自适应梳状滤波

自适应梳状滤波（共5篇）

自适应梳状滤波 篇1

本文提出一种具备较好的估计性能及较低的计算复杂度的OFDM梳状导频自适应方案, 该方案可以实现实时通信需求与导频密度的自动匹配, 有效的提高OFDM系统信道的利用率而且易于实现。

一、OFDM的系统模型

1.1系统模型

OFDM的基本思想是在频域内将给定的信道分成许多正交子信道, 在每个子信道上使用一个子载波进行调制, 并且子载波并行的传输。这样来虽然总的信道是非平坦的, 具有频率选择性, 但是每个信道是相对平坦的 (窄带性) , 信道带宽小于信道的相关带宽, 因此可以大大消除信号波形之间的干扰。

1.2信道模型

一般情况下慢衰落信道, 即信道相干时间大于OFDM的一个符号周期。如果信道的最大多径时延是子max, 带宽是Bc信道之间的间隔是Δf。如果三者之间的关系满足Δf>Bc=1/子max, 那么就可以认为子载波之间是独立的。这时候信道是平滑的和散射信道是不相关的、L是多径的数目;子1, 琢l (t) 分别是信道的时延和增益。琢l (t) 是零均值复高斯随机变量, 振幅和相位分别服从瑞利分布, 均匀分布在[0, 2]。

1.3导频模型

信道频率响应 (CFR) 可以看到一个二维信号, 从而可以在时间域和频率域和二维方向等间隔或定期插入导频信号。导频符号在一个OFDM的帧中插入信道频率响应的二维取样, 需要满足采样定理以避免混淆。

二、导频自适应算法的研究

下一代的移动通信系统具有更高的数据传输效率, 高流动性。这会导致信道的频率选择性和时间选择性失真。由于在多普勒效应下, 它会破坏子载波之间的正交性, 使子载波之间的存在干扰和破坏系统的可靠性。

三、基于梳状导频的自适应信道估计算法

基于导频的信道估计过程, 包括导频符号的插入, 插值位置信道估计, 信道的插值算法和信道补偿。

3.1导频位置的信道估计

导频位置的信道估计方法主要是LS (最小二乘法) 、LMMSE (最小均方误差) 。LS的信道估计的优点是计算简单, 计算量小。如果导频的位置是[p, q], 那么在这个导频位置的LS信道估计的计算公式是:

3.2自适应梳状导频设计

为了更好的跟踪系统的系能变化, 同时降低系统的复杂度, 本方案中的导频间隔Kp设为2的整数次幂。即:Kp=2L, L=0, 1, 2, …

实现的具体步骤如下:

1. 设定初始值。

根据系统要求, 设定系统的标准误码率为ΔEo, 并设误码率的偏差阈值是α, 偏差重置阈值是β。

2. 导频密度的控制。

在当前误码率下, 系统首先选择最大导频密度插入导频符号, 并通过接收到的OFDM导频符号来估计此时的信道误码率。如果误码率偏差大于误码率偏差阈值, 即ΔE>ΔEo+琢ΔEo则减少导频信号密度, 幂指数调整为L=L-1, 如误码率低于误码率偏差阈值, 即ΔE<ΔEo+琢ΔEo则增加导频信号的密度, 幂指数调整为L=L+1。若出现误码率严重下降的的情况, 误码率偏差超过误码率偏差重置阈值, 即ΔE≥ΔEo+茁ΔEo, 则将L重置为初始值, 以迅速重新跟踪环境变化。

信令传输:发送端将对应的导频控制信令插入到传输信令中, 随发送信号告知接收端, 接收端依此进行解调, 恢复信号, 见图1。

3.3自适应系统信令的选择 (见表1)

四、仿真分析

仿真的参数是:载波频率是2GHZ, 带宽是1MHZ, 子载波的个数是128个, CP的长度是16, 子载波的间隔是7.8125KHZ, 使用的调制方式是16QAM, 多径数是5, 见图2。

五、结语

本文针对传统的OFDM系统中导频密度插入固定导频的信道利用率低这一个弊端, 在现有的梳状导频的基础上提出了一种低复杂的导频密度自适应方案, 并通过仿真实验验证了方案的正确性。

