CN111783307B - 一种高超声速飞行器状态估计方法 - Google Patents
一种高超声速飞行器状态估计方法 Download PDFInfo
- Publication number
- CN111783307B CN111783307B CN202010646801.0A CN202010646801A CN111783307B CN 111783307 B CN111783307 B CN 111783307B CN 202010646801 A CN202010646801 A CN 202010646801A CN 111783307 B CN111783307 B CN 111783307B
- Authority
- CN
- China
- Prior art keywords
- hypersonic aircraft
- representing
- model
- state
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 229920002148 Gellan gum Polymers 0.000 claims 1
- 239000000203 mixture Substances 0.000 abstract description 6
- 230000033001 locomotion Effects 0.000 description 16
- 230000001133 acceleration Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013277 forecasting method Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007123 defense Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
一种高超声速飞行器状态估计方法,解决了现有技术中对于混合高斯噪声导致估计精度低的问题,属于高超声速飞行器状态估计与轨迹预报技术领域。本发明的方法包括:建立高超声速飞行器跟踪动力学模型,确定高超声速飞行器跟踪动力学模型的状态量,本发明将气动参数和面质比的乘积、速度倾侧角引入高阶状态量中,对飞行器动力学模型在线估计、建模;利用鲁棒高阶容积卡尔曼滤波方法对高超声速飞行器的量测数据进行处理,对确定的状态量进行估计,实现高超声速飞行器的状态估计。同时本发明还可以根据获得的状态估计结果Xk,对其中的参数Dk、Lk和νk建立自回归模型,确定模型系数,利用确定系数的自回归模型对高超声速飞行器的轨迹进行预测。
Description
技术领域
本发明涉及一种高超声速飞行器状态估计方法及轨迹预报方法,属于高超声速飞行器状态估计与轨迹预报技术领域。
背景技术
随着航空航天技术的发展,各国加大了对高超声速飞行器的重视和投入。由于高超声速飞行器高速、高机动的特点,其具有很强的快速突防能力,使传统的防空系统无法对其进行有效的探测和拦截攻击。高超声速飞行器的出现给国家安全带来了严重的威胁,所以开展高超声速飞行器状态估计和轨迹预报方法研究对我国空天防御系统的发展具有重要意义。
为实现高超声速飞行器运动状态的精确估计,关键在于建立准确的目标运动模型。经过三十年的研究和发展,目标运动模型主要分为两个方向:基于运动学建立目标跟踪模型,是以加速度或加加速度为基点,分析加速度的变化特性,常用的模型包括“CA”模型、“Singer”模型和“当前”统计模型等;基于动力学建立目标跟踪模型,则是对目标进行受力情况及各个方向的加速度特性分析,将目标机动的控制参数增广到状态向量中,实现参数与运动状态联合估计。基于运动学目标跟踪模型结构简单,计算量小,但是其结构固定,无法对目标机动模式突变和机动模式切换做出相应的调整,对强机动目标适应性较差。基于动力学的目标跟踪模型是从高超声速飞行器受力的角度出发,着重对飞行器飞行模式控制量的变化规律进行估计和挖掘,这样可以从根本上估计目标的机动规律和机动模式。基于动力学目标跟踪模型关键在于目标运动参数的选取以及参数变化模型的建立。
