ASUKF方法在航天器自主导航中的应用

针对自主导航过程中不确定的测量噪声和干扰的影响,提出了一种具有自适应能力的状态估计方法———ASUKF方法.该方法对非线性的状态方程进行超球面分布UT变换,对非线性的测量方程求取雅可比矩阵,同时在滤波迭代过程中引入自适应因子,从而在保持估计精度的条件下,降低了UKF算法的计算量,并使滤波器具有了自适应能力.将ASUKF方法应用于自主导航系统导航信息的估计过程中,仿真结果表明:其在保持导航信息估计精度的同时,提高了估计效率,克服了自主导航过程中不确定的噪声和随机干扰的影响.     

基于自适应卡尔曼滤波的NGMIMU/GPS组合导航设计

由于加速度计输出动态噪声的存在,无陀螺微惯性测量单元(NGM IMU)导航误差随时间迅速累积.基于NGM IMU九加速度计配置方案,利用自适应卡尔曼滤波方法进行NGM IMU/GPS组合导航系统设计.滤波算法对滤波预测残差的大小进行判断,利用极大后验估计器推算出动态噪声和观测噪声的统计特性,克服了系统噪声统计特性不易确定的实际问题,使滤波器成为最优.同时进行了系统位移和角速度仿真,结果验证了自适应卡尔曼滤波方法的可行性.     

基于有色噪声滤波算法的探测器自主导航研究

提出了一种基于有色噪声等效模型转换的卡尔曼滤波算法,这一方法主要用于自主式航天器。为了避免计算的复杂性和滤波器维数的扩大,算法建立了与测量方程等价的有色噪声滤波模型,这样不必预先知道测量噪声的方差,比较接近实际情况。扩展卡尔曼滤波器对噪声方差进行在线修正,扩大了滤波器的使用范围。     

模糊逻辑在NGIMU/GPS组合中的应用

由于加速度计输出动态噪声的存在,无陀螺惯性测量组合(NG IMU)导航误差随时间迅速累积.采用传统卡尔曼滤波方法进行NG IMU/GPS组合导航系统设计时,又由于观测噪声的复杂性,造成滤波结果不明显.针对上述噪声统计特性不易确定的特点,基于NG IMU九加速度计配置方案,提出利用模糊逻辑自适应卡尔曼滤波方法进行NG IMU/GPS组合导航系统设计.模糊逻辑自适应卡尔曼滤波器(FLAKF)通过对噪声方差进行修正,将卡尔曼滤波器调整到最优状态.同时进行了系统位移、速度、角速度仿真,仿真结果验证了模糊逻辑自适应卡尔曼滤波方法的可行性.     

滤波增益模糊自适应调节导航算法

研究基于自主车的自主导航信息融合算法,针对量测噪声、建模误差等因素引起的滤波发散问题,提出一种实时、自适应滤波算法。通过监测新息向量均值与协方差变化,构建模糊规则推理机制,通过模糊推理,自适应调节滤波器滤波增益,实时改变量测信息估计并更新权重,抑制滤波发散,实现最优估计。搭建自主车仿真环境,采集跑车数据,验证结果表明:相比常规滤波,该算法提高滤波精度效果明显,较好解决了噪声及未建模部分所引起的滤波发散问题。     

非线性随机系统的鲁棒自适应平滑估计算法

针对有色噪声下一类含有未建模动态和扰动的非线性随机系统,提出一种鲁棒自适应平滑估计算法。该算法通过极小化状态平滑估计误差的方差和相邻时刻残差的协方差,在线辨识状态滤波估计误差和残差的方差,实现对未建模动态和扰动的自适应补偿。仿真结果验证了该算法在解决有色噪声下非线性随机系统的时变时滞与参数联合估计问题中的有效性。     

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.     

GPS/SINS组合导航系统中自适应滤波器

在系统模型和噪声统计特性不确定的情况下,引入了自适应滤波算法,通过调整遗忘因子,实时地对系统噪声和观测噪声进行在线估计和修正。仿真结果表明,自适应滤波效果优于Kalman滤波。     

