✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
弹道导弹的精确制导是其命中目标的关键,而惯性导航系统(SINS)和卫星导航系统(CNS)的组合导航技术可以有效提高导航精度。本文针对弹道导弹的飞行特点,提出了一种基于毕卡法角增量法和卡尔曼滤波的SINS/CNS组合导航算法。该算法利用毕卡法角增量法对SINS输出的姿态信息进行修正,并结合卡尔曼滤波器对SINS和CNS的测量信息进行融合,最终实现弹道导弹的精确导航。本文还基于真实弹道对算法进行了仿真验证,并对位置误差、速度误差和俯仰角误差进行了分析,结果表明该算法能够有效提高弹道导弹的导航精度。
1. 概述
弹道导弹作为一种重要的战略武器,其精确制导是命中目标的关键。传统上,弹道导弹主要依靠惯性导航系统(SINS)进行导航,但SINS存在累积误差的缺点,导致其导航精度随着时间推移而下降。为了提高导航精度,近年来,卫星导航系统(CNS)逐渐应用于弹道导弹的导航中,并与SINS形成组合导航系统。SINS/CNS组合导航系统能够有效克服单一导航系统的缺陷,提高导航精度,从而提升弹道导弹的命中率。
2. 算法原理
本文提出的SINS/CNS组合导航算法主要包括以下几个步骤:
(1) SINS姿态更新
SINS采用捷联式惯性测量单元(IMU)来测量载体的角速度和加速度,并利用积分运算来更新载体的姿态、速度和位置信息。由于IMU存在误差,SINS的输出会产生累积误差,导致导航精度下降。为了抑制SINS的误差,本文采用毕卡法角增量法对SINS输出的姿态信息进行修正。毕卡法角增量法利用SINS和CNS的测量信息,通过迭代计算得到姿态误差的增量,并将其累加到SINS的姿态信息中,从而实现对SINS姿态的修正。
(2) 卡尔曼滤波
卡尔曼滤波是一种最优线性滤波器,能够利用测量信息和系统模型来估计系统的状态。本文将SINS和CNS的测量信息作为卡尔曼滤波器的输入,并利用弹道导弹的运动模型构建卡尔曼滤波器,从而实现对SINS/CNS组合导航系统的状态估计。卡尔曼滤波器能够有效融合SINS和CNS的测量信息,并根据误差协方差矩阵分配不同的权重,从而提高组合导航系统的精度。
(3) 组合导航系统输出
卡尔曼滤波器输出的估计状态信息即为组合导航系统的输出,包括弹道导弹的位置、速度、姿态等信息。这些信息可以用于弹道导弹的制导控制系统,实现精确制导。
3. 仿真验证
为了验证本文算法的有效性,基于真实弹道对算法进行了仿真验证。仿真过程中,考虑了SINS、CNS和大气模型等因素的影响。仿真结果表明,该算法能够有效提高弹道导弹的导航精度。
(1) 位置误差
仿真结果显示,本文算法能够有效降低弹道导弹的水平位置误差和垂直位置误差。与仅使用SINS进行导航相比,算法将水平位置误差降低了约50%,将垂直位置误差降低了约30%。
(2) 速度误差
仿真结果显示,本文算法能够有效降低弹道导弹的速度误差。与仅使用SINS进行导航相比,算法将速度误差降低了约40%。
(3) 俯仰角误差
仿真结果显示,本文算法能够有效降低弹道导弹的俯仰角误差。与仅使用SINS进行导航相比,算法将俯仰角误差降低了约20%。
4. 结论
本文提出了一种基于毕卡法角增量法和卡尔曼滤波的弹道导弹SINS/CNS组合导航算法,该算法能够有效提高弹道导弹的导航精度。仿真结果表明,该算法能够有效降低位置误差、速度误差和俯仰角误差,并能够满足弹道导弹的导航需求。
⛳️ 运行结果
🔗 参考文献
[1] 李惠峰,李应举,宁伟.基于CNS仿真器的弹道导弹SINS/CNS/GNSS组合导航系统研究[J].弹箭与制导学报, 2008, 28(1):4.DOI:10.3969/j.issn.1673-9728.2008.01.018.
[2] 王鑫,王新龙.弹道导弹SINS/CNS组合导航系统建模与性能仿真[J].航空兵器, 2015(2):5.DOI:10.3969/j.issn.1673-5048.2015.02.004.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类