实时性和可靠性,北京理工大学的申强[19]等人提出了一种以弹道微分方程四阶龙格库塔数值积分预测作为状态量递推的卡尔曼滤波弹道参数估计算法,并针对卫星接收机有粗大误差或失效情况对方法进行了改进.利用卫星信号模拟器和C/A码GPS接收机构建半实物仿真系统对算法进行验证,该方法的弹道参数估计误差是GPS接收机正常工作时测量误差的30%~40%;且能在GPS接收机出现异常时继续给出接近实际的估计值。针对目前国内弹道导弹导航系统单一的情况，南京航空航天大学的康国华[20]等人，提出一种将捷联星光跟踪(Strapdownstartracker,SST)的姿态信息、高速GPS的位置、速度信息与捷联惯导进行组合滤波,全面提高了导航的姿态、速度和位置精度。最后以该算法为核心,设计并实现了用于弹道导弹的GPS/SST/SINS组合导航系统实时仿真平台。仿真结果表明,该滤波算法稳定可靠,系统精度达到国外同等水平。针对靶场机动目标跟踪与实时弹道估算的实际，陈伟利和李颢[21]将“当前”模型和UKF滤波用于机动目标跟踪与实时弹道估算，建立了具有较好自适应特性及较高滤波精度的系统模型与算法。卫星在角度测量信