渐消自适应Unscented粒子滤波及其在组合导航中的应用

提出一种新的渐消自适应Unscented粒子滤波算法,通过Sigma点来获取状态估值和协方差阵,利用渐消因子自适应的调节权值大小,得到一种参数可调节的重要性密度函数。该重要性密度函数考虑了最新量测的影响,更合理地利用有效信息,保证了粒子多样性,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和渐消自适应扩展Kalman滤波比较,仿真结果表明,提出的滤波算法能提高导航解算的精度,其性能明显优于扩展Kalman滤波和渐消自适应扩展Kalman滤波。     

一种新的抗差自适应Unscented粒子滤波

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题。提出了一种新的抗差自适应Unscented粒子滤波算法。该算法不但能利用等价权函数和自适应因子合理的分配信息,提高滤波精度,而且具有Unscented粒子滤波的优点,更好的适用于非线性、非高斯系统模型的计算。仿真结果表明,文中提出的抗差自适应Unscented粒子滤波算法,滤波性能明显优于扩展卡尔曼滤波和粒子滤波算法,并且能提高组合导航系统的定位精度。     

基于交互多模型的改进无迹粒子滤波算法

为了提高机动目标的跟踪精度,提出了适用于非线性非高斯系统的基于预测残差的交互多模型自适应无迹粒子滤波算法.该算法将无迹粒子滤波与交互式多模型的优点相结合,通过UT变化构造粒子滤波的建议分布函数,利用预测残差在线对测量协方差和状态协方差进行自适应调节,以改进执行和计算的有效性从而降低计算误差.仿真结果表明,与交互式多模型粒子滤波、交互式式无迹粒子滤波算法相比,该算法具有更好的跟踪精度.     

探测器交会小天体的UPF自主导航方案

采用基于目标天体信息的光学导航方案实现探测器交会小天体,利用导航相机提高了定轨精度和星历精度。在此基础上,针对深空导航的轨道确定过程中可能存在的初始估计信息误差较大、状态及量测误差不服从高斯分布等问题,将UPF(Unscented Particle Filter)引入到导航方案中。该方案利用UPF在处理非线性非高斯问题上的优势,克服了EKF、UKF、PF等传统滤波方案对非线性非高斯状态模型、量测模型的近似处理所带来的影响。数值仿真表明了该方案的可行性。     

管道地理坐标测量中低精度IMU初始对准技术

针对管道地理坐标测量系统低精度惯性测量单元（inertial measurment unit,IMU）初始对准问题,提出一种管道定位的初始对准方法.针对大角度情况进行粗对准,然后在小角度范围内再进行精对准.在精对准过程中,对测量信号采用一阶马尔科夫模型,提取出符合kalman滤波模型的白噪声分量,随后建立13维状态量的kalman状态方程以及观测方程.对于较大方位误差角引起的非线性,采用Cubature Kalman滤波（Cubature Kalman filtering,CKF）算法对非线性模型进行状态估计,解决了滤波模型的非线性问题并进行了静态对准实验.实验结果表明,设计的算法在计算时间上优于Unscented粒子滤波（Unsented particle filtering,UPF）算法,适于作为管道地理坐标测量的初始对准算法.     

自适应平方根Unscented粒子滤波算法研究

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题,在吸收平方根滤波、自适应滤波和粒子滤波优点的基础上,提出了一种新的UPF算法。该算法由UKF算法得到重要性密度函数,通过自适应因子实时控制动力学模型误差,采用平方根分解法抑制系统状态协方差矩阵的负定性。仿真结果证明,文中所提出的自适应平方根UPF算法,不但适用于非线性、非高斯动态系统的滤波计算,而且能有效地改善滤波性能,提高SINS/SAR组合导航系统的定位精度。     

粒子群优化粒子滤波算法及其在循环流化床床温辨识中的应用

在基于现场数据的神经网络训练中,粒子滤波算法对非线性、非高斯噪声系统的适应性及全局寻优能力都优于传统BP算法。针对粒子滤波算法的粒子贫乏以及初始状态未知时需要大量粒子才能进行鲁棒状态预估等问题,将粒子群优化思想引入粒子滤波过程,使粒子在权重更新前更加趋向于高似然区域;同时,优化过程使得远离真实状态的粒子趋向于真实状态出现概率较大的区域,提高了每个粒子的作用效果。将优化前后的粒子滤波算法训练2-1-1结构的神经网络并进行比较,结果表明优化算法提高了神经网络模型预测精度,降低了精确预估所需粒子数。最后,应用该算法对基于现场数据的循环流化床床温神经网络模型进行训练并预测,验证了算法的有效性。     

高斯粒子滤波的惯性／GPS紧组合算法

为提高组合导航系统的可靠性,针对以伪距、伪距率残差为量测信息的紧组合算法会带来线性化误差的缺点,推导了基于伪距、伪距率的非线性紧组合模型.针对紧组合系统状态维数高导致粒子滤波实时性差的问题,提出基于线性非线性结构分解的高斯粒子滤波算法,对状态方程中的非线性和线性部分利用高斯粒子滤波和经典卡尔曼滤波分别进行递推,有效降低了系统的运算量.仿真结果表明,使用改进的紧组合滤波算法系统定位精度相比线性化紧组合算法提高一倍.     

动力学模型系统误差的随机加权估计

提出用新兴的随机加权估计算法对动力学模型系统误差进行估计,以控制动态模型噪声异常对状态参数估值的影响.该算法根据实际需要对动力学模型误差和状态预报值向量的协方差阵进行随机加权,以控制残差向量协方差阵和新息向量协方差阵的大小,削弱模型误差对状态参数向量的影响,提高动态导航解算的滤波精度.仿真结果表明,提出的随机加权估计算法的估计精度,明显优于经典Kalman滤波和抗差自适应Kalman滤波,能提高飞行器动态导航定位的精度.     

一种新的非线性非高斯信号分离方法

提出一种基于粒子滤波的非线性非高斯信号分离方法.该方法依据状态空间模型把信号分离问题转化为信号的状态和参数的联合估计问题,利用粒子滤波方法,结合核平滑收缩技术拟合系统未知参数后验分布,以实现非线性系统中多路信号的分离.仿真结果表明,与现有分离算法相比,该方法能有效解决非线性非高斯系统中多路信号的分离问题,并提高未知参数的估计精度.