自适应联合滤波模型及其在车载SINS/GPS组合导航系统中的应用

本文提出了一种自适应联合滤波模型结构及其算法,定义了联合滤波模型信息 分配系数的自适应调节准则．并设计了车载SINS/GPS组合导航系统的自适应联合滤波器,给 出了滤波算法．理论分析和实验室组合导航实验表明,引入该准则的自适应联合滤波算法大 大提高了系统容错性和定位精度．     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。     

SINS/CNS/SAR组合导航系统中的信息融合算法研究

在SINS/CNS/SAR组合导航系统中,存在量测信息时间不同步及系统容错性差的问题,为了获得高精度滤波结果,设计了一种新的信息融合算法.首先对各子系统量测信息进行野值检测,并对处理后的量测信息进行时间同步处理;然后利用SINS/CNS和SINS/SAR子滤波器分别进行局部滤波得到局部估计值,经系统容错检测后,由主滤波器对局部估计值进行自适应融合,实现全局滤波.仿真结果表明,量测信息时间同步处理可以优化系统定位精度;当系统出现量测异常时,所提出的融合算法可以有效检测故障并进行处理,状态估计值始终维持在稳态附近.新的融合算法能改善导航系统的客错性能,提高导航精度,设计方案具有重要的理论参考价值.     

GPS与基于海流数据库的推算船位的数据融合

当前 ,潜艇在水下可获得的导航信息十分有限。因此 ,如何利用现有的装备来提高水下导航的精度一直是水下导航界关注的热点。该文构造了基于GPS的水面导航信息融合子系统和基于海流数据库的水下导航信息融合子系统。对两种子系统的联合滤波进行探讨 ,并利用联合滤波来对水下导航信息融合子系统进行修正以提高水下导航信息的精度。经过大量的计算机仿真实验证明 ,该方法十分有效 ,大大提高了水下导航的精度和系统的稳定性。     

改进的强跟踪器自适应滤波信息融合方法

给出了改进的强跟踪器自适应滤波信息融合方法,该方法信息融合结果精度高,同时对突变信号有很强的实时跟踪能力.仿真结果表明了该方法的有效性和可靠性.     

基于信息总线服务的智能数据流自适应集成方法

为了提高信息服务中心的智能数据处理能力,提出一种基于信息总线服务的智能数据流自适应集成方法,构建智能数据流自适应信息处理模型,采用统计时间序列分析方法进行信息总线服务的大数据处理和信号集成,采用同步与匹配滤波方法进行信息总线服务数据信息流的滤波检测,采用快速傅里叶变换进行智能数据流自适应集成信号滤波处理,提高智能数据流的纯度。采用重叠保留法实现信息总线服务数据流的混频处理,构建相关匹配检测器实现信息总线服务数据流的分路、插零、取反等运算,根据运算结果实现智能数据流自适应集成。仿真结果表明,采用该方法进行信息总线服务数据流集成的混频性能较好,提高了信息总线服务数据流的检测和信息融合能力,提高了输出信噪比。     

一种自适应联邦滤波在车载组合导航中的应用

联邦滤波在组合导航的应用中,具有容错性好、滤波精度高、计算量小以及实时性好的特点,但在无法得到准确的系统模型时,使用联邦滤波会出现滤波精度低甚至发散的情况。针对车载组合导航信息融合的高精度、高可靠性等要求,提出了一种组合导航的自适应联邦滤波算法。其主要思想是以判别观测数据中的野值存在与否为算法切换条件,存在野值时采用改进的增益矩阵滤波处理方法,不存在野值时则采用模糊自适应联邦滤波方法。将此方法用于SINS/GPS车载组合导航系统中,实验表明,采用的这种自适应滤波方法,能够有效抑制滤波发散,其滤波精度和收敛速度要优于常规联邦滤波,是一种有效的车载组合导航算法。     

车载GPS组合测速系统数据融合算法研究

设计并建立了车载GPS/加速度计组合测速系统联合Kalman滤波数学模型.提出了一种自适应联合Kalman滤波方法及其算法,运用随机线性离散系统Kalman滤波和非线性离散系统扩展Kalman滤波等技术进行数据的更新滤波.理论分析和半物理仿真结果表明,该数据融合算法在测量精度、可靠性、适应性、实时性等方面大大提高了该组合测速系统的性能.     

动力定位冗余测量系统的模糊自适应融合算法

针对船舶动力定位的冗余测量系统,基于模糊自适应滤波和滤波器可信度的模糊评判,建立了多传感器数据融合算法。该方法与线性或非线性系统状态估计相结合,构成模糊自适应融合算法。通过监测滤波新息的均值和分歧度,应用模糊推理系统在线调节测量噪声协方差矩阵,从而抑制滤波发散;构建新的数据质量函数和子系统故障检测函数,根据检测结果自适应地选择子系统构建全局融合体系;利用子系统滤波的新息分歧度比值和状态估计误差的协方差,模糊评判各子系统滤波的可信度,由此计算相应的信息分配系数,实现全局融合。通过转台半实物仿真,验证了该算法的有效性。     

神经网络在多机动目标跟踪中的应用

为解决多目标跟踪中数据关联与状态估计的问题引入神经网络方法.针对联合概率数据关联(JPDA)存在的计算组合爆炸问题,利用Hopfield网络解决TSP问题的思路找到神经网络联合概率数据关联(NJPDA)方法,并对其进行一定的改进解决其参数确定问题.基于以上关联方法得到的关联概率,利用简化的信息融合自适应滤波算法,实现对目标轨迹的状态滤波与预测.以上综合方法充分利用了神经网络的优点,保证了多目标的跟踪精度及实时性.     

