简介:在研究环形激光陀螺的漂移时,许多文献仅采用Allan方差方法进行误差分析。Allan方差没有包含导航用的“零偏不稳定性”项,而实际导航受此项的影响很大,因此只能以经典方差来衡量陀螺的性能,而把Allan方差仅作为一种辅助手段。通常文献采用Allan方差方法分析时,其噪声在频域的表达式(功率谱密度)是建立在频率的不同幂次的基础上,变换成时域表达式得到各项方差。由于此功率谱密度存在不合理,导致诸多矛盾。文中指出这些矛盾,并以实验数据为证,说明这一分析方法不论是逻辑还是在讨论实验数据时都会产生不合理的结果。彻底的解决办法将见续文,它提出用各种阻尼振荡的频带之和作为噪声的功率谱密度。
简介:基于传统小卫星对轨道和姿态参数确定采用分别计算的复杂模式,提出了一种利用地磁场和天文信息同时确定卫星轨道和姿态参数的新方法.首先通过分析小卫星轨道动力学J2模型和卫星姿态动力学模型,建立系统状态方程.其次将三轴磁强计与地磁场模型参考值的矢量作差,分析微分差值与状态变量的数学关系,建立定位/定姿观测方程.利用星敏感器提供的高精度姿态信息,建立定姿观测方程,同时利用星敏感器间接敏感地平观测折射恒星,建立定位观测方程.最后提出基于信息融合的先进滤波算法,并通过对多种导航模式进行数值仿真及结果分析,论证所设计一体化方法提高了系统定轨/定姿的精度和可靠性.
简介:文章给出了一种真正多维的HLLRiemann解算器.采用AUSM分裂将通量分解成为对流通量和压力通量,其中对流通量的计算采用迎风格式,压力通量的计算采用HLL格式,且将HLL格式的耗散项中的密度差用压力差代替,从而使得格式能够分辨接触间断.为了实现数值格式真正多维的特性,分别计算了网格界面中点和角点上的数值通量,并且采用Simpson公式加权组合中点和角点上的数值通量得到网格界面的数值通量.为了减少重构角点处状态时的模板宽度,计算中采用基于SDWLS梯度的线性重构获得2阶空间精度,而时间离散采用2阶保强稳Runge—Kutta方法.数值实验表明,相比于传统的一维HLL格式,文章的真正多维HLL格式具有能够分辨接触间断,以及更大的时间步长等优点.与其他能够分辨接触间断的格式(例如HLLC格式)不同,真正多维的HLL格式在计算二维问题时不会出现激波不稳定现象.
简介:针对惯性器件输出噪声引起高精度机载POS(PositionandOrientationSystem)地面双位置对准精度较差的问题,提出基于小波滤波和隐马尔科夫建模的数据预处理方法结合自适应卡尔曼滤波的双位置对准方法。首先分析惯性敏感器原始信息的频率特性,利用小波滤波算法,消除惯性器件测量中的高频噪声;综合分析器件的随机游走特性,通过建立隐马尔科夫模型削弱惯性敏感器输出随机游走的影响;并针对降噪处理、电源波动及环境因素等引起的系统噪声统计规律不确定性问题,提出利用自适应卡尔曼滤波的方法实现POS高精度初始对准。试验结果表明,采用本文所提方法的对准结果,可使对准结束后600s纯捷联解算的水平速度误差由1.278m/s减小至0.6061m/s,水平位置误差由274.6m减小至128.2m,水平速度和位置误差均减小了50%左右。
简介:针对传统基于g信息的粗对准的捷联惯导系统中,受传感器噪声的影响,存在效视运动无法提取和双向量共线的缺点,提出了一种基于改良Kalman滤波的参数辨识粗对准方法。该方法通过构建视在重力在初始载体系中的映射模型,利用改良Kalman滤波进行模型参数辨识,然后通过识别参数重新构建视在重力在初始载体系中的映射,解决了由于传感器噪声导致有效视运动无法正常提取的缺点。利用识别参数具有随估计次数增多得到优化的特点,构造初始时刻和最终时刻向量,避免双向量共线问题。利用改良Kalman滤波算法的自适应特点,优化参数识别精度与速度。转台实验表明,采用改良Kalman滤波方法航向对准精度为-0.0414°,标准差为0.041°,而传统RLS方法得到的航向精度为-0.0738°,标准差为0.128°。由此可知,本文提出的方法性能更优。
简介:从模式识别的角度分析了搜索模式下水下运载体的重力匹配问题,利用模式识别神经网络实现重力匹配定位。在重力图匹配时,以惯性导航仪指示位置为中心规划真实位置的网格点搜索范围,从参考重力图上提取相应一系列的重力数据,与对应网格点的位置一起定义成多个模式类,构造相应的模式识别概率神经网络,运用该神经网络将实时重力测量数据识别到某个模式类,对比模式类的定义确定载体位置。在实测重力图上对重力辅助惯性导航系统进行了计算机仿真研究。结果表明,在重力场特征显著区域该重力匹配算法能够有效减小厄特弗斯效应的影响,其导航系统定位误差小于一个重力图网格,匹配率在80%以上,匹配效果优于一般的相关匹配算法。
简介:研究翼型绕流的转捩预测方法,对于翼型流动细节的精确模拟和气动力的准确计算以及精细化设计均具有十分重要的意义.采用动模态分解(dynamicmodedecomposition,DMD)代替线性稳定性理论(linearstabilitytheory,LST)与e^N方法结合,不需要求解稳定性方程,成为一种数据驱动的翼型边界层转捩预测新方法,称为DMD/e^N方法.在原有方法的基础上,改进了DMD网格线生成方法和扰动放大N因子的积分策略,并将RANS求解器与改进的DMD/e^N方法进行耦合,实现了翼型定常绕流转捩预测自动化.采用该方法对LSC72613跨声速自然层流翼型以及NLF0416低速自然层流翼型在不同攻角下的绕流进行转捩预测,转捩点计算结果均与实验值和LST/e^N方法吻合良好.该方法计算得到的N值增长曲线与LST/e^N方法的包络线也较为吻合,进一步验证了积分策略的正确性.改进的DMD/e^N方法可作为自然层流翼型设计的新的有力工具.