基于矢量信息分配的INS／GNSS／CNS组合导航系统

针对组合导航系统中多传感器输出不同步的问题,提出一种基于矢量信息分配的异步联邦滤波算法的INS/GNSS/CNS组合方案,根据各子系统的工作特性,分析并设计了基于INS/GNSS位置组合以及INS/CNS姿态组合的联邦滤波模型,并采用矢量形式的信息分配方法提高了滤波器的精度.针对量测异步问题,设计了时间与量测更新分离的异步非等间隔算法.系统仿真实验表明,该算法可以有效地实现对INS、GNSS、CNS的多信息的异步融合,与常规异步滤波方法相比较,组合系统的滤波精度有明显提高,具有重要的实际应用价值.     

联邦滤波器在小型飞行器距离定位融合估计中的应用

为了进一步修正小型飞行器距离定位误差，给出了一种利用联邦滤波方法进行数据融合的小型飞行器定位误差修正方法，解决了由于差分GPS长时间静默影响定位精度的问题。仿真和数据回放结果表明：采用卡尔曼滤波方法可提高定位精度，采用联邦滤波方法效果更好，使用中方法可以得到飞行器更准确的距离定位，可满足多种类型的飞行器距离定位系统的精度要求。     

联邦卡尔曼滤波在水下航行器组合导航系统中的应用

为了提高水下航行器的导航定位精度,设计了以捷联式惯性导航系统、地形匹配、多普勒计程仪等构成的组合导航系统,建立了各子导航系统的误差模型,采用联邦滤波技术对水下组合导航进行信息融合,建立了水下组合导航系统的观测方程并进行了计算机仿真.仿真结果表明:使用联邦卡尔曼滤波技术进行信息融合提高了组合导航系统定位精度和定位可靠性,能满足水下航行器高精度和高可靠性的要求.     

运动目标状态序贯贝叶斯滤波

状态-空间模型是一个通用和宽容的模型,它包含了描述系统所要求的所有相关信息.贝叶斯滤波方法是解决状态估计问题的一般框架.当有新数据可用时,序贯滤波方法可以实现估计和更新待估参量.对于运动目标状态跟踪问题,利用状态-空间模型进行建模,并采用序贯贝叶斯方法进行处理,如扩展卡尔曼滤波、unscented卡尔曼滤波和质点滤波....     

基于改进粒子滤波的目标跟踪算法

针对传统的粒子滤波采用系统转移概率作为建议分布,不能利用当前观测信息.提出了一种结合集合卡尔曼滤波的粒子滤波跟踪方法.对每个粒子产生一个采样子集,使用集合卡尔曼滤波结合当前的观测信息构造建议分布,依据新的建议分布对粒子进行采样.同时在跟踪过程中对于遮挡现象给出了判断和解决方法.实验结果证明该方法提高了粒子滤波估计的准确性,相对于传统粒子滤波和其他粒子滤波方法有更好的稳定性.     

一种U—D分解自适应推广卡尔曼滤波及应用

为了改善自适应卡尔曼滤波的数值稳定性和计算效率,防止滤波发散,本文在自适应推广卡尔曼滤波的基础上,利用U-D分解滤波,提出一种U-D分解自适应推广卡尔曼滤波新算法,并把该算法应用于飞行状态估计问題,仿真及实际飞行数据计算结果证明了本文方法的有效性.     

红外单站目标跟踪算法

为了解决单红外观测站对目标进行跟踪时存在的非线性估计问题,提出了基于直角坐标系的多假设高斯-厄密特滤波算法.为了减小距离不可观测性对于非线性滤波的影响,在假设的多段距离间隔中采用并行的高斯-厄密特滤波,并加权获得目标的状态估计.首先将初始时刻红外观测站的观测距离区间划分为若干个子区间,每个子区间表示关于目标真实距离的一种假设;在每个子区间内用共同的量测进行独立的高斯-厄密特滤波,并将每个子区间对应的概率根据贝叶斯规则进行递归计算;最后将各子区间的状态估计和协方差进行加权求和得到最终估计.仿真实验结果表明,由于使用高斯-厄密特滤波从而避免求解雅克比矩阵,且距离多假设降低了不确定性,故该算法的滤波精度高于高斯-厄密特滤波和扩展卡尔曼滤波.     

