基于抗差Kalman滤波的精密单点定位

当精密单点定位的观测值含有异常数据时,Kalman滤波的精度将会降低。采用抗差Kalman滤波方法能够有效抑制观测异常,提高滤波的精度和可靠性。运用武汉国际GPS服务跟踪站数据对该方法进行了验证。结果表明,抗差Kalman滤波的精度比Kalman滤波的精度有一定程度提高,说明抗差Kalman滤波能够有效抑制观测异常。     

基于改进Sage-Husa自适应滤波的ADCP船速基准精确获取

针对传统Kalman滤波存在的单一固定的误差协方差阵Q、R及观测粗差均会影响声学多普勒流速剖面仪船速滤波性能这一问题，本文结合自适应抗差滤波原理与Sage-Husa算法，通过构建自适应因子与抗差因子，并对Q和R分别增加Kalman滤波的约束条件，设计了一种改进的Sage-Husa自适应滤波算法。在长江口开展的声学多普勒流速剖面仪走航测量实验结果表明，与传统的Kalman滤波方法相比，本文改进方法受粗差影响明显减小；在底质流动速度为分别为5、10、15 cm/s下的船速精度均提高了约2 cm/s，断面流量相对精度则分别提高了0.9%、3.0%和6.0%。对于年均流量为2.8×10⁴ m³/s的长江口这种大型感潮河段来说，本文方法1%～6%的流量相对精度的提高显得必要且有意义。     

基于伪距残差相关性的GPS/INS紧耦合抗差滤波

提出了基于GPS伪距残差相关性的GPS/INS紧耦合抗差滤波算法.理论推导了GPS伪距观测值残差的计算方法,引入了相关函数对伪距残差进行相关性分析;分析了GPS/INS紧耦合导航的动力学模型和观测模型,基于残差相关性构建了紧耦合抗差滤波算法,利用实测数据验证了算法的有效性.结果表明:相比于非抗差滤波算法和传统的抗差滤波算法,基于GPS伪距残差相关性的抗差滤波能更灵敏地探测GPS/INS紧耦合中伪距观测值的粗差,并且通过抗差滤波因子抑制粗差对于导航结果的影响,提高GPS/INS紧耦合导航精度,而且通过控制粗差能够有效避免滤波发散现象的发生.     

基于GPS/INS的自适应无迹Kalman滤波算法

载体的姿态参数是导航系统重要的影响因素,为提高姿态角测量精度,以INS和GPS紧组合导航系统为研究背景,针对无迹Kalman滤波算法对误差模型较敏感、新息噪声干扰数据需预处理、算法实效性低等缺点,提出改进的自适应无迹Kalman滤波算法.首先,用自适应窗口在线估计系统噪声和量测噪声的协方差值,得到与实际噪声更贴近的统计特性,减小数据预处理的干扰;其次,对状态预测方差阵引入次优渐消因子减少计算量,同时为了减少模型的精度损耗,对滤波过程引入统计量,确定模型不确定性检测阈值;最后,用扩展Kalman滤波、无迹Kalman滤波和改进后的新滤波算法对无人机航向轨迹进行数据处理.结果分析可得,改进的滤波融合算法能将姿态的测量精度提高到0.1°,具有更强的收敛性,能较好地抑制漂移误差.     

基于系统误差及其协方差阵 拟合的抗差自适应滤波

动态导航数据处理中基于系统误差及其协方差矩阵拟合的自适应滤波算法在一定程度上可以 抵制系统误差或区域性系统误差对动态导航定位结果的影响,但无法抵制异常扰动的干扰。考虑到观 测模型和动力学模型存在异常扰动时,整体控制状态噪声协方差阵的方法可以减弱扰动异常的影响,因 此提出一种基于系统误差及其协方差矩阵拟合的抗差自适应滤波算法。算例结果证实,该算法在减弱 系统误差影响的同时,还能有效地抵制观测异常和载体状态扰动异常对动态系统参数估值的影响。     

抗差自适应EKF在INS/GNSS紧组合中的应用

针对惯性/卫星紧组合导航中卫星观测数据存在粗差,影响组合导航系统定位精度,同时考虑到卫星少于4颗和卫星几何分布不佳对预测残差构造自适应因子的影响,提出了一种抗差自适应EKF紧组合算法。该算法给出惯性/卫星紧组合状态方程与观测方程,抗差等价权因子和预测残差法构造自适应因子的计算公式,并给出卫星少于4颗和卫星几何状态分布不佳情况下自适应因子的计算方法。通过车载实测数据对算法进行验证与分析,实验结果表明,基于抗差自适应EKF的惯性/卫星紧组合算法可有效削弱卫星粗差观测值的影响,在可见卫星数少于4颗和卫星几何分布不佳的状态下,依据该算法获取的系统导航精度得到进一步提高。     

