基于模糊逻辑的自适应卡尔曼滤波在GPS/INS组合导航中的应用

提出了一种利用模糊逻辑控制器来在线调节卡尔曼滤波器的自适应数据融合方法,并着重研究了其在GPS/INS组合导航中的应用．根据位置误差系数和卡尔曼滤波器的新息的统计信息，采用模糊逻辑控制器对卡尔曼滤波器进行连续修正，将卡尔曼滤波器调整到最优状态，从而提高组合导航系统的精度．仿真结果证明这种方法比标准卡尔曼滤波具有更高的精度．     

基于ANFIS神经网络的GPS/INS组合导航信息融合

介绍了自适应神经网络模糊推理技术(ANFIS),在此基础上采取新息自适应调整的思想,设计了一种基于滤波器工作参数调整的GPS/INS组合导航神经网络辅助卡尔曼滤波器,利用神经网络的非线性,根据滤波器的实际输出在线实时动态调整滤波器参数,达到对滤波器的调整和控制。与传统卡尔曼滤波器进行计算机仿真比较表明,基于ANFIS神经网络的GPS/INS组合导航信息融合技术具有较强的自适应性,能够在复杂的环境下抑制数据的发散,提高导航精度。     

模糊自适应卡尔曼滤波技术研究

本文提出了一种基于模糊自适应卡尔曼滤波技术的组合导航的新方法．这一方法主 要应用于自主式机动飞行器．用模糊逻辑自适应控制器对卡尔曼滤波器的噪声方差进行“在 线”修正,将卡尔曼滤波器调整到最优状态,从而提高组合导航系统的精度．通过对GPS/IN S组合导航系统的仿真,验证了模糊自适应卡尔曼滤波器比常规卡尔曼滤波器具有更高的精 度．该方法的研究对飞行器的导航与制导具有重要意义．     

自适应Kalman滤波器在水下被动目标跟踪中的应用

在水下被动目标跟踪系统中，直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差，提出了一种修正极坐标系下的自适应卡尔曼滤波算法，对虚拟噪声进行估计，动态补偿模型线性化误差，消减系统的观测误差．对其滤波理论及算法进行了研究和仿真。仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡尔曼滤波算法。     

城市轨道交通客流预测算法设计与仿真

为了更好地解决城市轨道交通的客流预测问题,提出了基于混合神经网络与卡尔曼滤波器的客流预测多层次模型。首先采用ELAN神经网络实现客流量的初步预测;然后采用卡尔曼滤波器对神经网络预测结果进行修正,以进一步提高预测结果精度;最后为了验证模型的正确性,以上海地铁交通作为研究对象,进行了客流观测和预测模拟。实验结果表明,所提出的多层次模型比单纯其中一种算法能减少约0.8%的误差,并且具有更好的实际效果。     

强跟踪求积分卡尔曼滤波算法

在非线性系统滤波问题中,可能出现真实系统和滤波模型不匹配的现象,而标准形式的求积分卡尔曼滤波器对于这种具有模型不确定性系统的鲁棒性较差、滤波精度降低的问题。针对该问题,结合强跟踪滤波器的思想,提出了强跟踪求积分卡尔曼滤波算法。通过引入衰减因子对当前时刻的状态预测协方差矩阵进行修正,使得不同时刻的残差序列保持正交,减弱先前滤波结果对当前滤波过程的影响,增强量测值的作用,减弱模型的作用,克服模型的不确定性对滤波结果的影响。仿真结果表明,在具有模型不确定性情况的非线性滤波问题中,该算法与标准形式的求积分卡尔曼滤波算法相比,能够获得更高的滤波精度。     

四元数卡尔曼滤波组合导航算法性能分析

为分析四元数卡尔曼滤波组合导航算法在飞行器姿态估计中的性能,在建立四元数卡尔曼滤波观测方程、状态方程和方差计算模型的基础上,分别设计了陀螺/加速度计/磁强计组合导航仿真算例和陀螺/加速度计初始对准实验,比较了四元数卡尔曼滤波组合导航算法相较于传统扩展卡尔曼滤波组合导航算法在计算量、收敛性、收敛速度、收敛精度方面的性能.分析结果表明该滤波器无须扩展卡尔曼滤波器的线性化过程,计算量小,算法实现简单;收敛性和收敛速度均优于扩展卡尔曼滤波器.收敛精度较扩展卡尔曼滤波器高出约两个数量级,但收敛过程中存在一个比扩展卡尔曼滤波器精度低的时间区间.     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

新型粒子滤波算法及其在纯方位目标跟踪中的应用

针对基本粒子滤波算法没有融合当前时刻观测值的缺点,提出了一种卡尔曼粒子滤波算法。该算法针对每一个粒子使用卡尔曼滤波器进行更新,在更新过程中融合最新的观测信息,提高粒子滤波器的估计精度。针对纯方位目标跟踪问题进行实验,与基本粒子滤波算法及卡尔曼滤波进行了对比。实验结果表明,卡尔曼粒子滤波算法的跟踪性能明显优于其他两种算法。     

基于自适应卡尔曼滤波的多传感器信号降噪

针对建筑物混凝土腐蚀检测中传感器单一且常规卡尔曼滤波算法容易出现滤波精度降低的问题,提出了一种多传感器综合检测方法.采用改进的自适应卡尔曼滤波算法,利用最大概似估计准则,将新息方差直接引入卡尔曼滤波器的增益计算,实现估计模型的动态调整,降低了系统噪声和测量噪声的干扰.最后,对自适应卡尔曼滤波和常规卡尔曼滤波算法进行了仿...     

