基于H∞滤波的GPS/SINS组合导航系统研究

文中在对H∞估计问题进行数学描述的基础上,建立了一种H∞次优滤波算法的迭代方程.通过在GPS/SINS组合导航系统中的实际应用从精度、鲁棒性等指标方面对H∞滤波和Kalman滤波算法进行比较.仿真结果表明,在理想条件下,Kalman滤波方法具有较高的精度.但是,当系统噪声和量测噪声为有色噪声时,H∞滤波算法明显具有良好的鲁棒性能,估计精度也较高,能有效地克服Kalman滤波器存在的局限性.     

Kalman与H∞滤波算法在GPS/惯性组合导航系统中的应用研究

针对Kalman滤波及H∞滤波的特点,分别将其应用于GPS/惯性组合导航系统中进行比较.采用位置-速度组合方式.分别在白噪声及有色噪声条件下进行滤波.通过仿真结果说明当系统模型及噪声的统计特性精确已知的情况下Kalman滤波算法可以得到较高的精度.然而当系统模型及噪声的统计特性发生变化时H∞滤波算法明显具有良好的鲁棒性,估计精度也较高,有效地克服了Kalman滤波器存在的局限性.     

SINS动基座对准中H_∞滤波器的参数优化方法

在SINS动基座对准中,H_∞滤波算法比Kalman滤波算法具有更好的抗扰动能力。针对H_∞滤波器的参数优化问题,首先在推导H_∞滤波算法鲁棒机理的基础上,分析了滤波参数对系统状态收敛速度和滤波稳定性的影响,然后引入多模型估计理论进一步优化H_∞滤波参数。经过仿真试验,该参数优化方法是提高SINS动基座对准H_∞滤波器估计效果的有效手段。     

H∞滤波及其在GPS/INS容错组合制导中的应用

Kalman滤波需要给出系统精确的状态模型和噪声统计性能,而在实际应用中却难以满足,故利用Kalman滤波可能得不到系统最优估计,甚至发散。文中给出了在巡航导弹GPS/INS组合制导应用中对模型及噪声容错性能更强的H∞鲁棒滤波,仿真结果表明,即使对简化的组合制导模型和噪声,利用H∞滤波仍可得到良好的估计结果。     

时变噪声统计估计的自适应UKF目标跟踪算法

针对目标跟踪中非线性滤波精度下降甚至发散的问题,提出了一种时变噪声统计估计的自适应无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法.首先将系统模型和滤波算法修正为适于噪声非零均值时的情况,然后根据极大后验估计原理,推导出一种次优的时变噪声统计估计器,其系数通过指数加权的衰减因子计算得到,最后与传统UKF算法结合形成自适应的滤波算法.仿真结果表明,该算法保证了滤波收敛性,能够对目标进行有效跟踪,而且滤波精度显著提高.     

基于H∞滤波的主/被动雷达模糊自适应融合算法

在主/被动雷达复合制导背景下,提出一种基于H∞滤波和模糊逻辑的自适应融合算法,算法结合了H∞滤波和模糊推理的优点.为了克服卡尔曼滤波对模型和传感器噪声特性的依赖性,应用H∞滤波实现目标的状态估计.与卡尔曼滤波相比,H∞滤波不需要对噪声作任何假设.由于模糊推理方法具有很强的处理不确定性问题的能力,基于协方差匹配技术应用模糊推理方法在线估计每个H∞滤波器的性能,融合中心根据每个H∞滤波器的性能融合来自两滤波器的状态估计值.数字仿真结果表明了算法的有效性.     