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。     

Kalman滤波几种异常检验法

为了检测动态导航观测异常和动力学模型异常,采用预测残差构造观测误差和动力学模型误差整体检验 法,对观测异常可分别采用以模型为准的观测异常检验、以当前历元可靠观测为基准的异常检验或以Kalman 滤波估值为基础的异常检验的方法;对于动力学模型异常检验,可以分别采用状态不符值检验法、以状态参数 Kalman滤波估值为基础的动力学模型异常检验或以可靠观测为基础的动力学模型误差整体检验的方法。分析 了以上几种检验方法的特点,并用实测数据进行了检验。结果表明:在观测异常或动力学模型异常处,异常检验 对导航数据精度有一定程度地提高。     

离散LTI系统的Kalman滤波的自适应算法

运用现代时间序列分析方法 ,提出了一类线性时不变离散随机系统的自适应稳态 Kalman滤波算法 ,该算法应用白噪声估值器理论对 ARMA新息模型进行在线辨识 ,可进行简单的自适应滤波处理 ,仿真例子说明了算法的有效性。     

GPS监测网动态数据处理抗差Kalman滤波模型

为克服观测向量中的粗差对状态参数滤波值的影响,通过分析其影响规律,并充分顾及到粗差在预测残关或得到全部反映的特点,导出了GPS监测网动态数据处理的抗差卡尔曼滤波模型－该模型对观测空间和设计空间均具有良好的抗差性,通过利用该抗差滤波模型对含有粗差的模拟GPS监测网的计算,与采用标准卡尔曼滤波模型的计算结果相比较,可获得可靠的变形分析结果。     

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%。     

精密单点定位的抗差卡尔曼滤波研究

从卡尔曼滤波的新息出发,推导了卡尔曼滤波残差的新息表达式,并用其构造抗差因子.根据精密单点定位的内部可靠性和观测值的随机性,确定完全可探测的载波相位和伪距粗差,并分别加入相应观测值粗差.通过标准卡尔曼滤波、新息的抗差卡尔曼滤波和残差的抗差卡尔曼滤波3种方案对比,粗差使标准卡尔曼滤波的估计结果产生一定的偏差.当观测值精度不等时,新息的抗差卡尔曼滤波对较高精度观测值的粗差抗差效果较差.而残差的抗差卡尔曼滤波能够实现不等精度观测值粗差的同时抗差.     

H∞滤波在惯导/GPS组合导航应用的比较分析

为分析H∞滤波算法在惯性导航系统INS/GPS组合导航应用中对动态环境的自适应能力,选用卡尔曼滤波算法和Sage-Husa算法作为对照,并改进了Sage-Husa算法,构造了较为全面的惯导系统误差模型、扰动数据情形和飞行轨迹,比较分析了三种算法的自适应能力.仿真结果表明:在这种验证环境中,H∞滤波算法可调参数受到的约束较多,与改进的Sage-Husa算法相比,卡尔曼增益和估计协方误差与量测值变化的相关性较弱,导致自适应能力较弱.在这类模拟动态环境中H∞滤波算法的自适应能力要低于改进的Sage-Husa算法.方法和结果对于鲁棒的INS/GPS组合导航算法的工程化应用有较高的实用价值.     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

离散不确定系统的两步鲁棒滤波方法及在飞行试验中的应用

提出了一种离散系统的两步处理鲁棒滤波方法。为了得到鲁棒滤波计算式，采用了上界不等式逼近和等效系统矩阵，得到了鲁棒滤波的时间更新算法，以及下界不等式逼近和等效观测矩阵，得到了鲁棒滤波的测量更新算法。并且，利用矩阵反逆公式简化了时间更新和测量更新表达式的结构。为了便于工程应用，给出了鲁棒滤波算法收敛的条件。飞行试验数据处理的结果表明，中提出的方法是有效的。     

基于改进的平方根中心差分卡尔曼滤波的单站无源定位算法

针对单站无源定位可观测性弱、收敛速度慢、定位精度差等问题,推导出了一种带次优渐消因子的平方根中心差分卡尔曼滤波算法。在正交原理的约束下,通过引入自适应次优渐消因子实时调整增益矩阵,保证不同时刻残差序列相互正交,提高了滤波器对状态变化的反应速度和对有偏估计的自适应修正能力。同时,使用误差协方差的平方根替代协方差参与滤波,保证滤波算法的数值稳定性。仿真结果表明,新算法稳定性更好、收敛速度更快、定位精度更高。     

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.     

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．     

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.