自适应GHPF及其在组合导航中的应用

研究组合导航系统精度优化问题,针对粒子滤波存在重要性密度函数难以选取的问题,提出一种新的自适应GHPF算法,通过高斯-厄米特滤波来获取状态均值和协方差阵,计算自适应因子并利用自适应因子调节均值和方差,得到一种参数可调节的重要性密度函数.重要性密度函数考虑了最新量测的影响,提高了滤波精度,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,仿真结果表明,提出的滤波算法能提高导航计算的精度,定位性能明显优于与扩展Kalman滤波、粒子滤波以及高斯-厄米特粒子滤波.     

一种基于GHF 的高斯粒子滤波算法

高斯粒子滤波算法重要性权值方差不会随迭代次数的增加而增加, 能够较好地解决粒子退化问题, 但其重要性密度函数没有考虑最新的量测信息, 导致有效粒子数减少, 算法滤波性能下降. 针对该问题, 提出一种基于Gaussian-Hermite 滤波(GHF) 的高斯粒子滤波算法, 采用GHF构造高斯粒子滤波的重要性密度函数, 考虑最新的量测信息, 增加有效粒子数, 提高算法的滤波精度. 仿真结果表明, 所提出算法的滤波精度明显优于高斯粒子滤波算法.

     

基于容积卡尔曼滤波的高斯粒子滤波算法

高斯粒子滤波是一种免重采样的粒子滤波,不会出现粒子退化,但其重要性密度函数由于没有考虑到最新量测信息,使得滤波性能明显下降,且该算法没有较高的实时性。针对这个问题提出一种基于CKF的高斯粒子滤波算法—CKGPF算法。该算法利用CKF算法构造高斯粒子滤波的重要性密度函数,且在时间更新阶段借助CKF算法来完成只对高斯分布参数的更新。仿真结果表明,CKGPF算法相比于标准GPF算法不仅提高了滤波精度,而且还具有较好的实时性。     

改进粒子滤波算法及其应用仿真

针对目标跟踪中粒子滤波算法的估计精度不高、粒子退化问题,文中提出了一种GH．RPF算法．在粒子滤波的基础上,应用高斯．厄米特滤波来产生重要密度函数,同时对重采样采用正则变换以改善采样粒子的多样’生．将该算法应用于非线性、非高斯的目标跟踪中,仿真结果表明,与标准粒子滤波及EKPF相比,该算法的滤波精度更高,具有更高的跟踪性能．     

一种改进Unscented粒子滤波及其应用研究

UPF(Unscented粒子滤波)克服了UKF(Unscented卡尔曼滤波)不适用于非高斯噪声系统的局限性和PF(粒子滤波)重要性密度函数难以选取的缺陷,但是,其仍易受到异常扰动的影响,且在计算迭代中协方差阵可能失去半正定性.针对此问题,提出抗差自适应Unscented粒子滤波算法.首先介绍抗差估计基本原理和自适应因子模型,在充分吸收抗差估计、自适应滤波和UPF算法优点的基础上,提出RAUPF算法,然后将RAUPF算法应用到单变量非静态状态增长模型中进行仿真计算,并与EKF和UPF算法进行比较,并进行复杂度分析.结果表明,提出的算法估计精度高于EKF和UPF算法的估计精度,估计值更加接近真值.     

递推更新高斯粒子滤波器

传统高斯粒子滤波算法(Gaussian particle Filter,GPF)中,粒子的重要性密度函数是由高斯滤波器结合当前最新量测来构建的.由于传统高斯滤波器在量测更新阶段直接利用量测对状态进行线性更新,在某些条件下会导致所构建的重要性密度函数并不能很好地近似状态真实分布.为了解决这一问题,结合递推更新的思想,本文推导出了递推更新高斯滤波器(recursive update Gaussian filter,RUGF)的一般结构.并在此基础上,选用RUGF来构建粒子滤波的重要性密度函数,从而提出了基于递推更新的高斯粒子滤波算法(recursive update gaussian particle filter,RUGPF).仿真表明,在非线性系统状态估计问题中,递推更新可以很好的利用量测信息,相比于传统的GPF,本文所提出的RUGPF滤波算法可以提供更高精度的估计结果.     