基于小波变换的自适应Kalman 滤波算法研究

针对组合导航系统中Kalman滤波在实际工程应用中的不足,以惯性/卫星组合导航系统为背景,提出小波变换技术对量测噪声方差阵进行直接调控的滤波算法。介绍Kalman滤波原理,根据小波变换在时域和频域都有良好的局部化性质,检测量测噪声的变化,实时调整自适应因子,间接改变Kalman滤波器的当前观测和过去信息的比例关系。仿真结果表明:该算法对噪声干扰有较强的自适应性,能有效抑制滤波发散,提高系统的精度和鲁棒性。     

弹道导弹主动段样条滤波算法

对弹道导弹主动段进行跟踪是弹道导弹主动段防御中极其重要的任务,它是制导拦截的基础。针对传统方法在弹道导弹主动段跟踪能力不足,建立了弹道导弹主动段样条滤波算法。该滤波算法首先用样条函数建立了主动段运动模型,其次在此基础上将运动状态进行了解耦,建立了状态方程,最后基于解耦模型,应用Kalman滤波进行了状态估计,并且在估计中设计了模型更新方法,使算法具有很好的机动跟踪性能。仿真实验证明,该跟踪算法估计精度高于其它算法。     

基于自适应滤波的惯性+多模卫星组合导航算法研究

惯性+多模卫星组合导航系统通常采用定常参数的加权最小二乘算法进行多传感器信息融合,若加权系数与实际噪声统计特性不吻合,将会对组合导航精度产生不利影响.为解决该问题,提出一种基于自适应滤波的改进信息融合算法,对惯性及卫星导航数据应用自适应Kalman滤波以估计惯性导航误差,对滤波输出进行基于加权最小二乘法的多模信息融合,并根据滤波误差方差阵的解算结果对加权系数进行实时调整以优化估计精度.仿真结果表明该算法能够在一定程度上提高组合导航系统的精度和对不同随机噪声的适应能力.     

抗野值自适应Kalman滤波在无人机测风数据处理中的应用

针对无人机风场测量值含连续野值较多,且其噪声统计先验知识不足的问题,运用一种抗野值自适应Kalman滤波算法来提高其测风精度。在对模糊自适应Kalman滤波算法分析的基础上,该算法将一个压缩影响函数加权于滤波方程的新息上,根据新息的方差和均值变化自适应调整修正权值,使修正后的新息序列能够保持原有性质。相关分析结果表明,该算法能有效地克服较大野值和成片野值对滤波的不利影响,保证滤波精度,适用于无人机风场测量。     

基于粒子滤波的巡航导弹中制导地形匹配算法和仿真

在分析地形匹配以及粒子滤波算法原理的基础上,针对地形匹配辅助导航的非线性、噪声的非高斯性,研究了粒子滤波结合Kalman滤波的算法.仿真结果表明,粒子滤波对处理非线性系统、非高斯噪声有较强的处理能力,可以提高地形匹配的精度.     

基于粒子滤波的巡航导弹中制导地形匹配算法和仿真

在分析地形匹配以及粒子滤波算法原理的基础上，针对地形匹配辅助导航的非线性、噪声的非高斯性，研究了粒子滤波结合Kalman滤波的算法。仿真结果表明，粒子滤波对处理非线性系统、非高斯噪声有较强的处理能力，可以提高地形匹配的精度。     

惯导传递对准中的两种滤波算法对比分析

为了克服传递对准中系统噪声不确定带来的影响．将次优H∞滤波方法用于捷联惯导动基座传递对准，针对速度匹配传递对准的全维模型和降维模型进行了卡尔曼滤波和次优H∞鲁棒滤波仿真研究，给出了白噪声下失准角的估计曲线。仿真结果表明速度匹配传递对准具有较高的对准精度．卡尔曼滤波的估计精度比次优H∞鲁棒滤波高，但收敛速度和鲁棒性不如次优H∞鲁棒滤波。     