摘要：由于传统的OFDM系统导频插入密度固定导致信道利用率偏低的缺点, 本篇文章主要研究了梳状导频自适应与传输方案。因此要改进信道估计的精确度主要取决定于导频的插入密度的设计。因此为了可以控制导频的密度本文提出了一种改进的梳状导频自适应方案, 在满足系统误码率的前提下可以有效的提高信道的利用率。仿真结果表明, 该方案可以实现通信需求与导频的自动匹配, 在保障系统可靠性的前提下有效的降低了导频的密度。

关键词：正交频分复用,自适应方案,导频,信道估计

自适应梳状滤波 篇2

自适应粒子滤波在卫星紫外导航中的应用

基于紫外敏感器的自主导航系统是典型的非线性和噪声非高斯分布的系统,针对扩展卡尔曼滤波(EKF)和Unscented 卡尔曼滤波(UKF)不适于噪声非高斯分布的系统,和一般粒子滤波缺乏在线自适应调整能力等问题,提出了将基于正交性原理的自适应强跟踪滤波器(STF)和UKF相融合作为重要密度函数,应用于基于紫外敏感器自主导航粒子滤波器新方法,通过UKF构造粒子群,对粒子群中的.每一个粒子的每一个sigma点用STF进行更新,使得算法的鲁棒性增强,有极强的对突变状态的跟踪能力,具有强的自适应能力.为了说明算法的有效性,结合模拟的轨道数据和测量数据进行了仿真,仿真结果说明了所提算法的有效性.

作 者：耿建中 肖业伦 GENG Jian-zhong XIAO Ye-lun  作者单位：北京航空航天大学宇航学院,北京,100083 刊 名：计算机仿真  ISTIC PKU英文刊名：COMPUTER SIMULATION 年，卷(期)： 24(7) 分类号：V417 关键词：粒子滤波   无察觉卡尔曼滤波   自适应滤波   强跟踪滤波器   卫星轨道  

自适应梳状滤波 篇3

为了便于对微型线阵CCD光谱采集系统采集的光谱数据进行分析，需要对光谱数据采集过程中出现的噪声进行降噪处理，以提高光谱数据的信噪比。首先，根据线阵CCD参数指标，设计了一种硬件降温结构，并用它对线阵CCD进行降温去噪。接着，根据递归最小二乘自适应滤波算法对采集好的水样品光谱数据进行去噪处理，然后和未去噪的水样品数据对比。实验表明，硬件电路降温去噪能够衰减线阵CCD上的暗电流噪声，使用递归最小二乘自适应滤波方法能够有效消减光谱采集系统中光谱数据的噪声。

关键词：

光谱学； 线阵CCD； 自适应滤波； 去噪

中图分类号： O 433.4文献标志码： Adoi： 10.3969/j.issn.10055630.2016.02.014

Abstract：

In order to analyze the spectral data collected by a linear CCD spectral acquisition system，it needs to solve the spectral noise that appeared in the process of data collection，to improve the signaltonoise ratio of the spectral data.First，According to the linear CCD parameter，we design a kind of cooling hardware structure and use it to cool the denoising linear CCD.At the same time，based on recursive least square adaptive filter algorithm，water sample spectral data is dealt with to compare with the noise of water sample data.Experimental results indicate that hardware circuit denoising is not able to completely remove the thermal current on the linear CCD noise.Using the recursive least square adaptive filter method can effectively reduce noise in the spectrum acquisition system.

Keywords：

spectroscopy； linear CCD； adaptive filter； denoising

引言

近年来，光谱分析技术逐渐被广泛应用于环境、食品安全监测、物质分析等领域，在天文学和卫星监测领域也有广泛使用。正是由于各个领域对这门技术的推广和普及使得光谱技术逐渐走向成熟。与传统的电化学分析和色谱分析方法相比，光谱分析技术更具有操作简便、重复性好、测量精度高和检测快速的优点[1]。光谱仪的小型化、微型化，使得光谱仪的色散距离变短，仪器内部空间密度变得更加紧凑，这使得整个仪器的分辨率、灵敏度、信噪比等性能将更多地依赖于光电探测器件CCD上[2]。然而在使用光谱仪器采集被测物体光谱数据的过程中，由于受到仪器线阵CCD品质因素的影响或者机器发热量高导致仪器内部的CCD、电阻等元件的电流热噪声变大使得被测物质的光谱数据含有噪声，最终在对被测物质进行成分分析时误差增大[3]。因此对原始的光谱数据进行去噪处理是鉴定物质准确性的必要保证。