GPS/DR组合定位系统信息融合技术

在分析GPS/DR组合定位系统特点的基础上,设计了一种改进的联邦卡尔曼滤波器结构。对于GPS线性子系统采用标准卡尔曼滤波器,对于DR非线性子系统则采用无察觉卡尔曼滤波器。主滤波器采用动态信息分配系数对子滤波器的结果进行最优估计,并对DR子系统进行误差补偿,部分削减DR的误差累积效应。实验结果表明,算法能够满足车载导航系统的定位要求,并且在GPS误差较大时保持系统较高的可靠性和定位精度。     

基于多传感器协同的自适应联邦滤波跟踪算法

为了充分利用多传感器的冗余信息实现高精度跟踪，提出了一种带有离群点检测的冗余信息自适应联邦滤波跟踪算法。首先，在信息分配阶段，针对冗余信息设计了一种自适应信息分配因子，提高了信息分配效率；其次，在信息融合阶段，为了降低误差数据对跟踪结果的影响，提出了一种离群点检测算法，针对存在相关性且服从高斯分布的数据，通过D-S证据理论综合所有滤波器的判断评估数据是否为离群数据；最后，使用线性最小方差估计进行融合，得到更为精确的最终估计结果。仿真验证了所提算法具有更好的跟踪精度和鲁棒性。     

基于单极点反馈积累理论的KF算法

状态误差协方差矩阵和状态估计的精度直接影响卡尔曼滤波（KF）性能.为减小滤波误差,提高卡尔曼滤波精度,基于单极点反馈积累理论,提出了一种改进的卡尔曼滤波算法.该算法利用单极点反馈积累思想,通过综合当前时刻和过去时刻信息实现对估计参数的良好逼近,更新卡尔曼滤波中的状态误差协方差矩阵和状态估计来提高其估计精度.理论分析和仿真结果表明：该算法与KF算法相比,对跟踪效果有一定改善,使位置、速度跟踪误差有效降低并保持其误差曲线平滑,提高了滤波/跟踪精度.     

单兵定位导航系统数据融合方法研究

研究单兵定位导航系统的GPS导航信息与航位推算信息的数据融合方法,采用卡尔曼滤波技术设计了联合卡尔曼滤波器,给出联合滤波算法并仿真.该滤波器具有较高的系统容错性能,数据计算量小,但局部估计精度为常规水平.     

联邦卡尔曼滤波器在无人机导航系统中的应用

针对无人机GPS／RP／DR组合导航系统的特点，设计了用于该系统的联邦卡尔曼滤波器。该滤波器具有全局最优性，其结构遵循信息分配原则，其算法改善了数值计算的稳定性和系统的容错性，并减少了信息传输量与计算量。理论分析及仿真结果表明，该联邦卡尔曼滤波器能够满足无人机在GPS或RP信号无效或两信号均短期无效情况下定位导航的精度要求。     

Adaptive Extended Kalman Filtering for Bearings-Only Targets Tracking Problem

0INTRODUCTIONfileproblemofestimatingthestatesofatalgetfrompassivemeasurementshasgeneratedalotofinterestduetoitsapplicationsinship-trackingandhondng-missilegUidance.AdifficultyinobtaininggabestimatesforthetargetmotionanalysisarisesfromhavingtouseonlyangUlarobservations(inthecaseofpassivemeasurements)toextractinformationaboutfoepositions,velocitiesandthetargetaccelerations.Mathematically,thisI,rohlemcanbedescribedinaninertialrectangularcoordinateframebyalineardynamicalmodelandanonlinearobse…     