一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用

针对粒子滤波的重要性密度函数选择问题,提出一种基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的改进粒子滤波算法。该方法利用集合卡尔曼滤波产生粒子滤波在每一时刻各粒子的重要性密度函数,在融合最新观测信息的同时,使重要性密度函数更加符合状态的真实后验概率分布。为消除样本枯竭现象,对重采样后的粒子进行马尔科夫链蒙特卡洛处理。在仿真实验中,将新算法用于GPS/DR组合定位系统,与粒子滤波、扩展卡尔曼粒子滤波以及无迹粒子滤波进行比较。仿真结果表明,该算法的估计精度高于传统粒子滤波算法,同时其能够有效控制计算量,并且在粒子数目较少时仍能保证较好的估计性能。     

WSNs的改进PF算法对移动机器人的定位跟踪

针对粒子滤波(PF)算法由于粒子的数量和质量的影响、重要性密度函数不能直接求得、重采样过程中噪声无法优化而使粒子退化严重以致跟踪精度不高的问题,提出了遗传方差自适应(GVA)PF(GVAPF)算法。首先利用遗传算法从大量粒子中挑选初始粒子,改善初始粒子的质量。然后对重采样过程的噪声采用方差自适应进行实时修改,使得重要性密度函数更加逼近状态的真实分布。仿真结果表明:改进的算法明显优于标准PF算法。     

辅助增量粒子滤波方法

提出辅助增量粒子滤波方法并给出其算法过程。该方法将增量形式融入辅助变量粒子滤波中,解决由于工程实际中量测可能存在未知系统误差导致无法精确建立量测似然函数的问题,另一方面,其又能保持辅助变量粒子滤波方法的优势,在选取重要性密度函数上有效利用最新观测的信息。该方法能减少重采样次数,较好保持粒子的多样性,使得非线性滤波的精度得以提高。仿真实验结果表明,辅助增量粒子滤波方法能有效减少非线性滤波问题的误差,相对经典滤波方法的滤波精度提高了50%。     

基于正则化的高斯粒子滤波算法

针对非线性系统的状态估计问题,提出一种改进的高斯粒子滤波算法。该算法是基于正则化粒子滤波(RPF),将重采样中离散的概率分布函数近似为连续分布,进而在高斯粒子滤波(GPF)中引入正则化粒子滤波算法得到的最新预测值,并利用这一观测值进行状态估计的更新。最后,对RGPF和GPF两种算法进行综合分析和实验仿真,结果表明,与标准GPF算法相比,RGPF具有较高的滤波精度。     

自适应粒子滤波在卫星紫外导航中的应用

基于紫外敏感器的自主导航系统是典型的非线性和噪声非高斯分布的系统,针对扩展卡尔曼滤波(EKF)和Unscented 卡尔曼滤波(UKF)不适于噪声非高斯分布的系统,和一般粒子滤波缺乏在线自适应调整能力等问题,提出了将基于正交性原理的自适应强跟踪滤波器(STF)和UKF相融合作为重要密度函数,应用于基于紫外敏感器自主导航粒子滤波器新方法,通过UKF构造粒子群,对粒子群中的每一个粒子的每一个sigma点用STF进行更新,使得算法的鲁棒性增强,有极强的对突变状态的跟踪能力,具有强的自适应能力.为了说明算法的有效性,结合模拟的轨道数据和测量数据进行了仿真,仿真结果说明了所提算法的有效性.     

基于信息补偿的自适应联邦滤波算法

针对采用标准卡尔曼滤波器必须知道系统噪声统计特性的局限性，研究了一类系统噪声未知情况下的自适应联邦滤波方法，指出了自适应滤波方法应用于联邦结构时应当注意的问题，提出了一种基于信息补偿的自适应联邦滤波算法。SINS／BDS／GPS组合导航系统的仿真结果表明，该方法可以有效抑制系统噪声未知情况下的滤波发散现象，提高了滤波的稳定性和估计性能。     