光谱数据去噪处理的好坏与否，会影响物质成分分析的结果和仪器的预测精度[4]。目前，常用的光谱去噪方法主要有硬件去噪和软件去噪两种。在软件去噪方面，常用的有微分法、平滑法、傅里叶变换和小波变换等[5]。用微分法对光谱数据去噪能够消除基线漂移、强化谱带特征，但去噪效果不好。平滑法可以衰弱信号中的高频噪声，但有用的光谱信号也会被衰减，造成光谱信号失真。傅里叶变换法对平稳信号有很好的去噪效果。小波变换法可以只对特定频率或某一时刻的局部信号进行频谱处理，而不影响整体信号，去噪效果好，但小波变换运算量大，实现去噪效果的速度较慢[6]。自适应滤波方法不仅具有运算量小、速度快、可递推实时处理的优点，而且它不需要已知信号的统计特性，它是通过一种自适应算法来调节自身滤波参数从而达到最好的滤波效果[7]。正是由于自适应滤波的这些优点，使其广泛应用于通讯、激光、医学等领域。

实验中所采用的小型线阵CCD光谱采集系统是自主研发的，它能够采集220～800 nm波长范围的紫外可见光谱数据。该系统采用了交叉非对称式的CzernyTurner光学结构如图1所示。仪器中采用的线阵CCD为东芝TCD1304AP，属于中低端水平的CCD。在该线阵CCD光谱数据采集系统中，噪声的来源有很多种。其中主要的噪声来源是线阵CCD，它的输出噪声主要有暗电流散粒噪声、光子散粒噪声、输出放大器噪声等。此外在信号的传输过程中还会夹杂着一些电子器件噪声。这些噪声都是一些具有均匀频谱的低频噪声和高斯白噪声[89]。

为了去除CCD上的散粒噪声，实验中采用硬件温控去噪方法和软件自适应滤波方法。在硬件温控去噪方法中，采用了TEC半导体制冷技术，用EP306E058RTO型号的TEC制冷芯片对CCD进行控温去噪，制冷装置如图2所示。图3为半导体制冷片控温驱动板实物图，通过它来控制半导体制冷。图2中散热铝块和风扇的作用是迅速散去TEC制冷片上产生的热量，使TEC制冷片能够正常工作。

图4中显示的光谱曲线是没有进行降噪处理的原始水样品光谱曲线，为了便于看清噪声，所以图中显示的曲线是从水样品光谱曲线中选取了一段噪声明显的曲线经过放大之后的图像。从图4中可以看出在没有对线阵CCD进行降温时采集到的水样品光谱数据中存在着像锯齿型一样的噪声。实验中的光谱数据来自于自主研发的小型线阵CCD光谱采集系统，由于在设计PC机软件时没有直接对该系统获取的光谱数据进行波长标定，所以图4中的横坐标是光谱仪上线阵CCD的像素点而不是波长，纵坐标是线阵CCD输出的光的强度信号。图5表示的是使用控温去噪处理后的水样品光谱曲线图，从图中可以看出水样品光谱曲线上仍然还存在锯齿型噪声[10]，只是相对于原始光谱曲线的噪声幅度稍微减弱了。这说明硬件降温去噪的方法在实际应用中不能完全滤除由线阵CCD产生的散粒噪声，只能减弱CCD的暗电流噪声。

2最小二乘自适应滤波器的算法构建

自适应滤波就是利用性能评价函数（代价函数）对前一时刻得到的滤波器输出结果与期望得到的结果进行性能评价，并根据评价的结果来自动调节现在时刻的滤波器的抽头系数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。实现自适应滤波器的方法有很多种，比如递推最小二乘法、卡尔曼滤波法、最小均方误差法等，其中递推最小二乘法的抑制处理效果及工程实现得到了很好的应用。实验中采用了递推最小二乘法，其结构如图6所示。图中输入信号是由线阵CCD光谱采集系统采集到的水样品光谱数据提供，这些原始光谱数据在已知n=0时刻滤波器抽头系数的情况下即刚开始时横向滤波器的抽头系数，通过简单更新，求出n=1时刻下滤波器的抽头系数。再由n=1时刻滤波器的抽头系数更新n=2时刻的滤波器抽头系数，直到n时刻，其中n为横向滤波器的阶数。而整个更新滤波器抽头系数的过程就是递推最小二乘算法。