神经网络辅助的组合导航系统信息融合方案

传统的Kalman滤波器自适应能力弱，而单纯的神经网络滤波器估计精度较差，且网络训练经验性太强。面向组合导航领域，提出BP神经网络辅助自适应联邦Kalman滤波器方案，设计并实现了SINS／GPS／TAN／SAR智能化容错组合导航系统。结合自适应滤波和神经网络两种方法共同提高系统的自适应能力，并提出新的神经网络输入量，改善了算法的实时性。系统的估计精度得到显著提高，仿真结果证明了该方案的可行性和有效性。     

基于卡尔曼滤波的地表移动变形预测

针对传统卡尔曼滤波模型在地表变形预测中依赖于噪声和数学模型而导致的运行发散问题,提出了一种基于方差补偿自适应卡尔曼滤波的建筑地表移动变形预测分析方法.提出的自适应卡尔曼滤波主要是通过适当的估算和修正系统模型的不确定参数以及噪声的统计特性,来弥补滤波过程中噪声方差的不足.建立了自适应卡尔曼滤波的数学模型,并在Matlab软件上对地表移动变形预测进行了仿真分析,其结果验证了所提卡尔曼滤波方法在地表移动变形预测应用中的可行性,表明该方法有效提高了实时预测的可靠性和预测精度.     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

使用遗传算法的自适应Kalman滤波器

基于Magill的Kalman撼波器池结构，设计了使用遗传算法的自适应Kalman滤波器，给出了离线和在线两种实现方案．离线方案以辨识滤波参数为主要目的，进而可以对状态进行较准确的事后估计；在线方案以实时地对状态进行估计为目的．对滤波参数寻优使用具有良好性能的浮点数编码遗传算法，该算法与二进制编码遗传算法相比收敛速度更快、搜索全局最优的能力更强．仿真结果验证了所提出的自适应Kalman滤波器的有效性．     

基于变权新息协方差的自适应卡尔曼滤波器

针对传统卡尔曼滤波器鲁棒性差,无法实时精确跟踪系统突变状态的现实,设计了一款基于变权新息协方差的自适应卡尔曼滤波器。在传统卡尔曼滤波器的基础上,分析了突变状态无法跟踪的缘由;基于滤波发散判据,分析储备系数与均权新息协方差之间的关系,对状态突变程度进行分层;基于Sage-Husa估计原理与加权最小二乘准则,对于不同程度的突变状态,采用实时调整各历元新息协方差权重的策略,优化渐消因子,激活滤波增益,增权量测新息。实例研究表明,自适应卡尔曼滤波器鲁棒性强,能够精确跟踪系统突变状态,其状态收敛速度优于抗差卡尔曼滤波器,稳态精度提升了42.05%。     

使用遗传算法的自适应Kalman滤波器

基于Magill的Kalman滤波器池结构,设计了使用遗传算法的自适应Kalman滤波器,给出了离线和在线两种实现方案。离线方案以辨识滤波参数为主要目的,进而可以对状态进行较准确的事后估计;在线方案以实时地对状态进行估计为目的。对滤波参数寻优使用具有良好性能的浮点数编码遗传算法,该算法与二进制编码遗传算法相比收敛速度更快、搜索全局最优的能力更强。仿真结果验证了所提出的自适应Kalman滤波器的有效性。     

抗差自适应Kalman滤波及其在GNSS导航中的应用

针对Kalman滤波易受粗差影响而导致结果失真的问题,提出一种抗差自适应Kalman滤波方法,该方法结合自适应滤波与抗差Kalman滤波的优点,同时设计自适应因子和抗差因子,采用改进的两段Huber函数与2~3倍的观测噪声中误差来充当抗差因子与粗差判别标准。并对Kalman滤波和抗差自适应滤波(Adaptive Robust Kalman Filtering,ARKF)结果进行比较。车载实验结果表明,ARKF可以有效抵制观测异常对状态估值的影响,同时在系统先验信息不能精确给出的情况下,显著改善了滤波估值的稳定性和可用性。