模糊自适应卡尔曼滤波算法在航位推算系统中的应用

针对实际的应用中车载航位推算系统的模型参数、噪声的统计特性不确定性,影响估计效果,提出了车载航位推算的模糊自适应卡尔曼滤波模型及其滤波算法;该方法通过监视理论残差与实际残差的比值是否接近1,应用模糊推理系统不断地调整量测噪声协方差的加权,对自适应卡尔曼滤波的量测噪声协方差进行递推修正,通过该算法来抑制噪声对精度的影响,进而提高系统的导航精度;仿真结果表明,这种算法能够有效地提高系统的精度,是一种比较理想的车载DR导航滤波方法。     

基于渐消卡尔曼滤波算法的航空发动机参数估计方法

针对航空发动自适应模型误差无法完全消除,可能导致参数估计结果严重偏离甚至滤波发散的问题,提出一种带渐消因子的卡尔曼参数估计方法,采用在线调整卡尔曼方程残差的权重、加强现实测量数据在状态估计中作用的策略,保证了发动机性能参数估计的准确性。仿真结果表明,该方法不仅克服了滤波发散现象,具有更优的收敛速度和估计精度,且计算量小,实现简单,便于实际应用     

基于极大似然估计的新息自适应滤波算法

针对噪声统计信息未知或时变情况下常规卡尔曼滤波估计精度下降甚至发散的问题,提出了一种基于极大似然估计的新息自适应滤波算法.算法对基于极大似然估计的常规新息协方差估值器进行限定记忆指数衰减加权修正,增加滑动窗口内新近新息协方差序列的利用权重;根据新息自适应原理,利用新息协方差估计值直接计算滤波增益矩阵,加快滤波器收敛速度的同时提高了滤波算法的估计精度.算法应用于捷联惯性导航系统/全球定位系统(SINS/GPS)组合导航系统,仿真实验表明:在噪声统计信息未知或时变情况下,算法具有更强的鲁棒性以及更高的滤波精度.     

A sequential learning algorithm based on adaptive particle filtering for RBF networks

To address the problem of low filtering accuracy and divergence caused by unknown process noise statistics and local linearization in neural network state-space model, this paper proposes an adaptive process noise covariance particle filter algorithm for the radial basis function (RBF) networks. Using the algorithm, the evolution of the weights and centers of RBF networks is achieved sequentially in time by use of the extended Kalman particle filter algorithm, and the process noise covariance matrices are also obtained simultaneously by maximizing the evidence density function with respect to the process noise covariance matrices. Performance of the presented approach is evaluated by two function approximation problems. Experimental results show that the proposed approach obtains better prediction accuracy than other well-known training algorithms.     

基于高斯似然近似的自适应球面径向积分滤波算法

针对量测噪声较小的环境下传统滤波算法容易出现偏差增大的实际问题, 基于高斯近似原理, 提出一种基于高斯似然近似的球面径向积分滤波(SRGLAF) 算法. 为进一步解决量测未知环境下的状态估计问题, 充分结合CKF 等确定性采样型滤波算法和SRGLAF 的优势, 设计一种基于高斯似然近似的自适应球面径向积分滤波(ASRGLAF) 算法. 仿真结果表明: SRGLAF 能够提高量测噪声较小环境下的估计精度, 而在量测噪声未知环境中, ASRGLAF 能够有效地进行状态估计, 具有明显的滤波优势.

     

组合导航系统滤波器截断误差抑制方法

组合导航系统作为重要的定位和姿态测量的技术手段,其基本设计思想是将GPS和SINS等导航设备输出的信息经过滤波器进行最优估计。但在采用Riccati方程更新协方差矩阵和计算Kalman增益过程中,截断误差随着迭代次数的增大而累积,破坏协方差矩阵的正定性和对称性,降低滤波器计算的数值稳定性,严重时导致组合系统故障发散。本文建立了Riccati方程一阶误差模型,从理论上分析截断误差对滤波器估计性能的影响,引入基于Bierman算法和Thorton算法的Kalman滤波器进行更新方法,解决了截断误差引起的滤波器数值稳定性的问题。通过强实时半物理仿真系统验证表明,相比于基于Kalman滤波器的系统,基于Bierman-Thorton算法的组合导航系统有更强的数值稳定性和较高的导航精度。