3测量实验与结果

3.1FIR滤波器结构选取

实验中用递推最小二乘自适应滤波方法对水样品数据进行去噪时，通常需要选取合适的横向滤波器作为整个滤波算法的基础。通用的滤波器设计方法有窗函数法和频率取样法。窗函数法是从时域进行设计的，而频率取样法是从频域进行设计的。从设计复杂度比较，窗函数法要比频域取样法简单。从滤波效果比较，窗函数法设计的滤波器在通带和阻带的性能优于频率抽样法[7]，所以试验中采用了窗函数法设计FIR滤波器。常见的窗函数有矩形窗、Hann（汉纳）窗、Hamming窗、Blackman（布莱克曼）窗、Kaiser（凯泽）窗，其中矩形窗、Hann（汉纳）窗、Hamming窗、Blackman（布莱克曼）窗的窗函数是固定的，因而一旦选则了某一种窗函数，设计出的FIR滤波器在阻带的衰减就是确定的。Kaiser窗是一种应用广泛的可调窗，可以根据滤波器的衰减指标来确定窗函数的形状[1112]。由于实验中线阵CCD光谱采集系统中的噪声的频带是存在于整个频率范围内的，而且所测量光谱信号的频率范围也是不确定的，这就让我们无法预知要滤除的噪声的频带范围，由于Kaiser（凯泽）窗具有可调性，所以实验中通过PC机端编写的软件，选择Kaiser窗作为FIR横向滤波器的主要框架。表1中第一行数据表示的是使用Kaiser（凯泽）窗，在通带截屏为0.001和阻带截屏为0.1时的滤波器抽头系数，从表中可以看出该滤波器的阶数是20阶。

3.2递推最小二乘自适应滤波器对水样品去噪处理结果

从上面的FIR滤波器中得到的抽头系数共有20阶，选取最小二乘自适应滤波器的遗忘因子λ为0.99。在递推最小二乘算法中需要给出一个理想的光谱数据作为期望值然后减去FIR滤波器输出的数据从而得到误差因子，进而计算并更新下一时刻滤波器抽头系数。所以期望值的选取是算法中重要的环节。由于各种物质的光谱数据事先是不知道的，期望值的选取就变得很困难，为了避免选取的期望值引入其它噪声和误差，实验中首先在暗室里测得了线阵CCD光谱采集系统的背景噪声，由于在理想环境下线阵CCD在无光照条件下输出值是0，所以实验中用d（i）=a作为期望值。其中i=0，1，…，n；a为常量，n为滤波器的阶数。然后对背景噪声进行递推最小二乘滤波得到一组滤波抽头系数，再用该组抽头系数对水样品数据进行去噪。最后用去噪后的水样品数据作为水样品的期望值，对同样的水样品进行自适应去噪。图7为背景噪声和用最小二乘滤波法滤波后的曲线图。

表1中第二行数据表示对线阵CCD光谱采集系统进行自适应滤波后抽头系数的改变情况。图8所示的是用对背景噪声自适应去噪后的滤波器抽头系数对原始水样品数据进行FIR滤波后的曲线图，并用该曲线的光谱数据作为期望值。实验中保持水样品不变，连续采集9组光谱数据。由于每次采集，线阵CCD光谱采集系统上产生的噪声都不一样，所以得到的效果如图9所示。分别对这9组原始光谱数据进行自适应滤波，得到的效果如图10所示。

从图9、图10中可以看出对于线阵CCD光谱采集系统每次产生的不同的随机散粒噪声，该算法都能够对其进行自适应滤波。由于光源氙灯发光的不稳定，影响了线阵CCD的光强输出。所以图中看到的曲线的光强幅度会有些波动。从表1中的数据也可以看出随着取样次数的不同，每次的滤波器抽头系数也不同，而且最小二乘自适应滤波器让原始光谱数据在可容许的最小误差范围内使其逐渐向期望的光谱数据收敛。

4结论

通过对线阵CCD光谱采集系统采集的初始水样品的光谱数据进行硬件温控去噪和最小二乘自适应滤波去噪。从二者所处理的光谱曲线图来看自适应滤波算法的去噪效果比硬件去噪效果好，通过计算两种去噪结果的RMS值，硬件温控的S/N为2581∶1，而自适应滤波算法的S/N为3081∶1，因此自适应滤波去噪可以有效的提高光谱数据的可靠性，在实际仪器制造中能够节约设计成本。不足的是使用最小二乘自适应滤波算法对原始水样品进行去噪所消耗的时间为0.598 s，对于速度要求较高的场合不适于在PC机端选择最小二乘自适应滤波方法进行去噪。

参考文献：

[1]黄福荣，罗云瀚，郑仕富，等.全血胆固醇、甘油三酯近红外光谱分析与模型优化[J].光学学报，2011，31（10）：1030001.

