火箭飞行数据的动态多尺度模糊Kalman融合提升精度

本文主要探讨了"基于动态多尺度的火箭飞行数据模糊Kalman融合"这一主题，由蒲爱香、柴毅、胡利民和翟茹玲四位作者共同完成，来自重庆大学自动化学院。他们针对火箭飞行跟踪系统中的精度提升和可靠性问题，提出了一种创新的方法，即结合模糊推理系统与传统的Kalman滤波技术。 在传统Kalman滤波方法存在局限性的情况下，作者引入了动态多尺度融合的概念。动态多尺度系统理论是一种新兴的信号处理手段，其核心思想是处理不同尺度的信息，能够捕捉信号的复杂结构。文中提到，虽然这种方法相对较新，但已经在国内外得到了广泛的研究和应用，尤其是在航天测量领域，如火箭飞行数据处理中。 文中通过对比动态多尺度融合与直接在最细尺度上进行Kalman滤波的结果，证明了前者在精度上的优势。作者特别指出，火箭飞行数据通常来自于不同类型传感器，如雷达、遥测和光学设备，这些传感器可能具有不同的采样率，因此动态多尺度融合方法能更好地适应这种异构数据环境。 此外，文中还提及了其他研究，如文献[5]和[6]分别针对火箭飞行数据的分布式多尺度融合和基于Kalman滤波的数据处理方法进行了探讨。然而，这些研究主要集中在传感器相同或同类情况下的信息融合。而本文则在此基础上，提出了一个更为通用的融合算法，通过模糊逻辑和小波变换技术，实现了不同尺度和类型传感器数据的高效融合，显著提高了火箭飞行数据的跟踪精度。 最后，关键词包括动态多尺度、模糊Kalman滤波、小波变换、广义回归神经网络和模糊逻辑，这些都反映了论文的核心技术和方法。总体来说，这篇论文对于火箭飞行数据处理领域的理论发展和实际应用具有重要意义，特别是在处理复杂异构数据时展现出的优化性能。