基于迭代容积卡尔曼滤波的神经网络训练算法

针对现有应用非线性滤波算法对神经网络进行训练时存在精度不足的问题,提出了一种基于迭代容积卡尔曼滤波的神经网络训练算法。首先,将前馈神经网络各个节点的连接权值和偏置作为状态向量,建立前馈神经网络的状态空间模型。其次,利用Spherical-Radial准则生成容积点,并依据Gauss-Newton迭代策略来优化量测更新过程中获取的状态估计值和状态估计误差协方差,通过容积卡尔曼滤波估计精度的改善,提升神经网络节点的连接权值和偏置的训练效果。理论分析和仿真实验结果验证了所提算法的可行性和有效性。     

一种基于在线学习前向神经网络的组合导航滤波器

首先建立了带反馈校正的组合导航数学模型，在此基础上提出了一种在线学习的神经网络滤波算法。这种算法不需要噪声的先验知识，对系统模型的依赖也较弱。仿真表明，卡尔曼滤波器在理想情况下有较高的估计精度，而神经网络滤波器在非理想情况下有较高的精度，对模型误差和噪声特性的变化具有良好的鲁棒性。     

PERFORMANCE ANALYSIS OF VARIOUS ARTIFICIAL INTELLIGENT NEURAL NETWORKS FOR GPS/INS INTEGRATION

An aircraft system mainly relies on a Global Positioning System (GPS) to provide accurate position values consistently. However, GPS receivers may encounter frequent GPS absence because of ephemeric error, satellite clock error, multipath error, and signal jamming. To overcome these drawbacks, generally a GPS is integrated with an Inertial Navigation System (INS) mounted inside the vehicle to provide a reliable navigation solution. INS and GPS are commonly integrated using a Kalman filter (KF) to provide a robust navigation solution. In the KF approach, the error models of both INS and GPS are required; this leads to the complexity of the system. This research work presents new position update architecture (NPUA) which consists of various artificial intelligence neural networks (AINN) that integrate both GPS and INS to overcome the drawbacks of the Kalman filter. The various AINNs that include both static and dynamic networks described for the system are radial basis function neural network (RBFNN), backpropagation neural network (BPN), forward-only counter propagation neural network (FCPN), full counter propagation neural network (Full CPN), adaptive resonance theory-counter propagation neural network (ART-CPN), constructive neural network (CNN), higher-order neural networks (HONN), and input-delayed neural networks (IDNN) to predict the INS position error during GPS absence, resulting in different performances. The performances of the different AINNs are analyzed in terms of root mean square error (RMSE), performance index (PI), number of epochs, and execution time (ET).     

GPS定位误差分析与状态估计

通过分析GPS定位误差的统计特性,可将GPS定位误差作为二阶Markov随机过程处理。该文结合载体的Singer模型,利用扩展Kalman滤波算法,对系统状态进行估计。试验结果表明,利用扩展Kalman滤波算法比标准Kalman滤波算法在定位精度上有较大程度的提高,对于低动态用户消除相关误差的影响具有一定应用价值。     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

GPS动态定位中卡尔曼滤波模型的建立及其强跟踪算法研究

提出一种改进的强跟踪卡尔曼滤波算法,应用于GPS动态定位滤波中获得明显效果。首先建立了一种新的GPS动态定位滤波模型,该模型与以往采用的非线性卡尔曼滤波模型相比,具有模型简单、实时性好的特点。为了进一步提高滤波器的动态性能,改进了文献[1]中的强跟踪滤波算法,大大提高了滤波器的跟踪能力。     

An algorithmic approach to adaptive state filtering using recurrentneural networks

Practical algorithms are presented for adaptive state filtering in nonlinear dynamic systems when the state equations are unknown. The state equations are constructively approximated using neural networks. The algorithms presented are based on the two-step prediction-update approach of the Kalman filter. The proposed algorithms make minimal assumptions regarding the underlying nonlinear dynamics and their noise statistics. Non-adaptive and adaptive state filtering algorithms are presented with both off-line and online learning stages. The algorithms are implemented using feedforward and recurrent neural network and comparisons are presented. Furthermore, extended Kalman filters (EKFs) are developed and compared to the filter algorithms proposed. For one of the case studies, the EKF converges but results in higher state estimation errors that the equivalent neural filters. For another, more complex case study with unknown system dynamics and noise statistics, the developed EKFs do not converge. The off-line trained neural state filters converge quite rapidly and exhibit acceptable performance. Online training further enhances the estimation accuracy of the developed adaptive filters, effectively decoupling the eventual filter accuracy from the accuracy of the process model.     

基于WT-UKF 的PDR/GPS 组合定位算法

针对行人航迹推算(PDR) 与全球定位系统(GPS) 组合定位问题, 提出一种基于小波变换(WT) 的无迹卡尔曼滤波(UKF) 改进算法, 对PDR 和GPS 定位结果进行数据融合. 建立PDR/GPS 组合定位系统数学模型, 采用小波变换对运动加速度信号噪声特性进行在线估计, 以更新UKF 的协方差矩阵. 所提出的WT-UKF 滤波算法弥补了传统UKF 算法因人为假定信号噪声为高斯白噪声而影响滤波效果和精度的缺陷. 实验结果表明, 使用WT-UKF 滤波算法对PDR/GPS 进行数据融合时稳定性更强, 精度更高.     

基于神经计算的GPS／SINS组合导航滤波器设计

将线性二次型最优化方法与Ｈｏｐｆｉｅｌｄ神经网络相结合，研究了一种基于神经计算的滤波算法。而且，将算法应用于全球定位系统（ＧＰＳ）与捷联惯导系统（ＳＩＮＳ）的组合导航，通过计算机仿真，与卡尔曼滤波算法结果进行了比较，说明了该滤波算法的有效性和实用性。