组合定位中信息融合算法的研究

指出了传统的卡尔曼滤波在GPS/INS车辆组合定位系统中应用的局限性，给出了一种BP/GA混合算法与卡尔曼滤波结合的信息融合算法模型、原理、实现步骤及仿真结果。仿真表明这种算法和常规卡尔曼滤波算法相比较具有更高的精度和稳定性。     

组合定位中信息融合算法的研究

指出了传统的卡尔曼滤波在GPS/INS车辆组合定位系统中应用的局限性,给出了一种BP/GA混合算法与卡尔曼滤波结合的信息融合算法模型、原理、实现步骤及仿真结果。仿真表明这种算法和常规卡尔曼滤波算法相比较具有更高的精度和稳定性。     

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.     

极坐标下卡尔曼滤波算法的研究

针对在某些情况下直角坐标系中卡尔曼滤波算法运算量较大、模型建立比较困难等缺点,提出了极坐标下的卡尔曼滤波算法。该算法选用极坐标作为滤波坐标系,建立了目标运动模型和外推方程,给出了增益阵的一种新的计算方法。仿真结果表明,提出的滤波算法在数据率较高时,滤波精度略低于直角坐标下卡尔曼滤波算法,优于自适应α－β滤波算法,但运算量明显低于直角坐标下卡尔曼滤波算法。     

基于纵向车速估算的商用车ABS神经网络滑模控制

针对商用车防抱死制动系统(ABS)控制中纵向车速难以直接获得,提出了强跟踪容积卡尔曼滤波(STCKF)算法对制动过程中的纵向车速进行估算。然后根据ABS控制需求,提出了商用车ABS神经网络滑模控制算法,利用滑模算法对ABS的滑移率进行控制,再利用神经网络对滑模控制器的参数进行自适应调节。最后通过Matlab/Simulink与TruckSim联合仿真,分别在高、中、低附着系数路面和对开路面上进行仿真验证。仿真结果表明:强跟踪容积卡尔曼滤波算法对纵向车速的估算较为精确,ABS神经网络滑模控制效果良好。     

似然迭代平方根容积卡尔曼滤波算法的克拉美罗下界分析

本文介绍了平方根容积卡尔曼滤波算法和似然迭代平方根容积卡尔曼滤波算法,推出了后验克拉美罗下限.将两种算法应用到弹道再入段的状态估计中,分析和比较了两种算法的标准差与后验克罗美罗下限的关系.仿真实验结果表明,相比于平方根容积卡尔曼滤波算法,似然迭代平方根容积卡尔曼滤波算法的位置、速度和弹道系数的标准差与后验克拉美罗下限很接近,算法的滤波性能明显优于平方根容积卡尔曼滤波算法,是一个有效的状态估计算法.     

基于RK-UKF算法的再入目标质阻比估计

针对再入目标质阻比实时估计的问题,根据目标的三维再入运动模型及量测模型,提出了一种基于龙格-库塔（Runge-Kutta）积分的不敏卡尔曼滤波（UKF）算法（RK-UKF）的再入目标质阻比估计方法,给出了RK-UKF算法与扩展卡尔曼滤波（EKF）算法和不敏卡尔曼滤波算法的仿真比较.仿真结果表明,RK-UKF算法可实现对再入目标的高精度跟踪和其质阻比快速稳定的估计.     

基于多新息理论的卡尔曼滤波改进算法

系统建模是卡尔曼滤波的基础,系统模型不准确带来的验前数据误差,使滤波器精度降低,甚至可能造成发散.针对这种情况,提出一种基于多新息理论改进的卡尔曼滤波算法.多新息卡尔曼滤波算法不仅考虑了运动目标当前的运动状态,而且也充分利用目标之前运动信息,从而使得多新息卡尔曼滤波算法的滤波精度和稳定性得到改善.仿真结果表明,改进的多新息卡尔曼滤波算法较标准卡尔曼滤波算法更有效,预测精度更高.     

卡尔曼滤波方法在经纬仪图像数字传感系统中的应用

研究了卡尔曼滤波在图像数字传感系统（IDSS）中的应用,设计了基于随机噪声下匀速运动的卡尔曼滤波算法和基于延时的卡尔曼滤波算法。仿真结果表明,IDSS跟踪误差减小,当跟踪目标从视场消失时,控制系统按照预测的目标信息跟踪。     

基于Unscented卡尔曼滤波的目标跟踪仿真分析

卡尔曼滤波技术是目标跟踪的理论基础之一.在工程应用中,多采用非线性滤波的方法对目标进行跟踪.介绍了Unscented变换,通过使用Unscented卡尔曼滤波(UKF)对目标跟踪进行仿真实验,Un-scented卡尔曼滤波有效地克服了传统的扩展卡尔曼滤波算法(EKF)的缺陷.给出了最佳估计的二阶近似,提高了对目标跟踪的精度和稳定性.仿真结果表明,该算法对目标在位置、速度跟踪方面均有良好的效果;针对目标机动,采用多模型滤波算法能够实现目标机动的精确跟踪.     