基于自适应卡尔曼滤波加速度与位移融合的结构位移实时估计

实时高精度位移测量在工程结构的安全和寿命评估方面有着重要作用。为提高基于全球导航卫星系统技术的位移测量的精度及稳定性，本文提出了一种融合加速度和位移数据的自适应多速率卡尔曼滤波方法，来实时获取精度提升的位移信息。由于不合理的噪声参数设置会使位移估计的精度严重下降，本文利用加速度和位移数据测量噪声各自的特点，以分开估计相应噪声方差的思路来实现自适应估计。考虑传感器噪声的性质，自适应滤波中对噪声参数的估计可简化为仅对位移噪声方差进行估计。利用Sage-Husa估计器实现位移噪声方差的自适应估计，使滤波能在噪声参数未准确获知的情况下进行稳定的位移实时估计。首先，讨论了自适应滤波中初始噪声参数的影响，确定了初始系统噪声参数的选取原则。然后，分别在时不变与时变位移噪声环境下，观察该滤波应用于不同频率的谐波位移信息下的估计性能。最后，以某1.5MW风电塔在风-地震耦合作用下塔顶结构响应的数值模拟，来说明本文的自适应滤波在一般工程结构应用中的有效性。结果表明，即使初始噪声参数设置有误或位移噪声具有时变性，本文方法依然具有较好的估计效果及鲁棒性。上述研究成果可为结构实时高精度位移监测提供一定理论支撑与参考。     

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.     

New sigma point filtering algorithms for nonlinear stochastic systems with correlated noises

New sigma point filtering algorithms, including the unscented Kalman filter (UKF) and the divided difference filter (DDF), are designed to solve the nonlinear filtering problem under the condition of correlated noises. Based on the minimum mean square error estimation theory, the nonlinear optimal predictive and correction recursive formulas under the hypothesis that the input noise is correlated with the measurement noise are derived and can be described in a unified framework. Then, UKF and DDF with correlated noises are proposed on the basis of approximation of the posterior mean and covariance in the unified framework by using unscented transformation and second order Stirling’s interpolation. The proposed UKF and DDF with correlated noises break through the limitation that input noise and measurement noise must be assumed to be uncorrelated in standard UKF and DDF. Two simulation examples show the effectiveness and feasibility of new algorithms for dealing with nonlinear filtering issue with correlated noises.     

量测噪声自动加权Kalman滤波

从Kalman滤波技术的稳定性出发，分析了Kalman滤波算法的实质及容量发散的原因，提出在Kalman滤波中引入系统量测噪声协方差阵（R）的计算，并对其加权，从而影响滤波增益，抑制发散，推算舰位／GPS组合导航的应用仿真表明明显测噪声自动加权Kalman滤波算法对系统模型误差和量测噪声协方差误差具有良好的自适应性。     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.     

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.     

基于遗传模糊控制的智能自适应滤波算法

组合导航中软故障难以检测,致使卡尔曼滤波精度降低甚至发散.为提高滤波的容错性,提出了一种基于遗传模糊控制的智能自适应滤波算法.首先针对软故障提出一种模糊自适应滤波算法,算法中通过监测观测量新息及其变化率,应用模糊控制系统计算观测质量因子,并对滤波器量测噪声阵进行在线自适应调整,从而抑制软故障对滤波的影响,保证滤波的精度,提升容错性能.然后,利用自适应遗传算法对隶属度函数的参数进行优化,从而进一步提高算法的整体精度.利用本文提出的算法在SINS/CNS/GPS导航平台上进行了定位实验,结果显示该算法有效,在软故障存在时,定位精度小于2 m,测速精度小于0.1 m/s.     

双重迭代变分贝叶斯自适应卡尔曼滤波算法

提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不确知的情况下仍具有较强的鲁棒性。     

双重自适应UKF在SINS初始对准中的应用

对无迹卡尔曼滤波（UKF）算法进行了改进,提出一种双重自适应UKF算法. 该算法能缩放噪声、平抑模型噪声;通过监测基于新息特性的自适应矩阵的迹并进行实时修改,达到抑制观测干扰的目的. 仿真结果表明,双重自适应UKF算法对于模型噪声和观测干扰十分敏感,同时具有较强的鲁棒性,能快速对其进行平抑.     

自适应-模糊滤波算法

为了克服大部分的自然图像中同时存在脉冲噪声和高斯噪声,在分析了传统滤波算法特点的基础上,提出了一种改进的自适应-模糊图像滤波算法.该算法首先判别并标定图像中的脉冲噪声,以实现两类噪声的分离.采用自适应滤波窗口的中值滤波算法滤除脉冲噪声,有效地克服了传统中值滤波的不足.在有效地滤除脉冲噪声的基础上,引入提出了模糊控制中隶属度函数的概念改进均值滤波算法,结合图像直方图的自适应,提出隶属度函数的阀值,克服了均值滤波造成图像细节模糊的不足.最后提出了一种针对图像滤波算法中求解中值的快速算法,提高算法的实用性.仿真证明,自适应-模糊滤波算法在滤除图像中混合噪声的效果明显优于传统滤波算法,可广泛应用于各种图像处理场合.