在确定目标跟踪模型后,要完成高超声速飞行器状态估计,需要使用卡尔曼滤波器对探测器的观测数据进行处理,从而完成目标状态估计。常用的非线性滤波器有EKF、UKF和CKF等,这些都是高斯滤波方法,需要满足一个基本假设:探测器测量信息的噪声为高斯噪声。然而在工程应用中,由于探测器工作环境存在随机干扰,探测器的位置容易出现随机摆动,再加上探测器本身的探测误差,导致探测器的测量数据的噪声表现为位置噪声和探测噪声等多种高斯噪声混合形式,即混合高斯噪声。如果继续使用高斯滤波方法,必然会引起滤波精度下降或滤波器发散。
发明内容
针对现有高超声速飞行器状态估计方法对于混合高斯噪声导致估计精度低的问题,本发明提供一种可用于长时间、高精度的高超声速飞行器状态估计方法。
本发明的一种高超声速飞行器状态估计方法所述方法,包括:
S1、建立高超声速飞行器跟踪动力学模型,确定高超声速飞行器跟踪动力学模型的状态量,所述高超声速飞行器跟踪动力学模型为:
其中,v表示速度矢量,表示速度矢量的导数,ν表示速度倾侧角,/>表示速度倾侧角的二阶导数,r表示目标的位置矢量,TV(θ,σ,ν)表示速度系到探测系的转换关系,θ表示弹道倾角,σ表示弹道偏角,ν表示速度倾侧角,ρ表示大气密度,/> CD为阻力系数,CL为升力系数,S为目标的特征面积,m为目标质量,g表示地球引力矢量,ωe表示地球自转角速度矢量,ωD、ωL和ων分别表示三种高斯白噪声;
选取状态变量红外定位的采样周期为T,下标k表示时刻,tk表示k时刻的时间取值,则高超声速飞行器跟踪动力学模型的离散方程为:
Xk=f(tk,Xk-1)
S2、利用鲁棒高阶容积卡尔曼滤波方法对高超声速飞行器的量测数据进行处理,对S1确定的状态量进行估计,实现高超声速飞行器的状态估计。
作为优选,所述鲁棒高阶容积卡尔曼滤波方法包括:
S21、获取利用鲁棒高阶容积卡尔曼滤波方法的k-1时刻估计的状态量和误差协方差/>其中使用鲁棒高阶容积卡尔曼滤波方法时的初始状态量/>和初始协方差/>
X0表示初始状态量,E(X0)表示初始状态量的数学期望,k的初始值为1;
S22、计算容积点该容积点集为:
式中,n是状态维数,表示对协方差矩阵/>进行乔莱斯基分解计算的结果;
点集ξi表达式如下:
ei表示第i个元素为1的n维单位向量,/>和/>的表达式为
S23、利用已知的非线性系统方程将S22的容积点集转换为
其中,表示系统状态方程,tk表示k时刻的时间取值;
获得k时刻的先验估计和先验估计误差的协方差/>
式中,Qk-1表示k-1时刻过程噪声协方差矩阵,权值ωi的表达式:
S24、计算容积点及该容积点集:
S25、利用已知的非线性系统方程将S24的容积点集转换为量测预测值
其中,表示k时刻的系统测量方程;
获得k时刻的量测预测和互协方差矩阵Pxz:
S26、利用互协方差矩阵Pxz构造线性回归模型:
ξk=yk-MkXk
其中,
I是n维单位矩阵,Xk表示状态量的真实值,zk表示量测数据的值,Rk表示测量噪声协方差矩阵,vk表示系统测量噪声,δk表示Xk与/>差值;
S27、线性回归模型利用最小二乘迭代,当满足精度要求,停止迭代,计算k时刻的状态量和误差协方差/>
最小二乘迭代中,迭代代价函数为m表示Xk的维数,s为zk维数;
迭代初值为/> Ψ(j)=diag[ψ(ξi)],γ为Huber函数的可调参数,j为最小二乘迭代次数,ξ表示残差向量,ξi为残差向量ξ的第i个分量,γ表示可调参数;
根据和/>得到目标k时刻状态估计值/>和误差协方差估计Pk实现k时刻的高超声速飞行器的状态估计,k的值加1,转入S21。
作为优选,所述测量噪声由高超声速飞行器的红外定位的均方差确定。
作为优选,所述方法还包括:根据S2获得的状态估计结果对参数Dk、Lk和νk建立自回归模型,确定模型系数,利用确定系数的自回归模型对高超声速飞行器的轨迹进行预测。
作为优选,确定系数的自回归模型为:
β11、β12、β13、β21、β22、β23、β31、β32和β33表示自回归模型的系数。
本发明的有益效果:本发明可以对高超声速飞行器运动过程在线建模,并在测量噪声为非高斯特性时完成目标状态估计;本发明的鲁棒高阶容积卡尔曼滤波器主要是为了解决量测噪声的非高斯问题。采用Huber滤波算法对传统的高阶容积卡尔曼滤波的量测更新部分进行改进。采用广义极大似然估计方法对性能指标取极小值,以此来逼近高超声速飞行器飞行过程的状态量和参数的实际值,本发明可以有效地提高量测噪声为混合高斯噪声时的状态和参数估计精度,这对高超声速飞行器的轨迹精确预报起到了关键作用。同时本发明能够基于自回归模型对跟踪结果的状态参数建模,挖掘高超声速飞行器运动的潜在规律,实现目标轨迹的长时间预报。
