非完整约束下滤波算法在组合导航中的应用

MEMS IMU/GPS组合导航系统的应用环境愈来愈复杂,对其精度的要求也愈来愈高,只使用普通卡尔曼滤波不能满足精度和稳定性要求。针对此问题,将Sage-husa自适应卡尔曼滤波算法和非完整约束应用到前向导航滤波算法和后向导航滤波算法中,并将前向滤波和后向滤波结果加权组合,提出了一种非完整约束下加权组合滤波算法,用于事后IMU/GPS联合解算中,用来提高组合导航的精度。并利用实验室设备进行车载实验,通过实测车载数据解算结果来验证该方法的可行性。实验结果表明非完整约束下加权组合滤波后的经纬度误差小于1.4 m,航向角误差小于1.0°,满足MEMS IMU/GPS车载组合导航系统的精度要求。     

基于信号融合的自平衡车姿态测量方法研究

针对自平衡车姿态角度测量问题,本文叙述了基于卡尔曼滤波和互补滤波的自平衡车MEMS IMU单轴融合算法的原理,分析了平衡车车身翻滚运动对融合算法计算结果的影响,最后分析了卡尔曼滤波法和互补滤波法的动态和静态收敛速度。为了验证各算法的效果,本文搭建了基于飞思卡尔K60单片机的信号采集平台进行实验。实验表明在采用低成本MEMS IMU的自平衡车俯仰角计算中,两种融合算法的效果接近,但是互补滤波法在静态时的收敛速度较快,同时考虑计算时效性,采用基于互补滤波的单轴融合算法较为合适。     

采用组合滤波算法的无人机航向测量系统研究

为了解决低成本小型无人机航姿精密测量的问题,设计了一种基于MARG传感器的航向测量系统方案。该系统由MEMS IMU、电子罗盘和STM32F407微处理器组成,采用运算量较小的梯度下降算法和改进型二阶互补滤波算法将具有互补特性的电子罗盘和IMU进行数据组合滤波,并基于四元数进行坐标转换,解算出飞行器航向信息。通过对航向测量系统的实验测试及其在旋翼飞行器上的验证分析,结果表明,在没有外界信息辅助的情况下,该系统较好地解决了噪声干扰与航向测量问题,可以满足小型旋翼无人机对航向信息的要求。     

基于粒子滤波结合SURF改进算法的跟踪技术

粒子滤波技术,在非线性、非高斯系统中的卓越表现,决定了它有着无与伦比的前景.毕竟大多数实际的系统,还都是非线性的.以粒子滤波为代表的目标跟踪算法在研究和应用是必然会得到长足的发展.论文从粒子滤波算法入手,对算法进行改进.具体研究工作和主要贡献如下:(1)改进粒子滤波算法. (2)将粒子滤波算法与SURF结合.最后实验结果表明:即使在有遮挡时,文本的算法能准确的跟踪目标,达到较高的精确性与鲁棒性,优于传统的粒子滤波算法.     

改进粒子滤波算法在目标跟踪中的应用实现

针对移动目标跟踪的非线性、非高斯的特点,本文系统介绍了基于ARMll的嵌入式设备进行移动目标跟踪的应用实现.核心应用算法使用改进的粒子滤波算法,其中粒子滤波算法的改进采用对粒子加权以及重新采样,以克服样本贫化现象和区分粒子的重要性程度.然后闸述了将粒子滤波算法移植到嵌入式设备以实现移动目标跟踪的应用需要.     

随机加权粒子滤波

研究粒子滤波方法优化问题,粒子退化是传统粒子滤波存在的致命缺陷.由于粒子退化,导致滤波精度的明显下降.针对粒子退化问题,在研究随机加权估计和粒子滤波算法的基础上,提出了一种新的随机加权粒子滤波算法.算法通过对样本进行随机加权,克服了传统粒子滤波算法中的粒子退化问题,保证了粒子的多样性.仿真结果表明,在小子样条件下,随机加权粒子滤波比经典粒子滤波的精度高.在大样本下二者的性能相同.但随机加权粒子滤波不需要重采样,因而算法简单,计算量小,更适合非线性非高斯系统模型的滤波计算,可为实际应用提供参考.     