[2]李正刚.微小型光谱仪低噪声、大动态范围方法研究[D].长春：中国科学院研究生院（长春光学精密机械与物理研究所），2010.

[3]李慧，蔺启忠，王钦军，等.基于小波包变换和数学形态学结合的光谱去噪方法研究[J].光谱学与光谱分析，2010，30（3）：644648.

[4]蔡剑华，王先春.基于经验模态分解的近红外光谱预处理方法[J].光学学报，2010，30（1）：267271.

[5]严衍禄.近红外光谱分析基础与应用[M].北京：中国工业出版社，2005：103107.

[6]李素文，谢品华，李玉金，等.基于小波变换的差分吸收光谱数据处理方法[J].光学学报，2006，26（11）：16011604.

[7]陈从，卢启鹏，彭忠琦.基于NLMS自适应滤波的近红外光谱去噪处理方法研究[J].光学学报，2012，32（5）：053000116.

[8]佟首封，阮锦，郝志航.CCD图像传感器降噪技术的研究[J].光学 精密工程，2000，8（2）：140145.

[9]田岩涛，常丹华，张彦.线阵CCD信号的小波去噪方法研究[J].传感技术学报，2005，18（2）：250253.

[10]周丹，王钦军，田庆久，等.小波分析及其在高光谱噪声去除中的应用[J].光谱学与光谱分析，2009，29（7）：19411945.

[11]姚海燕.FIR数字滤波器设计窗函数法与频率抽样法比较[J].安阳工学院学报，2007（6）：5153.

[12]陈后金，薛健，胡健.数字信号处理[M].2版.北京：高等教育出版社，2008：158197.

线性自适应滤波算法综述 篇4

关键词：自适应滤波算法,最小均方误差算法,最小二乘算法,变换域,仿射投影,共轭梯度,子带分解

随着信号处理理论和技术的迅速发展, 自适应信号处理理论和技术已经发展成为这一领域的一个新分支, 并且在通信、雷达、声纳、地震学、导航系统、生物医学和工业控制等领域获得越来越广泛的应用。对自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。

1 变步长自适应滤波算法

最小均方误差LMS算法最早由Widrow和Hoff于20世纪60年代提出, 由于其结构简单, 性能稳定, 计算复杂度低, 便于硬件实现等特点, 一直是自适应滤波经典算法之一。LMS算法的优点是结构简单, 鲁棒性强, 其缺点是收敛速度很慢。固定步长的自适应滤波算法在收敛速度、时变系统跟踪速度与收敛精度方面对算法调整步长因子的要求是相互矛盾的。为了克服这一矛盾, 人们提出了许多变步长自适应滤波算法。Yasukawa等[1]提出了使步长因子正比于误差信号的大小。吴光弼[2]提出了在初始收敛阶段或未知系统参数发生变化时, 步长比较大, 以便有较快的收敛速度和对时变系统的跟踪速度;而在算法收敛后, 不管主输入端干扰信号有多大, 都应保持很小的调整步长以达到很小的稳态失调噪声, 根据这一步长调整原则, 许多学者设计了多种变步长自适应滤波算法, 分别能够满足不同场合的应用。

2 基于最小二乘准则的RLS算法

基于最小二乘准则RLS算法对输入信号的自相关矩阵的逆进行递推估计更新收敛速度快, 其收敛性能与输入信号的频谱特性无关。但是, RLS算法的计算复杂度很高, 不利于适时实现。许多文献提出了改进的RLS算法, 如快速RLS算法, 快速递推最小二乘格型算法等。这些算法的计算复杂度低于RLS算法, 但它们都存在数值稳定性问题。文献[7]为避免RLS类算法递推估计更新自相关矩阵的逆的不足, 基于最小二乘准则, 利用最陡下降法, 得到一种新的梯度型自适应滤波算法, 该算法计算复杂度较低, 收敛性能良好。