附图说明
图1为目标与红外探测器的位置关系图;
图2为红外探测示意图;
图3为本发明鲁棒高阶容积卡尔曼滤波方法的递推流程示意图;
图4为本发明高超声速飞行器状态估计结果示意图;
图5为本发明轨迹预报结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施方式的一种高超声速飞行器状态估计方法,包括:
步骤一、建立高超声速飞行器跟踪动力学模型,确定高超声速飞行器动力学跟踪模型的状态量;
本实施方式中以助推滑翔式飞行器为研究对象,主要依靠气动力R进行弹道控制,发动机推力P和控制力Fc均为零,高超声速飞行器在自由滑翔段,采用BTT控制,即滚转转弯。所以气动系数决定飞行器的所受控制力特性,速度倾侧角ν反映飞行器的机动模式,这些量是确定飞行器运动规律的关键参数,考虑到飞行器的质量和参考面积未知常量,因此将气动参数和面质比的乘积、速度倾侧角引入高阶状态量中,对飞行器动力学模型在线估计、建模。
定义在目标状态估计的一个周期内,可以把速度倾侧角看成一个均匀变化过程,CD为阻力系数,CL为升力系数,S为目标的特征面积,m为目标质量。
则
(1)气动加速度模型(速度系)
v表示速度矢量,表示速度矢量的导数,ν表示速度倾侧角,/>表示速度倾侧角的二阶导数,ωD、ωL和ων分别表示三种高斯白噪声;
(2)高超声速飞行器动力学跟踪模型(探测系)
高超声速飞行器在自由段是无推力滑翔,控制方式采用BTT控制,即β=0,所以高超声速飞行器侧向力Z=0,其动力学矢量方程:
r表示目标的位置矢量,TV(θ,σ,ν)表示速度系到探测系的转换关系,θ表示弹道倾角,σ表示弹道偏角,ν表示速度倾侧角,ρ表示大气密度,g表示地球引力矢量,ωe表示地球自转角速度矢量;
(3)高超声速飞行器跟踪动力学模型离散化
选取状态变量红外采样周期为T,则高超声速飞行器跟踪动力学模型离散方程为:
本实施方式的高超声速飞行器动力学跟踪模型包含两部分。其中动力学微分模型是对目标进行受力情况及各个方向的加速度特性的描述,控制参数变化模型是对控制飞行器飞行模式的气动系数和速度倾侧角的变化过程的描述。由于卡曼滤波算法可以对慢变量实现有效的估计,快变量的估计精度将会变。然而,速度倾侧角属于快变量,但其一阶导数变化缓慢,本实施方式将速度倾侧角一阶导数引入高阶向量对其变化过程建模。所以,高超声速飞行器动力学跟踪模型可以实现对飞行器飞行规律和飞行模式在线建模,具有很强的适应性,很好地匹配目标的实际飞行过程。
步骤二、利用鲁棒高阶容积卡尔曼滤波方法对高超声速飞行器的量测数据进行处理,对步骤一确定的状态量和误差协方差进行估计,根据状态量和误差协方差的估计进行高超声速飞行器的状态估计。;
本实施方式中高超声速飞行器的量测数据采用红外探测器对高超声速飞行器的运动位置信息探测,探测的原理及过程为:
首先,进行坐标系定义:
地心坐标系O-xEyEzE,简记为E。OxE在赤道平面内指向起始本初子午线(通常取格林尼治天文台所在子午线),OzE轴垂直于赤道平面指向北极,O-xEyEzE组成右手直角坐标系。地心坐标系适用确定高超声速飞行器相对地球表面的位置信息。
探测坐标系O-xTyTzT,简记为T。探测系主要是为了方便描述目标的位置信息,原点可以自己设定。一般选取地基雷达基点为坐标系原点,OxT轴在探测系原点水平面内,指向北极方向,OyT轴垂直于水平面指向上方,OzT构成右手坐标系。利用该坐标系可建立高超声速飞行器跟踪模型,确定目标的相对位置信息。
速度坐标系O-xVyVzV,简记为V。坐标系原点O为高超声速飞行器的质心,OxV轴沿飞行器的飞行速度方向,OyV轴在飞行器的主对称面内,垂直OxV,OzV轴垂直于xVOyV平面,顺着飞行方向看去,zV轴指向右方。用该坐标系描述飞行器的飞行速度矢量状态。
然后,确定各坐标系之间转换的关系:
(1)地心坐标系与探测坐标系之间的方向余弦阵
将地球考虑为总地球椭球体,则探测系原点在椭球体上的位置可用经度λ0,地理纬度B0确定。将两个坐标系原点移至地心,地心坐标系先绕OzE轴轴反转90°-λ0,然后绕新坐标系Ox'正转B0,再绕新轴Oy'反转90°,即可得到探测坐标系。所以方向余弦阵关系式:
(2)探测坐标系与速度坐标系之间的方向余弦阵
将两个坐标系原点重合,探测系绕OzT轴正向转动θ角(速度倾角),接着绕Oy'正向转动σ角(航迹偏航角),最后绕OxV正向转动ν角(倾侧角),即可得到速度坐标系。所以方向余弦阵关系式:
采用红外探测器对高超声速飞行器的运动位置信息探测,生成目标的高低角和方位角。红外定位的主要目的是根据红外测量的角信息确定目标在探测系下的位置信息。
设目标在探测系下的位置矢量:R=(x,y,z),红外探测器基点在探测系下的位置矢量:Si=(xi,yi,zi),则有r=R-Si=(x-xi,y-yi,z-zi)。目标与红外探测器位置关系及探测示意图。
结合图1和图2介绍红外定位原理。假设探测系到红外探测器本体系的转换矩阵为BT,地心系到探测系的转换矩阵为TE,地心系到红外探测器本体系的转换矩阵为BE,则目标在本体系下的矢量为:
所以
定位
综上,使用最小二乘算法定位,则以双基红外的定位结果作为量测数据。
由于红外探测器的工作环境存在一些随机干扰,导致探测噪声不是单一的高斯噪声,而是多种不同形式的高斯噪声的混合,即探测噪声表现为非高斯的特性。本实施方式高超声速飞行器跟踪动力学模型中的状态变量的n维离散时间非线性系统方程为:
其中,α为干扰因子,λ是干扰高斯分布方差相对于主高斯分布方差的比重,测量噪声为混合高斯噪声;Xk+1表示k+1时刻的状态向量,Xk表示k时刻的状态向量,f(tk,Xk)表示系统状态方程,tk表示k时刻的时间取值,zk表示k时刻的测量值,wk表示系统过程噪声,h(tk,Xk)表示系统测量方程,vk表示系统测量噪声,Qk表示过程噪声协方差矩阵,N(0,Rk)表示正态分布,Rk表示测量噪声协方差矩阵;
所以,在实际工程应用中,探测噪声的非高斯型不满足传统卡尔曼滤波的基本假设,如果继续使用传统卡尔曼滤波对高超声速飞行器进行跟踪滤波必然会导致滤波精度下降。为改善对高超声速飞行器的跟踪效果,本实施方式提出一种鲁棒高阶容积卡尔曼滤波方法,拟在高斯滤波的框架下解决非高斯问题。如图3所示,本实施方式的鲁棒高阶容积卡尔曼滤波方法包括:
步骤二一、获取利用鲁棒高阶容积卡尔曼滤波方法的k-1时刻估计的状态量和误差协方差/>其中使用鲁棒高阶容积卡尔曼滤波方法时的初始状态量/>和初始协方差/>
X0表示初始状态量,E(X0)表示初始状态量的数学期望,k的初始值为1;
步骤二二、计算容积点该容积点集为:
式中,n是状态维数,表示对协方差矩阵/>进行乔莱斯基分解计算的结果;
点集ξi表达式如下:
ei表示第i个元素为1的n维单位向量,/>和/>的表达式为
步骤二三、利用已知的非线性系统方程将步骤二二的容积点集转换为
/>
其中,表示系统状态方程,tk表示k时刻的时间取值;
获得k时刻的先验估计和先验估计误差的协方差/>
式中,Qk-1表示k-1时刻过程噪声协方差矩阵,权值ωi的表达式:
步骤二四、计算容积点及该容积点集:
步骤二五、利用已知的非线性系统方程将步骤二四的容积点集转换为量测预测值
其中,表示k时刻的系统测量方程;
获得k时刻的量测预测和互协方差矩阵Pxz:
步骤二六、利用互协方差矩阵Pxz构造线性回归模型:
ξk=yk-MkXk式21
其中,/>
I是n维单位矩阵,Xk表示状态量的真实值,zk表示量测数据的值,Rk表示测量噪声协方差矩阵,vk表示系统测量噪声,δk表示Xk与/>差值;
步骤二七、线性回归模型利用最小二乘迭代,当满足精度要求,停止迭代,计算k时刻的状态量和误差协方差/>
最小二乘迭代中,迭代代价函数为m表示Xk的维数,s为zk维数;
迭代初值为/> Ψ(j)=diag[ψ(ξi)],γ为Huber函数的可调参数,j为最小二乘迭代次数,ξ表示残差向量,ξi为残差向量ξ的第i个分量,γ表示可调参数;
根据和/>得到目标k时刻状态估计值/>和误差协方差估计Pk实现k时刻的高超声速飞行器的状态估计,k的值加1,转入步骤二一。
本实施方式的步骤二五至步骤二七为量测更新,对传统的高阶容积卡尔曼滤波的量测更新部分进行改进。采用广义极大似然估计方法对性能指标取极小值,以此来逼近高超声速飞行器飞行过程的状态量和参数的实际值,可以有效地提高量测噪声为混合高斯噪声时的状态和参数估计精度,这对高超声速飞行器的轨迹精确预报起到了关键作用。
本实施方式的线性回归模型构建过程为:
假设k时刻状态量的真实值为xk,与估计的状态量xk的关系为其中δk为预测误差。/>
对观测方程线性化:则观测方程转换为如下的线性回归模型:
式中,滤波的指标为:
令Dk,yk,Mk,ξk的表达式如下:
则式23可以写成如下的线性回归模型
yk=MkXk+ξk 式30
本实施方式中的Hk为线性化方程,所以线性回归模型中的Hk不用线性化处理。本实施方式的步骤二七采用的广义极大似然估计求解步骤二六中的线性回归模型,即测量更新部分转化为求解式31所示代价函数的极小值,迭代代价函数为:
m表示Xk的维数,s为zk维数;
式31函数ρ(ζi)的表达式为:
式中,ζi为残差向量ζ的第i个分量;
对上述代价函数求导,则可得到式31的解为:
φ(ζi)=ρ′(ζi) 式34
权重函数ψ(ζi)和矩阵Ψ,Ψ=diag[ψ(ζ)],则式33可以转化为
最小二乘迭代形式为:
迭代初值设为迭代结束后求得误差协方差为:
Huber经过严格的证明,论证了当测量噪声为混合高斯分布时,函数ρ为式32的广义极大似然估计对该系统具有渐进鲁棒性。
仿真试验:
假设观测噪声服从干扰高斯分布:vk~(1-α)N(0,Rk)+αN(0,λRk),是两种高斯噪声的叠加。仿真实验中,设置α=0.3,λ=5。在设计滤波器时,干扰噪声无法确定,所以测量噪声依然由红外定位均方差确定。从图4的状态估计结果可以看出,在高测量噪声及飞行器机动模式多变的情况下,本实施方式的高超声速飞行器状态估计算法依然可以对飞行器的飞行状态准确估计,验证了本实施方式的跟踪模型较强的适应性和滤波算法较高的滤波精度。结合下表,鲁棒高阶容积卡尔曼滤波相较于传统高阶容积卡尔曼滤波,位置和速度的滤波精度都有较大的提高,所以本发明更适合处理混合高斯噪声,更切合实际工程应用。
表1
滤波算法 | 位置误差均值 | 位置误差均方根 | 速度误差均值 | 速度误差均方根 |
鲁棒高阶容积 | 59.1311 | 72.9290 | 68.9608 | 69.8950 |
高阶容积 | 67.9643 | 84.3505 | 69.5581 | 71.6991 |
基于高超声速飞行器跟踪动力学模型可以对目标运动的控制参数在线建模和估计,准确地估计目标运动规律。在进行高超声速飞行器轨迹预报时,是根据目标运动规律提取结果,来实现弹道前推。传统的轨迹预报方法,是根据跟踪结果对目标运动的加速度进行最小二乘拟合。这种方法最主要的问题是:本领域技术人员无法确定用哪些物理量以及这些量的组合形式来描述加速度,因此物理量选取不合适或者物理量组合形式不合适都无法从根本上描述目标的运动规律,从而导致模型误差,降低轨迹预报精度。
因此,本实施方式又提出一种基于自回归理论拟合飞行器控制参数以进行轨迹预报。自回归模型把飞行器的控制模型看成一个“黑箱子”,重点挖掘时间序列数据内部的规律来反映飞行器的飞行规律。
(1)自回归模型参数估计
对于一时间序列{xt}满足自回归模型:将t=p+1,t=p+2…代入上式,可得以下线性方程组:/>
令
则,矩阵表示形式:
模型的残差平方和为:根据多元线性回归理论,可得参数/>的最小二乘估计:/>
(2)高超声速飞行器轨迹预报
在对高超声速飞行器状态估计后,得到高超声速飞行器飞行过程的状态和参数估计序列。由于气动系数决定飞行器的所受控制力特性,速度倾侧角ν决定飞行器的机动模式,所以气动系数和速度倾侧角是确定飞行器运动规律的关键参数。因此,本发明基于自回归模型处理气动系数和速度倾侧角时间序列数据,从而建立高超声速飞行器的动力学模型:
其中,Dk、Lk和νk为当前时刻控制参数的值,其自回归模型如式38。截取跟踪结果基于自回归模型参数估计方法,确定模型系数,从而来反映高超声速飞行器的飞行规律,完成轨迹预报。
从附图5可以看出,对高超声速飞行器轨迹预报200s,预报误差在30km范围内。所以,根据跟踪结果对高超声速飞行器控制参数建立自回归模型可以很好地匹配飞行器实际的实际飞行规律和机动模式,对飞行器的转弯规律和转弯曲率进行良好的跟踪和预测,验证了本发明基于自回归模型的高超声速飞行器轨迹预报方法的优越性。
