【技术实现步骤摘要】
本专利技术属于飞行器制导控制领域，涉及一种多模导引头信息融合目标状态估计方法。
技术介绍
1、随着空空导弹对抗环境日趋复杂，单一制导模式已经不能满足战场需求，多模导引头能够对不同探测系统获得的最优估计信息进行融合，弥补单模导引头视线角速率提取精度不高、目标加速度估计误差较大等缺陷，实现导弹高精度制导降低导弹脱靶量。
2、滚仰半捷联导引头相比于传统俯仰偏航的平台导引头具有大视场范围，滚仰导引头由于取消了角速率陀螺，降低导弹头部体积和质量，因此具有更高机动能力，具有视场大、体积小、质量轻的优势。可实现滚转框和俯仰框相互配合可实现对目标跟踪，但是半捷联结构取消了角速率陀螺，因此滚仰导引头无法直接为导弹控制系统提供视线角速率信息，需要通过微分或滤波算法获取视线角速率以及目标运动状态估计结果。
3、目前对于目标高机动环境下的目标状态估计算法，主要针对低速运动目标，这些研究成果可以很好的估计目标机动加速度，但是针对空空导弹的目标状态估计算法，考虑到滚仰导引头的耦合框架特殊结构以及其半捷联特性，这些方法就不能直接推广使用了。对于多模导引头信息融合研究，大多数信息融合都是基于量测信息融合，并未将量测信息与多模型滤波模型结合，假如目标进行变加速机动时，通过量测量是无法实现对目标的精确跟踪。鉴于现在研究现状存在的问题，如何实现半捷联多模导引头对高机动目标运动状态精确估计和噪声环境下导弹制导信息提取精度成为目前亟待解决的问题。
技术实现思路
1、为解决上述
技术介绍
中存在的问题，本
2、本专利技术的目的是通过下述技术方案实现的：
3、本专利技术公开的一种多模导引头信息融合目标状态估计方法，包括如下步骤：
4、步骤1：采用重构法提取半捷联导引头视线角量测信息；
5、采用重构法重构视线角计算过程如式(1)所示：
6、
7、式中为惯性坐标系到弹体坐标系转换矩阵，为弹体坐标系到内框坐标系转换矩阵，为内框坐标系到体视线坐标系转换矩阵，为惯性坐标系到视线坐标系转换矩阵。
8、
9、
10、
11、
12、转换矩阵中，εp为探测器俯仰误差角、εy为探测器偏航误差角，φp为导引头俯仰框架角、φr为导引头滚转框架角，θ为弹体俯仰角、ψ为弹体偏航角、γ为弹体滚转角，qp为俯仰视线角，qy为偏航视线角，等式(1)右边坐标变换得到的坐标为[xq yq zq]t，即
13、
14、由等式右边计算得到的坐标为：
15、
16、上面两个等式的右边相等，从而得到
17、
18、获得的俯仰视线角和偏航视线角用于步骤2中交互多模型滤波模型中雷达探测系统量测量和红外探测系统量测量分别为雷达探测系统俯仰和偏航视线角量测量，分别为红外探测系统俯仰和偏航视线角量测量。
19、步骤2：基于预先装订目标典型的机动模型和步骤3融合信息反馈的先验估计，采用模型概率转移方法估计出目标机动类型，并构建交互式多模滤波算法的多模型滤波器模型；基于多模型滤波器获得导引头中的雷达探测器和红外探测器的最优估计状态和协方差。所述多模型滤波器模型对机动模型变化的目标具有更好的状态估计效果。
20、多模型滤波算法的滤波模型如下：
21、输入交互为：
22、
23、
24、
25、式(5)-(7)中，为交互后目标状态量矩阵，为协方差矩阵，zk为量测量矩阵。i＝1,...,r表示目标机动模型的个数，为第i个机动模型在k-1时刻的估计值，为模型概率，pij为转移概率，为归一化常数，有进行卡尔曼并行滤波：
26、状态预测：
27、
28、为先验估计结果，为状态转移矩阵；
29、协方差矩阵预测：
30、
31、为协方差预测估计结果，为系统噪声矩阵；
32、卡尔曼增益：
33、
34、为卡尔曼增益，hk为量测矩阵，rk为量测噪声矩阵；
35、滤波状态更新：
36、
37、为k时刻最优估计结果，zk为真实量测值滤。
38、滤波协方差阵更新：
39、
40、模型概率更新；
41、
42、式(13)中，c为归一化常数，且量测量zk的似然函数，有：
43、
44、式(14)中，
45、输出交互：
46、
47、
48、式(15)、(16)中，为多模型滤波算法状态更新矩阵，pk,k为协方差更新矩阵；
49、其中，目标在cv、ca、singer三种机动模型下的离散化的状态转移矩阵以及三种机动模型下基于功率谱形式的离散化系统噪声矩阵计算过程如下：
50、目标在cv、ca、singer机动模型下的状态量为其中x,y,z为惯性空间中导弹与目标三个方向相对位置，为三个方向相对速度，ax,ay,az为三个方向相对加速度，导弹状态视为已知，得到连续运动模型为：
51、
52、式(17)中，a为连续系统状态阵，g为连续系统噪声阵，w＝(wx,wy,wz)t，其分量wx,wy,wz皆是均值为零，方差为的高斯白噪声，三个方向噪声具有相同的统计特性，记为：sw为系统功率谱密度，且噪声之间互不相关，即e(wxwy)＝0、e(wxwz)＝0、e(wywz)＝0；
53、当目标作匀速直线运动时为cv模型，目标加速度为随机扰动(系统噪声)，目标加速度的变化为零，则有：
54、
55、其中，i3为三阶单位矩阵，03为三阶零矩阵；将cv模型连续运动模型离散化，得到：
56、
57、其中，为状态转移矩阵，为离散系统噪声阵，经计算因此状态转移矩阵近似为三阶泰勒级数展开，为：
58、
59、离散步长为ts，离散化的状态转移矩阵为：
60、
61、对gcv阵离散，有：
62、
63、得：
64、
65、则系统噪声离散阵
66、
67、当目标作匀加速直线运动符合ca模型，加速度变化为随机扰动，设置同样状态量及连续运动模型，同样得到ca模型下连续系统状态阵和连续系统噪声阵：
68、
69、将ca模型连续运动模型离散化，计算得到ca模型离散化的状态转移矩阵：
70、
71、系统噪声离散阵为：
72、
73、当目标加速度a(t)是均值为本文档来自技高网...
【技术保护点】
1.一种多模导引头信息融合目标状态估计方法，其特征在于：包括如下步骤，
2.如权利要求1所述的一种多模导引头信息融合目标状态估计方法，其特征在于：步骤1中，
3.如权利要求1所述的一种多模导引头信息融合目标状态估计方法，其特征在于：步骤2中，
4.如权利要求1所述的一种多模导引头信息融合目标状态估计方法，其特征在于：步骤3中，
【技术特征摘要】
1.一种多模导引头信息融合目标状态估计方法，其特征在于：包括如下步骤，
2.如权利要求1所述的一种多模导引头信息融合目标状态估计方法，其特征在于：步骤1中，
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。