粒子滤波在无线通信中的应用综述

粒子滤波是一种基于贝叶斯原理的序贯Monte-Carlo方法。序贯重要性采样（SIS）算法是粒子滤波的核心算法。粒子滤波算法在处理非线性、非高斯系统的状态估计问题上优于其他滤波方法。本文对粒子滤波算法的基本原理及其在无线通信中的应用进行综述,重点介绍其中的几种典型应用：在盲均衡、衰落信道下的盲检测、多用户检测和衰落信道下的空时解码中的应用,并分别给出了每种应用的状态空间模型、权值更新公式和算法应用过程,并从性能、复杂度和适应性的角度分析了粒子滤波的应用优势。最后展望该算法在无线通信领域应用的发展方向。     

粒子滤波算法及其应用研究

粒子滤波是基于序贯Monte Carlo仿真方法的非线性滤波算法,对基本粒子滤波算法的原理实现步骤进行了详细的介绍,进行了仿真试验.试验结果表明,粒子滤波能够很好地对非线性系统进行仿真,其估计精度要优于扩展卡尔曼滤波.由于粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件,并在一定程度上解决了粒子匮乏问题,近年来该算法在许多领域得到成功应用.     

融合梯度与平坦度的城区点云滤波算法

机载激光雷达系统(Light Detection and Ranging,简称LIDAR)是一种综合应用激光测距仪、IMU和GPS的新型快速测量系统.然而由于地理环境的复杂性,其数据滤波一直是一个研究难点.目前学者们已经提出了许多种滤波算法,但是这些滤波算法主要采用单一特征.本文的目的是在前人算法基础上尝试利用多元特征的互补性来提高滤波的精度,从而生成精度更高的DEM产品用于生产实践.     

基于均差滤波与高斯和的非线性非高斯系统滤波算法

针对一类非线性非高斯系统的滤波问题,在分析均差滤波算法和高斯和滤波算法的基础上,提出一种基于均差滤波的高斯和滤波算法,适于处理非线性非高斯系统的滤波问题.对于似然密度位于条件转移概率密度拖尾处的情况,与传统的粒子滤波算法相比,所提算法能提高滤波的精度和实时性.仿真实验验证了新算法的有效性.     

基于MIMU和磁力计的姿态更新算法研究

针对传统人体姿态解算算法中存在MEMS陀螺误差发散快的问题,提出一种基于微惯性测量单元( MIMU)及磁力计信息融合的姿态解算算法。该算法利用互补滤波结合PI调节控制完成陀螺零偏校正,然后在加速度计和磁强计的辅助校正下,通过EKF( Expand Kalman Filter)滤波器更新四元数法实现陀螺姿态解算。本算法采用MPU9150传感器模块完成测试实验,实验中对比分析了单独扩展卡尔曼滤波算法与本算法的滤波效果。实验结果表明,本算法能够有效地抑制陀螺的发散,实现稳定地输出高精度姿态数据。     

MEMS陀螺随机漂移的状态空间模型分析及应用

利用Kalman滤波器对MEMS陀螺随机漂移进行估计和补偿,需要将随机漂移的自回归滑动平均(ARMA)模型转化为相应的状态空间模型,从而有必要对模型之间的转换问题进行深入研究。针对国内外有关文献提出的三种转化形式,从数学角度进行了证明,并结合MEMS陀螺的试验数据,分别采用这三种状态空间模型进行了随机漂移和角速率估计试...     

船用光纤陀螺小波实时滤波算法的设计与实现

针对光纤陀螺随机漂移噪声大的问题,以船用捷联式惯导系统应用需求为研究对象,对船用光纤陀螺的输出信号特征进行了深入分析。针对陀螺信号需实时处理的要求,设计了基于阈值法的实时小波滤波算法。结合陀螺信号特征分析结果,完成了实时滤波算法的小波基、分解尺度、阈值以及阈值函数设计。实时性验证实验与实测信号的实时滤波实验结果表明:该算法在满足陀螺信号实时性的条件下,能完成陀螺随机漂移噪声的有效滤波。     

改进小波阈值法与极限学习机在MEMS陀螺误差补偿中的应用

MEMS陀螺随机误差是影响其精度的主要因素之一。针对MEMS陀螺随机误差的问题,提出一种基于改进的阈值函数的小波去噪结合极限学习机算法建模的补偿方法。通过改进小波阈值法提高去噪效果,然后由极限学习机构建MEMS陀螺误差补偿模型。通过实例研究,结果显示该方法能良好地补偿随机误差,与其他方法比较,具有更好的效果。     