基于联邦卡尔曼滤波器的车载GPS/DR信息融合

车栽GPS/DR组合导航系统中,需要把不同特性的传感器信息进行融合,实现系统整体状态的最优估计.设计了GPS/DR信息融合的联邦卡尔曼滤波器,局部滤波器分另q处理GPS和DR传感器信息,主滤波器进行信息融合,并对局部滤波器进行信息分配和重置.克服了单独使用GPS或DR时产生的系统失效、累积误差大等问题.仿真试验结果表明:GPS/DR组合定位比GPS单独定位具有更高的定位精度和客错能力.     

基于信息融合的组合导航系统研究

针对GPS接收机在高机动工作状态或受遮挡时易出现“丢星”现象而导致定位中断的问题,提出了一种采用GPS／GLONASS／INS组俣导航系统对载体进行快速定位、定向的新方法。文中首先总结了GPS导航系统的不足,在此基础上给出了组合系统的设计方案和工作原理,然后对基于联合卡尔曼滤波的多传感器信息融合算法进行了论述与分析,最后给出了计算机仿真。结果表明：该方法可有效地提高导航系统的精度和可靠性,为融合导航系统的数据分析和处理提供了一个有效途径。     

A switch-mode information fusion filter based on ISRUKF for autonomous navigation of spacecraft

Aiming at the problem of loss of accuracy using extended Kalman filter (EKF) in case of orbit maneuver, this paper proposes a novel information fusion filtering algorithm-iterated square root unscented Kalman filter (ISRUKF), and then designs a switch-mode information fusion filter based on ISRUKF and extended Kalman filter (EKF). This method combines navigation sensors’ geocentric vector and geocentric distance with starlight angular distance, which efficiently improves the reliability of autonomous navigation. On this basis, the method deduced measurement function of information fusion. With a semi-physical simulation to verify the proposed method, the simulation results for stably running and orbital maneuvering spacecraft show that the switch-mode information fusion filter can reduce the complexity of the algorithm and ensure the accuracy of the estimation. Thus, the proposed switch-mode filter is very suitable for spacecraft autonomous navigation system and other strong nonlinear state estimation fields.     

无反馈最优联邦信息滤波算法研究

研究了联邦信息滤波器无重置结构时的信息分配问题,基于全局融合精度最高的考虑,提出了一种根据各子系统量测信息与总的量测信息之比进行自适应调整的最优信息分配方法.与其他方法相比,该方法可使联邦滤波器获得更高的融合精度.仿真结果显示了该方法的有效性.     

多传感器分布式信息融合粒子滤波器

针对非线性非Gaussian系统的状态估计问题,提出一种基于信息融合的多传感器分布式粒子滤波算法。该算法首先利用粒子滤波方法分别计算局部传感器的状态估值,再应用分布式标量加权融合准则对状态估值进行信息融合。仿真结果表明和单传感器情形相比可提高滤波的精度。     

信息融合算法在机器人足球系统中的应用

最优信息融合Kalman滤波算法给出了实时动态环境中线性方差最小的融合估计。采用该算法对机器人足球系统中的小球进行状态估计和预测,并给出了信息融合处理结构和该算法的具体实现步骤。实验结果表明,该算法可以克服单一视觉传感器采集的数据含有较大噪声等局限性,实现了对小球精确的状态估计和预测,具有可行性和优越性,并且在某一机器人视觉传感器出错时,系统仍具有良好的容错性和鲁棒性。     

按对角阵加权信息融合Kalman滤波器

为了克服按矩阵加权信息融合非稳态Kalman滤波器的在线计算负担大的缺点,和按标量加权融合Kalman滤波器精度较低的缺点,应用现代时间序列分析方法,提出了按对角阵加权的线性最小方差多传感器信息融合稳态Kalman滤波器.它等价于状态分量按标量加权信息融合Kalman滤波器,实现了解耦信息融合Kalman滤波器.它的精度和计算负担介于按矩阵和按标量加权融合器两者之间,且便于实时应用.为了计算最优加权,提出了计算稳态滤波误差方差阵和协方差阵的Lyapunov方程.一个三传感器的雷达跟踪系统的仿真例子说明了其有效性.     

快速信息融合Ka lman 滤波器

应用现代时间序列分析方法,在标量加权线性最小方差融合准则下,提出一种多传感器快速信息融合稳态Kalman滤波器.基于ARMA新息模型计算稳态Kalman滤波器增益,提出了计算传感器之间的滤波误差方差阵和协方差阵的Lyapunov方程,它可用迭代法求解,并证明了迭代解的指数收敛性.与基于Riccati方程按矩阵加权的信息融合Kalman滤波器相比,可明显减小计算负担,便于实时应用,可用于设计含未知噪声统计系统的信息融合自校正Kalman滤波器.最后以目标跟踪系统的一个仿真例子说明了其有效性.     

Multi-sensor optimal information fusion Kalman filter

This paper presents a new multi-sensor optimal information fusion criterion weighted by matrices in the linear minimum variance sense, it is equivalent to the maximum likelihood fusion criterion under the assumption of normal distribution. Based on this optimal fusion criterion, a general multi-sensor optimal information fusion decentralized Kalman filter with a two-layer fusion structure is given for discrete time linear stochastic control systems with multiple sensors and correlated noises. The first fusion layer has a netted parallel structure to determine the cross covariance between every pair of faultless sensors at each time step. The second fusion layer is the fusion center that determines the optimal fusion matrix weights and obtains the optimal fusion filter. Comparing it with the centralized filter, the result shows that the computational burden is reduced, and the precision of the fusion filter is lower than that of the centralized filter when all sensors are faultless, but the fusion filter has fault tolerance and robustness properties when some sensors are faulty. Further, the precision of the fusion filter is higher than that of each local filter. Applying it to a radar tracking system with three sensors demonstrates its effectiveness.