完全考虑弹体动态特性的最佳导引规律.ppt

写成矩阵形式，可得 对于我们的例子，用上述方法进行了混合仿真试验。在适当地选取系统的结构和参数之后，得到了较满意的结果。由噪声分量产生的脱靶距离，和具有RC滤波器的模拟式制导系统的蒙特-卡罗模拟结果相比，大约可减少一半，典型的制导系统混合仿真试验曲线如图11-14所示。 由图可以看出，用卡尔曼滤波器所得到的视线角速度 的最佳估值，比采用RC滤波器的模拟器的模拟式系统得到的视线角速度的变化规律 ，更靠近于确定性制导系统，即只有初始条件作为唯一输入量的原模拟式制导系统，而确定性系统的动态仿真结果说明，它的终点脱靶量近视为零。 为了进一步改善滤波器的性能，一般可采用适应式卡尔曼滤波器。在这种滤波器中，要用某种方法在线、实时地对噪声的统计特性的变化加以预测和估计，据此修改噪声模型，并相应地改变滤波器及导引规律诸参数。 §2.6 观测噪声数学模型的建模方法 建立观测噪声数学模型所用的方法，即是一般的线性随机 时间序列的分析方法，亦即近年来出现的建立ARMA模型的方法。它的基本思想和基本方法如下。 对于很广泛一类平稳随机时间序列 若其数学期望或统计平均值为零（在它不为零时，可取原序列与它的数学期望之差作为 序列），总可以用下述三个差分方程之一来描述： 其中 及 为 的算子多项式。 称为后移算子，即 n为正整数。这样，上述算子多项式可写为 其中p和q为正整数，称为模型的阶数。规定 为零均值高斯白噪声。 方程（11-79）称为自回归模型。若 的最高幂次为p，则称为p阶自回归模型。 若方程 的全部根都位于复平面z上的单位圆内，则由方程 （11-79）所得到的随机序列，一定是平稳随机序列。这时，我们称方程（11-79）所代表的模型为p阶平稳自回归模型，简记为AR（P）模型。 方程（11-80）称为滑动平均模型。若 中 的最高幂次为q，则称它为q阶滑动平均模型。若在方程 中，其全部根都的全部根都在复平面z上的单位圆内，则称此方程所代表的模型为可逆滑动平均模型。 因为在满足这个条件时，方程（11-80）存在可逆解 为一个 的无穷多项式，而在满足上述条件时，这个无穷多项式可写成有理分式的形式。此模型简记为MA（q）。 同理，称方程（11-81)代表的模型为自回归与滑动平均混合模型。若这个方程左右两边的算子多项式所构成的方程： 分别满足上述条件，即它们的根全部在复平面ｚ上的单位圆内，且阶数分别为ｐ和ｑ，则称方程（11-81）所代表的模型为p阶平稳自回归与q阶可逆滑动平均混合模型，简记为ARMA（p，q)。 问题在于：记录到一个随机序列的样本之后，究竟是不是平稳序列？如果是平稳随机序列，它属于上述三类中的哪一类？P和q如何确定？诸系数 及 和 的方差 （数学期望已知为零）如何求出？这些问题即是建立噪声的数学模型时需要解决的主要问题。 （一）平稳性判别和预处理： 一般来说，一个物理随机过程，如果它赖以发生的物理系统的环境条件和参数在系统的全部工作时间内保持不变，则可把该过程视为平稳随即过程。但是这种看法并不严格。在实际问题中，还必须根据测量数据的统计分析计算，从数值上检验它的平稳性。 考虑到原设（64）的不准确性，可在方程（65）的右端加上一个误差修正项 ，用 表示，一般称 为模型噪声，此时，可将状态方程写成为： 式中 状态变量中仅有 ，即 可观测，故观测方程为： 式中 ，而 表示观测量 中的噪声分量，可用一阶或二阶差分方程表示，方程（66）及（67）即构成了被滤波系统的状态方程组。 （66） （67） 对跟踪空中目标的战术导弹而言，正如我们后面将要讨论的那样，可用下述非常来表示导引头的输出噪声： 或 式中下标“k”活“k-1”表示时间序号， 为常系数，而 则表示零均值高斯白噪声在k时刻的取值，还假设： 式中E(.)代表对某量求数学期望运算.而 则代表对某量求方差的运算(下同),上标“T”代表对矩阵或矢量求转置的运算，利用以上假设条件，我们即可导出所需的卡尔曼滤波器方程，以后我们将会看到，和方程（11-68a)对应的卡尔曼滤波器方程，只是我们所导出的方程在 时的一个特殊情况。 在一般文献中，卡尔曼滤波器方程都是针对观测噪声为白噪声的情况导出的。对与观测噪声