本实施方式基于自回归模型的高超声速飞行器轨迹预报方法主要是对跟踪序列数据的潜在规律挖掘和参数化建模。自回归模型把飞行器的控制模型看成一个“黑箱子”,重点解决序列数据之间的关联性,并对跟踪历史数据参数化建模,来反映高超声速飞行器的飞行规律和机动模式,具有很高的拟合精度,而且可以完美地解决传统预报方法由于参数选取和组合形式不合理引起的模型误差。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (4)
1.一种高超声速飞行器状态估计方法,其特征在于,所述方法包括:
S1、建立高超声速飞行器跟踪动力学模型,确定高超声速飞行器跟踪动力学模型的状态量,所述高超声速飞行器跟踪动力学模型为:
其中,v表示速度矢量,表示速度矢量的导数,ν表示速度倾侧角,/>表示速度倾侧角的二阶导数,r表示目标的位置矢量,TV(θ,σ,ν)表示速度系到探测系的转换关系,θ表示弹道倾角,σ表示弹道偏角,ν表示速度倾侧角,ρ表示大气密度,/> CD为阻力系数,CL为升力系数,S为目标的特征面积,m为目标质量,g表示地球引力矢量,ωe表示地球自转角速度矢量,ωD、ωL和ων分别表示三种高斯白噪声;
选取状态变量红外定位的采样周期为T,下标k表示时刻,tk表示k时刻的时间取值,则高超声速飞行器跟踪动力学模型的离散方程为:
Xk=f(tk,Xk-1)
S2、利用鲁棒高阶容积卡尔曼滤波方法对高超声速飞行器的量测数据进行处理,对S1确定的状态量进行估计,实现高超声速飞行器的状态估计;
所述鲁棒高阶容积卡尔曼滤波方法包括:
S21、获取利用鲁棒高阶容积卡尔曼滤波方法的k-1时刻估计的状态量和误差协方差/>其中使用鲁棒高阶容积卡尔曼滤波方法时的初始状态量/>和初始协方差/>
X0表示初始状态量,E(X0)表示初始状态量的数学期望,k的初始值为1;
S22、计算容积点该容积点集为:
式中,n是状态维数,chol(Pk-1)T表示对协方差矩阵Pk-1进行乔莱斯基分解计算的结果;
点集ξi表达式如下:
ei表示第i个元素为1的n维单位向量,/>和/>的表达式为
S23、利用非线性系统方程将S22的容积点集转换为
其中,表示系统状态方程,tk表示k时刻的时间取值;
获得k时刻的先验估计和先验估计误差的协方差/>
式中,Qk-1表示k-1时刻过程噪声协方差矩阵,权值ωi的表达式:
S24、计算容积点及该容积点集:
S25、利用已知的非线性系统方程将S24的容积点集转换为量测预测值
其中,表示k时刻的系统测量方程;
获得k时刻的量测预测和互协方差矩阵Pxz:
S26、利用互协方差矩阵Pxz构造线性回归模型:
ξk=yk-MkXk
其中,
I是n维单位矩阵,Xk表示状态量的真实值,zk表示量测数据的值,Rk表示测量噪声协方差矩阵,vk表示系统测量噪声,δk表示Xk与状态估计值/>差值;
S27、线性回归模型利用最小二乘迭代,当满足精度要求,停止迭代,计算k时刻的状态量和误差协方差/>
最小二乘迭代中,迭代代价函数为m表示Xk的维数,s为zk维数;
迭代初值为/> Ψ(j)=diag[ψ(ξi)],γ为Huber函数的可调参数,j为最小二乘迭代次数,ξ表示残差向量,ξi为残差向量ξ的第i个分量,γ表示可调参数;
根据和/>得到目标k时刻状态估计值/>和误差协方差估计Pk实现k时刻的高超声速飞行器的状态估计,k的值加1,转入S21。
2.根据权利要求1所述的高超声速飞行器状态估计方法,其特征在于,所述测量噪声由高超声速飞行器的红外定位的均方差确定。
3.根据权利要求1或2所述的高超声速飞行器状态估计方法,其特征在于,所述方法还包括:根据S2获得的状态估计值对参数Dk、Lk和νk建立自回归模型,确定模型系数,利用确定系数的自回归模型对高超声速飞行器的轨迹进行预测。
4.根据权利要求3所述的高超声速飞行器状态估计方法,其特征在于,确定系数的自回归模型为:
β11、β12、β13、β21、β22、β23、β31、β32和β33表示自回归模型的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646801.0A CN111783307B (zh) | 2020-07-07 | 2020-07-07 | 一种高超声速飞行器状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646801.0A CN111783307B (zh) | 2020-07-07 | 2020-07-07 | 一种高超声速飞行器状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783307A CN111783307A (zh) | 2020-10-16 |
