飞行控制系统多传感器信息融合技术研究

发布时间：2017-05-13 19:05

  本文关键词：飞行控制系统多传感器信息融合技术研究，由笔耕文化传播整理发布。

【摘要】： 为了实现无人机的自主飞行并执行相关任务,飞行控制系统需具有准确获取各种飞行状态信息的能力,从而保证无人机的飞行性能。航空传感器由于受技术和使用条件的限制,测量精度有限,单一传感器难以获得高精度的各种状态信息,从而影响飞行控制的性能。为了解决这一问题,在机上安装多个传感器对同一量进行测量,获取更多的测量信息,然后对这些测量值进行综合处理,得到更加精确的值。这个对多个传感器的测量值进行综合处理从而得到更加准确的值的过程,就是多传感器信息融合技术。 本文根据信息融合的理论和飞行控制系统的需求,将多传感器信息融合技术引入无人机飞行控制系统。针对无人机机载高度和姿态角传感器的特点,通过对信息融合算法的研究和分析,利用Kalman滤波方法设计和实现高度多传感器的信息融合、BP神经网络方法设计和实现姿态角多传感器的信息融合。根据设计要求,信息融合算法在飞行控制计算机里实现,用C代码实现融合算法,集成原有的飞控代码应用于飞行控制系统。 高度和姿态角的融合算法都分别利用传感器仿真数据和试飞数据进行了验证,结果表明,信息融合技术的引入提高了系统信息获取的准确性,提高了飞行控制系统的性能。通过对算法执行时间的计算,Kalman滤波算法执行一次所需要的时间在10-6～10-5s数量级范围内,BP网络算法执行一次的时间在10-6s数量级。根据系统对高度和姿态角信号的实时性要求,可以得到结论,信息融合算法完全能满足系统实时性要求。另外,信息融合算法的引入不增加系统的硬件结构,保证系统的完整性和可靠性。
【关键词】：无人机 飞行控制系统 信息融合 多传感器 Kalman滤波 BP神经网络
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2008
【分类号】：TP212.9;V249.1
【目录】：

• 摘要4-5
• ABSTRACT5-13
• 第一章 绪论13-24
• 1.1 引言13-14
• 1.2 无人机飞行控制系统14-15
• 1.3 信息融合技术概要15-21
• 1.3.1 信息融合的起源和发展15-17
• 1.3.2 信息融合的历史和现状17-19
• 1.3.3 信息融合的应用19-21
• 1.3.4 信息融合的优点和存在的不足21
• 1.4 研究背景21-23
• 1.5 课题的主要工作和论文结构23-24
• 第二章 信息融合总体设计24-33
• 2.1 设计要求24-25
• 2.1.1 功能要求24
• 2.1.2 技术指标24-25
• 2.2 姿态角控制系统25-27
• 2.2.1 飞机坐标系和姿态角25-26
• 2.2.2 姿态运动方程26-27
• 2.2.3 三轴姿态控制27
• 2.3 高度控制系统27-29
• 2.3.1 飞机飞行高度表示27-28
• 2.3.2 高度运动方程28-29
• 2.3.3 高度控制29
• 2.4 信息融合总体设计29-31
• 2.4.1 总体结构设计29-30
• 2.4.2 融合算法选择30-31
• 2.4.3 实现方法31
• 2.5 本章小结31-33
• 第三章 多传感器测量技术33-49
• 3.1 高度多传感器测量33-43
• 3.1.1 大气数据计算机33-37
• 3.1.2 无线电高度表37-40
• 3.1.3 差分GPS40-42
• 3.1.4 其它高度传感器简介42-43
• 3.2 姿态角多传感器测量43-47
• 3.2.1 垂直陀螺43-45
• 3.2.2 航姿参考系统45-47
• 3.2.3 其它姿态角确定方法47
• 3.3 本章小结47-49
• 第四章 基于卡尔曼滤波的高度融合设计49-64
• 4.1 卡尔曼滤波理论49-53
• 4.1.1 Kalman 滤波与最优估计49-51
• 4.1.2 线性离散Kalman 滤波方程51-52
• 4.1.3 Kalman 滤波的性质和特点52-53
• 4.2 卡尔曼加权融合算法53-56
• 4.2.1 各传感器估计误差相互独立54-55
• 4.2.2 各传感器估计误差相互不独立55-56
• 4.3 基于卡尔曼滤波的高度融合设计56-63
• 4.3.1 系统描述56-58
• 4.3.2 Kalman 滤波器58-59
• 4.3.3 仿真结果与分析59-63
• 4.4 本章小结63-64
• 第五章 基于BP 神经网络的姿态角融合设计64-79
• 5.1 神经网络概述64-67
• 5.1.1 人工神经网络的形成和发展64-65
• 5.1.2 神经网络基础65-67
• 5.2 BP 神经网络67-74
• 5.2.1 BP 网络的原理和结构68
• 5.2.2 BP 网络训练算法68-70
• 5.2.3 训练算法改进措施70-74
• 5.3 基于BP 网络的姿态角融合74-78
• 5.3.1 网络结构选择74-75
• 5.3.2 网络训练与结果分析75-78
• 5.4 本章小结78-79
• 第六章 测试与结果分析79-94
• 6.1 算法实现79-82
• 6.1.1 基于Kalman 滤波的高度融合实现79-80
• 6.1.2 基于BP 神经网络的姿态角融合实现80-82
• 6.2 算法实时性分析82-83
• 6.3 验证与分析83-93
• 6.3.1 高度信息融合验证83-91
• 6.3.2 姿态角信息融合验证91-93
• 6.4 本章小结93-94
• 第七章 总结和展望94-96
• 7.1 课题总结94-95
• 7.2 后期工作展望95-96
• 参考文献96-99
• 致谢99-100
• 在学期间的研究成果及发表的学术论文100

【参考文献】

中国期刊全文数据库 前8条

1 刘植荣，，朱立志;调频连续波无线电高度表的仿真研究[J];北京航空航天大学学报;1996年01期

2 王晓湘;差分GPS定位精度研究[J];北京邮电大学学报;1999年04期

3 胡永红;小型飞行器高度定位数据融合方法[J];传感器技术;2003年06期

4 唐海峰,张合,李豪杰;D-S证据理论在多传感器目标识别中的应用[J];传感器技术;2002年12期

5 胡学骏,罗中良;基于统计理论的多传感器信息融合方法[J];传感器技术;2002年08期

6 杨静,张洪钺,魏春岭;基于GPS/IMU/太阳敏感器的空间飞行器组合姿态确定[J];航天控制;2002年03期

7 袁冬莉;闫建国;王新民;席庆彪;;无人机组合导航系统信息融合方法研究[J];西北工业大学学报;2006年05期

8 沈飞,郭军;基于BP神经网络的数据融合方法[J];自动化与仪器仪表;2005年05期

中国硕士学位论文全文数据库 前1条

1 冯波;多传感器信息融合技术的研究[D];南京航空航天大学;2004年

  本文关键词：飞行控制系统多传感器信息融合技术研究，由笔耕文化传播整理发布。

本文编号：363355