3 变换域自适应滤波算法

对于强相关的信号, LMS算法的收敛性能降低, 这是由于LMS算法的收敛性能依赖于输入信号自相关矩阵的特征值发散程度。输入信号自相关矩阵的特征值发散程度越小, LMS算法的收敛性能越好。经过研究发现, 对输入信号作某些正交变换后, 输入信号自相关矩阵的特征值发散程度会变小。于是, Dentin等1979年首先提出了变换域自适应滤波的概念。其基本思想是把时域信号转变为变换域信号, 在变换域中采用自适应算法。

4 仿射投影算法

射投影算法最早由K.Ozeki和T.Umeda提出, 它是归一化最小均方误差 (NLMS) 算法的推广。仿射投影算法的性能介于LMS算法和RLS算法之间, 其计算复杂度比RLS算法低。归一化最小均方误差 (NLMS) 算法是LMS算法的一种改进算法, 它可以看作是一种变步长因子的LMS算法, 其收敛性能对输入信号的能量变化不敏感。而仿射投影算法的计算复杂度比NLMS算法高很多。Gay等提出的快速仿射投影算法大大降低了仿射投影算法的计算复杂度。

5 共轭梯度算法

虽然RLS算法收敛速度快, 但其计算复杂度很高, 因为它需要估计逆矩阵。假如被估计的逆矩阵失去正定性, 就会引起算法发散;并且算法实现所需的存储量极大, 不利于实现。一些快速RLS算法虽降低了RLS算法的计算复杂度, 但都存在数值稳定性问题。共轭梯度自适应滤波算法不含有RLS算法中的矩阵运算, 也没有某些快速RLS算法存在的数值稳定性问题, 它保留了RLS算法收敛速度快的特点。

6 基于子带分解的自适应滤波算法

子带分解技术用于自适应滤波算法主要是基于以下考虑:对于强相关输入信号自相关矩阵的特征值发散程度很大, 使得所采用的自适应滤波算法的收敛速度和跟踪速度都很慢, 并且权值的自适应滤波器的计算量很高。

基于子带分解自适应滤波的基本原理是将输入信号与参考信号经过分解滤波器组抽取进行子带分解, 对信号按频带划分, 然后在各个子带上分别进行自适应滤波, 再将子带信号内插后通过合成滤波器组得到最后的合成信号。其中, 由于对信号进行了抽取, 使完成自适应滤波所需的计算量得以减小;而在子带上进行自适应滤波使收敛性能又有所提高。

7 结语

本文对各种类型的自适应滤波算法进行了分析总结, 可以看出, 收敛速度快、计算复杂度低、数值稳定性好是这些算法努力追求的目标, 算法与实现结构有着密切的联系, 每个算法都存在不同的等效结构, 结合实际应用还有不少问题需要研究, 在实际应用中应根据具体环境和系统要求, 结合各种算法的特点以达到最优的滤波效果。

参考文献

[1]Yasukawa H, Shimada S, Furukrawa I, et al.Acoustic echo canceller with highspeech quality[C]//Proc.ICASSP’87, 1987, 2125～2128.

[2]吴光弼, 祝琳瑜.一种变步长LMS自适应滤波算法[J].电子学报, 1994, 22, 1:55～60.

[3]Luo xiaodong, Jia zhenhong, Wangqiang.Variable step size LMS adaptivefiltering algorithm[J].Acta ElectronicaSinica, 2006, 34 (6) :1123～1126.

[4]孙恩昌, 李于衡, 张冬英, 等.自适应变步长LMS滤波算法及分析[J].系统仿真学报, 2007, 19 (14) :3172～3175.

自适应梳状滤波 篇5

基于多模自适应滤波的无人机控制系统故障诊断

建立了无人机控制系统传感器和执行器的全局故障和局部故障的模型,在此基础上应用多重模型自适应卡尔曼滤波方法对其传感器和执行器的各种软硬故障进行诊断,应用所建立的数学模型与方法,对无人机的三个传感器和两个执行器的.局部与全局故障进行了仿真计算.在仿真过程中发现,此方法的诊断准确度高,无延迟报警,算法简单,仿真结果验证了该种方法的有效性.

作 者：贾彩娟 祝小平周洲 JIA Cai-juan ZHU Xiao-ping ZHOU Zhou 作者单位：西北工业大学365所,西安,710072刊 名：系统仿真学报 ISTIC PKU英文刊名：JOURNAL OF SYSTEM SIMULATION年，卷(期)：17(6)分类号：V249关键词：无人机 故障检测与隔离(FDI) 多模自适应滤波(MMAF) 故障诊断