自适应渐消卡尔曼滤波及其在SINS初始对准中的应用

卡尔曼滤波常常被用于惯性导航系统初始对准算法,其使用前提是对系统状态进行建模,从而得到比较准确的系统噪声和观测噪声统计特性。在模型失配和观测噪声干扰的情况下,常规卡尔曼滤波会出现精度下降甚至发散,从而影响初始对准精度。针对这一问题,提出了一种新型渐消卡尔曼滤波算法,引入了多重渐消因子对预测误差协方差阵进行调整,设计了基于新息向量统计特性的滤波状态χ2检验条件,使渐消因子的引入时机更加合理,算法的自适应性得到增强。将改进的卡尔曼滤波算法应用到惯性导航系统的初始对准问题中,仿真试验和实测数据试验结果表明,与常规渐消因子滤波算法相比,新算法可以有效提高滤波精度及鲁棒性。     

基于现代信号处理的罗兰C天波延迟估计研究

传统罗兰C接收机为避免天波信号干扰,采用固定的采样时刻,以致接收机信噪比下降,直接影响了接收机的整体工作性能.分析了三种测量天波时间延迟的现代信号处理方法,并进行了实验仿真分析比对,验证了该方法对于测量天波延迟地波时间的准确性和有效性.     

基于优化包络相关法的罗兰C天波延迟估计算法

针对低信噪比条件下,罗兰C天波信号延迟时间估计的准确性和有效性问题,提出基于优化包络的相关系数时域法。通过分析标准罗兰C信号包络的特征,分别采用微分和二次微分方法对罗兰C信号包络进行优化,形成陡峭的包络信号上升沿;利用相关系数法对接收信号包络和参考信号包络进行匹配,形成的匹配峰值分别对应地波和天波信号到达的时刻,由此可获得天波信号的延迟时间;通过仿真分析和实测信号试验验证,证明该方法能满足数字化接收机的实际要求,并具有更高的抗干扰能力、估计准确性和自动识别功能的特点。估计的结果还可以作为判别相位跟踪和周期识别正确率的辅助依据。     

基于高斯平滑滤波的罗兰C周期识别新方法

在有效估计天波延迟地波时间的基础上,提出了全新的基于高斯平滑滤波的罗兰C周期识别新方法。该方法完全摆脱了固定第三周期识别的思路,在有效防止信号出现周跳和确保接收机接收性能的精确性与稳定性的同时,提高了采样信号的信噪比,降低了信号电平的损失,增加了信息的利用率。     

卫星导航空时自适应波束形成抗干扰技术研究

针对卫星导航信号易被干扰的问题,研究了基于空时自适应波束形成的抗干扰方法。讨论了空时自适应波束形成的基本原理,从空域和时域两个角度分别分析了空时处理对卫星信号影响及补偿方法,对空时自适应波束形成抗干扰处理进行了性能仿真,结果表明可获得干信比为85d B的抗干扰能力,验证了方法的有效性。     

罗兰C信号包络提取技术研究

为改善罗兰C接收机的接收性能,获取更高的定位精度,关键是提高罗兰C信号包络提取的精度。分别讨论了希尔伯特变换、小波变换和短时平均能量三种包络提取方法在罗兰C信号处理中的应用效果。仿真验证表明,基于Morlet小波的包络提取方法精度最高,效果最佳,满足罗兰C接收机实际信号处理条件下对包络信息精确性高的要求。     

GM(1,1)模型初始条件优化及其在GNSS钟差预报中的应用

针对现有改进GM(1,1)模型在导航卫星钟差预报中性能无明显提升的问题,提出通过优化初始条件来提高钟差预报精度的方法。首先构建初始条件未知的GM(1,1)预报模型,然后采用原始序列的最新分量求解初始条件,最后利用该模型对IGS提供的精密钟差数据进行预报实验。结果表明,将初始条件优化后的GM(1,1)模型用于钟差预报切实可行,且预报精度比传统GM(1,1)模型有较大提高。