CN111783307B true CN111783307B (zh) | 2024-03-26 |
Family
ID=72758100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010646801.0A Active CN111783307B (zh) | 2020-07-07 | 2020-07-07 | 一种高超声速飞行器状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783307B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798491B (zh) * | 2020-07-13 | 2022-09-06 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
CN112591153B (zh) * | 2020-12-08 | 2022-06-10 | 北京航空航天大学 | 基于抗干扰多目标h2/h∞滤波的空间机械臂末端定位方法 |
CN113075652B (zh) * | 2021-02-25 | 2022-08-05 | 中国人民解放军空军预警学院 | 一种高超声速飞行器三维跟踪方法 |
CN113269363B (zh) * | 2021-05-31 | 2023-06-30 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
CN113919194B (zh) * | 2021-09-07 | 2023-05-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于滤波误差法的非线性飞行动力学系统辨识方法 |
CN113946795A (zh) * | 2021-09-17 | 2022-01-18 | 山东大学 | 一种超声波飞行时间估计方法 |
CN114636842B (zh) * | 2022-05-17 | 2022-08-26 | 成都信息工程大学 | 一种高超声速飞行器的大气数据估计方法及装置 |
CN117932361B (zh) * | 2024-03-21 | 2024-05-28 | 中国民航大学 | 基于监测数据的民机系统性能退化预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107544067A (zh) * | 2017-07-06 | 2018-01-05 | 西北工业大学 | 一种基于高斯混合近似的高超声速再入飞行器跟踪方法 |
CN107621632A (zh) * | 2016-12-26 | 2018-01-23 | 中国人民解放军63921部队 | 用于nshv跟踪滤波的自适应滤波方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8639476B2 (en) * | 2008-04-22 | 2014-01-28 | The United States Of America As Represented By The Secretary Of The Navy | Process for estimation of ballistic missile boost state |
-
2020
- 2020-07-07 CN CN202010646801.0A patent/CN111783307B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107621632A (zh) * | 2016-12-26 | 2018-01-23 | 中国人民解放军63921部队 | 用于nshv跟踪滤波的自适应滤波方法及系统 |
CN107544067A (zh) * | 2017-07-06 | 2018-01-05 | 西北工业大学 | 一种基于高斯混合近似的高超声速再入飞行器跟踪方法 |