当前统计模型下的目标状态鲁棒H∞预估算法

针对常规运动目标滤波算法在提升光电跟踪系统性能方面存在较大困难,基于运动目标状态的当前统计(current statistics,CS)模型,设计了该模型下的鲁棒H∞滤波预估算法。根据H∞滤波理论及目标状态方程,求解H∞滤波预估算法,实现了对目标状态信息的有效预估,并将其应用于某型光电跟踪系统,进行了实验验证。实验结果表明:该算法能有效抑制脱靶量噪声与延迟对跟踪系统带来的不利影响,相较于Kalman滤波算法,滤波精度更高,鲁棒稳定性更强,能够提升系统跟踪精度与性能。     

用于实时弹道滤波的Sage-Husa改进算法

为了解决实时弹道测量数据滤波过程中量测噪声统计特性未知且时变的实际问题,对Sage-Husa算法进行了多种改进,提出了改进的Sage-Husa自适应卡尔曼滤波(improved Sage-Husa adaptive Kalman filter,ISHAKF)算法。该算法将量测噪声协方差估计矩阵变换为半正定矩阵和正定矩阵之和的形式,保证了量测噪声协方差估计矩阵的正定性,消除了量测噪声协方差估计矩阵非正定导致滤波异常的缺陷。设计了一种自适应遗忘因子,提升了滤波收敛速度,解决了量测噪声统计特性突变时Sage-Husa算法收敛较慢的问题。对卡尔曼增益矩阵进行了抗差改进,增强了算法的鲁棒性,削弱了野值对滤波效果的影响。分别对正定性改进、遗忘因子改进和抗差改进进行了对比仿真实验,对比结果验证了Sage-Husa算法改进的正确性和有效性。通过ISHAKF算法的实例应用,证明了该算法在实时弹道滤波上,具有更高的实时性、自适应性和抗差性,滤波效果提升明显。     

带野值修正的滤波算法及试验研究

对 INS/双星跑车试验数据进行了分析和处理,在跑车试验数据的基础上,使用野值修正 Kalman 滤波算法和常规 Kalman 滤波技术对 INS/双星的位置组合方案进行了仿真。仿真结果表明,存在较大范围野值的情况下,采用改进后的 Kalman 滤波技术比常规 Kalman 滤波算法具有更高的估计精度,它能有效地降低INS 的位置误差。     

控制Kalman滤波器发散的方法研究

针对 Kalman 滤波发散这一工程现象,分析了造成 Kalman 滤波发散的原因和控制 Kalman 滤波发散的机理;重点研究了 SK 强跟踪滤波方法和 Sage-Husa 自适应滤波算法,提出了 SK 强跟踪滤波不发散的自适应遗忘因子的新算法;分析了强跟踪条件下量测噪声阵遗忘因子权重变化的物理意义;推导并指出了 Sage-Husa 自适应滤波算法的局限性。仿真结果证明了所述方法的有效性。     

基于信息滤波的分布式多传感器状态估计算法

在信息滤波理论和分布式状态估计算法基础上．研究了基于信息滤波的分布式多传感器状态估计算法。证明了基于信息滤波和Kalman滤波的分布式状态估计解的等价关系。最后．给出了算法的仿真分析。     

基于噪声特性动态估计的定高引信Kalman滤波

为提高激光近炸引信的测高值精度,提出了一种噪声特性动态估计的Kalman滤波方法,以滤除引信测高值中统计特性随地表特征而变的噪声。分析了测高值差分序列与测量噪声序列的统计关系,推导出了利用测高值计算测量噪声方差的无偏估计量;采用非参数假设检验的方法识别测量噪声类型,进而动态估计测量噪声的方差。以反辐射导弹定高起爆为背景,进行了仿真计算,结果表明该方法能够很好的解决测量噪声统计特性动态变化的Kalman滤波问题。     

闪烁噪声环境下目标跟踪的UPF算法研究

介绍了一种改进的粒子滤波（PF）算法——无味粒子滤波算法（UPF）。该算法结合UKF（unscented Kalman filter）和PF算法，利用UKF对非线性系统的处理能力，用UKF得到粒子滤波的重要性采样密度函数，从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上．将UPF、PF算法在雷达目标跟踪中进行了比较，仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。