基于互补滤波的输电导线舞动轨迹还原算法

方向余弦矩阵算法(DCM算法)是工业级MEMS惯性传感器姿态解算常用算法;但由于受到外部机械振动和电磁环境影响,MEMS陀螺仪输出数据的漂移较大,导致陀螺积分解算得出的姿态角误差会随着时间累积增长,因此常须结合DCM算法与GPS或磁罗盘对陀螺计算出的角度进行误差修正;然而电网的导线舞动监测仪是直接安装于高电压架空输电线路表面,仪器处于很强的工频电磁干扰环境中,GPS和磁罗盘传感器完全失效,所以若要实现实时准确输出高压导线的运动轨迹,有必要研究一种改进的DCM算法,即MEMS陀螺和加速度计的互补滤波算法;并且设计出高电压导线舞动轨迹适用的解算流程,最后在专用的舞动监测实验平台上验证此新型舞动监测仪样机的有效性。     

ARMA模型在光纤陀螺惯导系统寻北中的应用

在光纤陀螺捷联惯导系统寻北过程中,光纤陀螺的随机漂移是影响其精度的重要因素。论文提出了一种建立三阶自回归模型AR（3）方法,实现了高精度FOG捷联惯导系统静态输出信号的在线建模,并采用强跟踪卡尔曼滤波技术进行误差的实时滤波。寻北试验结果表明,寻北精度有了明显的提高,从而验证了方法的可行性,具有工程实用性。     

基于Kalman滤波算法的姿态传感器信号融合技术研究

针对应用三轴陀螺仪和三轴加速度传感器的四旋翼飞行器姿态角测量问题,提出了基于Kalman滤波算法的姿态传感器信号融合方法。该方法将陀螺仪输出的角速度误差作为时变误差处理,认为陀螺仪输出的角速度误差与其所测角速度及上一时刻的角速度输出误差相关,并据此建立陀螺仪测量线性方程,在此基础上,应用Kalman滤波算法,以加速度计输出的姿态角对陀螺仪测量的姿态角进行修正,从而达到姿态角准确测量的目的。实验结果表明：应用Kalman滤波算法对加速度传感器和陀螺仪信号融合后可有效消除姿态角测量累积误差并显著改善姿态角测量的动态特性。     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

MEMS陀螺仪漂移和噪声的分析和补偿

对陀螺仪数据分析的传统方法是使用kalman滤波器做尾数据处理来降低随机误差,由于陀螺仪传感器随着外界环境的变化的影响会有非线性误差,传统的kalman滤波算法处理的是线性误差,因此引进了适用于非线性系统的EKF滤波.为了快速滤除系统在实际环境中产生的噪声,对传统的中值滤波算法进行了改进,降低其计算复杂度,提出差分-均值中值滤波法.本文首先使用阿伦(ALLAN)方差分析了陀螺仪的误差特性,对于这些误差源分别提出了偏移校正的方法,之后建立自动回归-滑动平均模型(ARMA模型)对陀螺仪数据进行误差建模分析,最后使用EKF算法降低随机误差.实验结果表明该方法比传统的方法滤波效果好、计算复杂度低、实时性好.     

基于ARMA建模的MEMS陀螺随机误差补偿改进算法研究

基于MEMS技术生产的MEMS器件,具有体积小、重量轻、成本低、耐冲击性、高可靠性等特点,它被广泛应用于动态水平测量装置当中。但是由于外界环境的干扰,MEMS器件的测量精度一直难以达到实际应用水平。分析了在动态水平测量当中影响MEMS器件测量精度的各种因素之后,提出了一种基于ARMA模型的针对MEMS陀螺器件随机误差补偿的改进型算法。以某型号的陀螺的随机误差为研究对象进行实验验证,结果表明,MEMS陀螺的测量精度在滤波之后有了明显的提高。经过改进后的卡尔曼滤波器和引入自适应渐消因子的卡尔曼滤波器,在静态环境下,它们的误差标准差分别降为原始误差的3.75%和4.8%,动态环境下的滤波精度也得到有效提高。证明该方法是可行的和有效的,具有较大的工程实践意义。