针对仿人机器人各关节角度与规划角度之间存在偏差的问题,分析设计了一种基于机器人姿态的髋关节补偿控制方法。利用惯性单元检测机器人姿态,并对姿态数据存在误差采用Kalman滤波实行融合,以此获得机器人的躯干倾角,并借助此倾角对髋关节进行补偿,以保证机器人的稳定步态行走。最后对机器人进行行走实验,证明髋关节补偿控制方法的引入不仅使得机器人运动跟踪的稳定性和精度极大增强,而且使机器人的零力矩点在y轴方向的偏移极大降低,提高了机器人行走的稳定性,增强了机器人步态的鲁棒性,从而证实所设计的髋关节步态控制方法的有效性和可行性。

采用机动“当前”模型对被动声探测目标进行了建模，并提出了采用Kalman滤波算法作为目标跟踪的主要算法，给出了仿真算法的详细设计流程。从仿真分析可以看出，采用机动当前模型的Kalman滤波算法可以有效地满足声探测系统的跟踪要求。

基于卡尔曼滤波的BP神经网络方法，对大坝变形观测数据进行滤波处理，用滤波后的数据参与BP网络的训练，使网络具有动态特性，减小了神经网络陷入局部极小值的可能性，提高了神经网络的泛化能力。实例证明，该方法具有很高的预测精度和较强的泛化能力。

详细地介绍了两种常用的速度预测方法。利用预测得到的目标运动速度作为顺馈加到速度回路构成等效的复合控制系统以克服由于电视脱靶量滞后产生的误差，提高系统的跟踪精度。然后应用Matlab进行系统的仿真设计．结合经纬仪控制系统在任务中实战检验，得出并运用了有效的预测方法，使系统得到了理想的跟踪效果。

针对微机电系统（MEMS,Micro Electromechanical System）陀螺仪的随机漂移,基于小波多尺度分析,利用bior1.5小波对陀螺仪的随机漂移进行深度为4的分解,重建各尺度信号,采用时间序列方法对陀螺仪各尺度随机漂移进行建模,与传统时间序列方法建模相比,降低了模型的预测误差.并构建了模糊自适应Kalman滤波,利用模糊控制方法基于残差均值与方差差值对噪声方差阵进行实时调整,提高对重建后的各尺度信号随机噪声滤波效果.通过一系列对比实验证明,基于多尺度分析的模糊自适应Kalman滤波对于消除MEMS陀螺仪随机漂移误差作用明显.通过Allan方差分析,滤波后的数据各随机误差项均得到有效减小.

运用田口方法，对某爆破装置的钟表定期延时机构参数进行稳健性优化设计，取得了显著效果。详细介绍限优化程序及验证试验结果。

通过对硅微陀螺实测数据的分析与预处理,得到了平稳正态零均值的时间序列。在时间序列分析的基础上,通过对比AR模型各参数,利用fpe准则确定了AR（1）模型,并以AR（1）模型的输出进行kalman滤波,从而降低随机过程噪声对陀螺仪精度的影响。实验结果表明,kalman滤波可有效提高硅微陀螺的精度。

针对小型超低空掠海无人靶机飞控系统的研制，基于无线电高度表／加速度计组合控制的基本原理，在纵向姿态控制内回路的基础上设计了高度控制外回路，采用了一种Kalman互补滤波算法滤除高度信号噪声，并获得高质量的垂向速度信号。基于ARM7微处理器和μC／OS-Ⅱ嵌入式实时操作系统，完成了控制器软硬件实现。半实物仿真实验结果表明，系统响应快，控制精度高，能够准确控制飞机按预设高度进行超低空掠海飞行，迭到了设计要求。

针对回归神经网络辨识和建立非线性动态系统模型的问题,研究非线性状态空间描述的回归神经网络数学模型。讨论极小均方误差网络训练收敛准则,通过研究Kalman滤波估计公式中的随机变量,提出一种参数增广的回归神经网络非线性状态方程,无导数的Kalman滤波器用于增广参数估计,人工白噪声强迫网络学习,更新网络权值,避免了扩展Kalman滤波器计算Jacobian信息和基于递度学习算法收敛慢的问题。在电液伺服系统辨识建模的应用中表明,回归神经网络较好地跟踪了液压油缸压力变化,与扩展Kalman滤波估计学习算法相比,新的算法具有较快的收敛和精度。

针对机动目标的跟踪问题建立了多雷达追踪单目标模型,通过对多雷达采集的航迹数据进行坐标变化,以及航迹进行Kalman滤波,实现多雷达单目标航迹数据的统一。所建立的数学模型对机动目标追踪和逃逸方案有一定的指导意义。