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。     

基于自适应UKF的单站无源定位算法

针对无迹卡尔曼滤波(UKF)算法在单站无源定位中滤波的性能容易受到初始值和系统噪声影响的问题,提出了一种自适应无迹卡尔曼滤波(AUKF)的跟踪算法。该算法利用观测信息和新息,引入自适应因子,对在滤波过程中的误差的协方差矩阵进行合理自适应调整,保证得到较稳定和高精度的滤波值,从而提高算法的鲁棒性。仿真结果表明,该AUKF算法与扩展卡尔曼滤波算法(EKF)及其衍生算法中的修正协方差滤波算法(MVEKF)和UKF算法相比,对系统噪声的鲁棒性更好,体现在滤波的收敛速度和滤波精度等方面都有所提高,是一种性能更加优越的算法。     

Adaptive Federal Kalman Filtering for SINS／GPS Integrated System

A new adaptive federal Kalman filter for a strapdown integrated navigation system/global positioning system (SINS/GPS) is given. The developed federal Kalman filter is based on the trace operation of parameters estimation‘s error covariance matrix and the spectral radius of update measurement noise variance-covariance matrix for the proper choice of the filter weight and hence the filter gain factors. Theoretical analysis and results from simulation in which the SINS/GPS was compared to conventional Kalman filter are presented. Results show that the algorithm of this adaptive federal Kalman filter is simpler than that of the conventional one. Furthermore, it outperforms the conventional Kalman filter when the system is undertaken measurement malfunctions because of its possession of adaptive ability. This filter can be used in the vehicle integrated navigation system.     

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.     

卡尔曼滤波自适应天线加权矢量收敛性分析

提出了将卡尔曼滤波器应用于自适应天线，分析了卡尔曼滤波算法初值与天线阵加权矢量收敛性的关系，推导出加权矢量收敛条件．实验考察了收敛条件的有效性，并与最小均方算法进行了比较．     

一种基于导向矢量约束的恒模盲波束形成算法

针对阵列信号波达角(direction of arrival,DOA)先验信息已知的情况,利用信号的恒模特性,在卡尔曼滤波(Kalman filter,KF)结构下,提出一种附加阵列导向矢量约束的自适应波束形成算法.对约束情况下的卡尔曼滤波目标函数运用拉格朗日乘子法,求得约束条件下的最优估计表达式,并将其推广到无迹卡尔曼滤波(unscented Kalman filter,UKF)算法中,通过约束迭代算法对阵列估计信号的导向角施加约束,实现约束UKF自适应波束形成算法的最优权值分配.仿真过程中,用所提算法与约束恒模迭代最小二乘算法和约束最小方差迭代最小二乘算法作对比,表明表明,该算法在收敛速度、信噪比、稳健性、跟踪性能方面具有较好的性能.     

BF粒子滤波算法在快速目标跟踪中应用的研究

为了对快速目标进行跟踪,在高斯加性白噪声的条件下(AGWN),文章把BF粒子滤波算法和迭代的Kalman滤波器方法结合起来对快速目标状态进行处理,状态估计用BF粒子滤波算法,能减小方差和运算量,同时用Kalman滤波器能提高跟踪精度和对目标状态的估计。仿真结果表明,文中所设计的快速和精确的BF算法能真正地解决快速目标跟踪问题。     

采用稳态Kalman滤波器简化Kalman滤波器的计算

计算Kalm an滤波器的方法主要采用迭代计算法,在工程应用中在线进行无穷迭代运算所带来的较大计算量势必影响计算速度。提出了稳态Kalm an滤波器的概念,并用Kalm an滤波器增益阵的稳态值计算Kal-m an滤波器。采用稳态Kalm an滤波器避免了在线计算Kalm an滤波增益在各时刻的函数值,因而减小了采用迭代法计算Kalm an滤波器的计算负担。     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

车载GPS/DR组合导航系统的数据融合方法研究

GPS/DR组合导航系统是非线性的,扩展卡尔曼滤波(EKF)可以利用线性化技巧将其转化为线性滤波问题,但这一过程会使得滤波结果出现很大误差。针对这一问题,将改进的粒子滤波方法(UPF),即将无迹卡尔曼滤波(UKF)与粒子滤波(PF)相结合,应用到GPS/DR组合导航系统中,避免了EKF的线性化近似过程,同时优化了PF算法,提高了定位精度。实验结果表明,与EKF和PF算法相比,UPF算法具有更高的鲁棒性和更好的定位效果。