Non-Patent Citations (1)
Title |
---|
基于气动性能分析的高超声速滑翔飞行器轨迹估计;程云鹏;闫晓东;程锋;;西北工业大学学报;20191215(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111783307A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783307B (zh) | 一种高超声速飞行器状态估计方法 | |
CN106020231B (zh) | 基于再入点参数的高超声速飞行器再入轨迹优化方法 | |
CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统 | |
CN109211276A (zh) | 基于gpr与改进的srckf的sins初始对准方法 | |
CN111798491B (zh) | 一种基于Elman神经网络的机动目标跟踪方法 | |
CN104252178A (zh) | 一种基于强机动的目标跟踪方法 | |
CN111797478B (zh) | 一种基于变结构多模型的强机动目标跟踪方法 | |
CN111983926B (zh) | 一种最大协熵扩展椭球集员滤波方法 | |
CN110209180B (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
Yoo et al. | Improvement of terrain referenced navigation using a point mass filter with grid adaptation | |
CN113325452A (zh) | 一种三星无源融合定位体制机动目标跟踪方法 | |
Liu et al. | Strong tracking UKF-based hybrid algorithm and its application to initial alignment of rotating SINS with large misalignment angles | |
CN111931287B (zh) | 一种临近空间高超声速目标轨迹预测方法 | |
Liu et al. | On terrain-aided navigation for unmanned aerial vehicle using B-spline neural network and extended Kalman filter | |
CN110728026B (zh) | 一种基于角速度量测的末端弹道目标被动跟踪方法 | |
CN111931368A (zh) | 一种基于gru粒子滤波的uuv目标状态估计方法 | |
CN116907503A (zh) | 一种基于抗野值鲁棒定位算法的遥感编队卫星定位方法及系统 | |
Wu et al. | A sequential converted measurement Kalman filter with Doppler measurements in ECEF coordinate system | |
CN115328168A (zh) | 基于自适应强跟踪的移动机器人同步定位与建图方法及系统 | |
Havangi | An adaptive particle filter based on PSO and fuzzy inference system for nonlinear state systems | |
CN112861250A (zh) | 一种基于攻角和阻力加速度的滑翔弹道随能量变化降阶解 | |
CN111239722A (zh) | 临近空间高速机动目标机动突变的跟踪算法 | |
CN112949150A (zh) | 基于变结构自适应多模型箱粒子滤波弹道目标跟踪方法 | |
Yan et al. | Terrain matching based on adaptive digital elevation map | |
CN111796271B (zh) | 一种比例导引目的地约束下的目标跟踪方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |