一种改进的低成本车载MIMU/GPS组合导航系统算法

针对低成本车载MIMU/GPS组合导航系统中存在的航向角可观测性较弱的问题,建立了一种加入GPS测速所获得的航向角信息的量测方程,增强系统航向角的可观测性,从而解决了低成本车载MIMU/GPS组合导航中的航向角可观测性较弱的问题。同时,为提高实时计算效率,并考虑低精度惯性器件噪声统计特性不易准确获得,采用降阶状态模型,并设计改进型强跟踪卡尔曼滤波与U-D分解相结合的滤波算法来抑制模型不精确造成的滤波发散。跑车实验表明,所设计的方法能够很好适用于低成本车载MIMU/GPS组合导航系统。     

GPS／惯性导航组合性能和组合方法的研究

本文讨论GPS/惯性组合导航系统在导弹发射段时的组合性能，分析惯导系统不同性能条件和卡尔曼滤波器不同组合方法的组合特点，文中最后对降价滤波器的设计和滤波器方差阵的U-D算法进行了具体讨论。     

基于联邦滤波的INS／GPS组合导航系统数据融合研究

针对INS导航定位的精度低、GPS导航定位的非自主性,采用INS／GPS组合导航的方式,重点阐述了系统模型的建立,在Matlab／Simulink平台下对系统进行仿真实验时,采用了基于无重置的联邦卡尔曼滤波器的组合方案,实验表明了组合系统比任何单一的导航系统的定位精度都要高,是一种可行的导航方法．     

GPS/INS动态卡尔曼滤波优化算法

GPS/INS组合导航系统动态定位数据的随机误差消除的重要方法是卡尔曼滤波,但运用扩展卡尔曼滤波器进行动态定位滤波时,需要对系统模型和观测模型以及误差模型进行准确建模,特别是载体状态机动时滤波器跟踪能力不强。提出一种GPS/INS组合导航动态卡尔曼滤波的优化算法,引入遗忘因子限制卡尔曼滤波器的记忆长度,充分利用现时的测量数据,改善滤波器的动态性能,并进行计算机仿真实验。仿真结果表明,遗忘因子增加,滤波器的跟踪能力增强,使滤波器达最佳性能。该优化算法比普通的扩展卡尔曼滤波算法的动态跟踪性能好,从而可显著提高导航系统定位精度。     

一种小型飞行器INS/GPS组合导航系统设计及仿真

惯性导航系统(INS)中,导航误差会随着工作时间的增长而积累,最终导致系统发散,为了解决这个问题,提出了一种基于线性卡尔曼滤波的INS/GPS组合导航的方法。首先,详细阐述了误差的来源以及组合导航系统的结构,并建立了状态空间表达式,随后得到卡尔曼滤波器时间更新方程,卡尔曼滤波器测量更新方程,相关卡尔曼滤波方程以及增益。最后基于所建立的数学模型进行仿真,研究其组合导航前后目标的轨迹与误差变化,进而验证了该算法的有效性。结果表明:在2 500 s内位置偏差能保持在2.607 m以内,速度偏差能保持在0.652 1 m/s以内。     

组合导航系统的卡尔曼滤波器的设计

将多传感器数据融合的卡尔曼滤波器设计方法,运用在基于GPS／INS的微型飞行器的组合导航系统中,经理论分析及实际结果表明：该滤波器设计合理,算法具有全局最优,能够提高系统的容错能力及系统的导航精度。     

INS/SAR组合系统对捷联惯性元件的要求及系统性能分析

研究了惯性系统(INS)／合成孔径雷达(SAR)组合导航系统中导航误差的修正、雷达信号相位的调整及合成孔径雷达对捷联惯性元件误差的要求等问题,并给出了仿真结果。     

一种加速度计螺旋下落时误差系数的Allan方差分析

随着卫星导航定位系统和惯性导航系统（INS）的不断发展,由2种系统组成的组合导航系统已经在很多方面发挥了积极作用。随着组合导航系统技术日臻成熟,低成本的INS也得到了广泛应用,MEMS惯性器件体积小、功耗低,便于低成本系统的实现,但缺点是误差较大。为了对MEMS惯性器件的误差项进行分析和识别,多位研究人员使用Allan方差方法对惯性器件长时间数据进行处理对加速度计螺旋下落时的误差项进行了Allan方差分析,介绍了Allan方差分析方法的原理和实现方法,并利用该方法对加速度计的各个误差项进行了辨识通过对加速度计的实测数据进行处理和分析,属于短时间内Allan方差分析方法,并给出了加速度计各个误差项识别结果,对后续分析被测运动物体的姿态计算精度有参考价值。     

GPS/DR组合定位系统信息融合技术

在分析GPS/DR组合定位系统特点的基础上,设计了一种改进的联邦卡尔曼滤波器结构。对于GPS线性子系统采用标准卡尔曼滤波器,对于DR非线性子系统则采用无察觉卡尔曼滤波器。主滤波器采用动态信息分配系数对子滤波器的结果进行最优估计,并对DR子系统进行误差补偿,部分削减DR的误差累积效应。实验结果表明,算法能够满足车载导航系统的定位要求,并且在GPS误差较大时保持系统较高的可靠性和定位精度。     

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.     

无人机组合导航系统信息融合方法研究

针对小型无人机通常采用的无线电导航,综合考虑无人机具体情况以及其它导航方式的特点,提出了一种将无线电导航系统(RP)、全球导航星系统(GN SS)、多普勒导航系统(DN S)、地形辅助导航系统(TAN)和景象匹配导航系统(SMN)组合起来,取长补短,构成基于联邦卡尔曼滤波器的DR/RP/GN SS/DN S/TAN/SMN组合导航系统。仿真结果表明,该方法完全可以满足导航精度的要求。     

模糊集理论在组合导航系统数据融合中的应用

组合导航系统中二元假设检验故障检测算法无法兼顾漏检率和虚警率,论文采用模糊逻辑对故障残差χ2检测量进行模糊化,对各子滤波器的工作状态作模糊评价,并在此基础上通过T-S模糊逻辑系统以及传统容错导航系统设计知识来确定全局融合中各局部估计值的加权矩阵。仿真结果表明,采用模糊逻辑后最终组合精度要比传统二元假设检验方法高,且算法简单工程上容易实现,具有很强的应用价值。     

联邦卡尔曼滤波器在无人机导航系统中的应用

针对无人机GPS／RP／DR组合导航系统的特点，设计了用于该系统的联邦卡尔曼滤波器。该滤波器具有全局最优性，其结构遵循信息分配原则，其算法改善了数值计算的稳定性和系统的容错性，并减少了信息传输量与计算量。理论分析及仿真结果表明，该联邦卡尔曼滤波器能够满足无人机在GPS或RP信号无效或两信号均短期无效情况下定位导航的精度要求。     

基于Sigma粒子Kalman滤波的地形辅助导航方法

地形辅助导航技术依据机载设备实时测量地形高度与机载数字高程地图的对比,给出飞行器定位结果,能够有效地修正主惯性导航系统的误差。传统地形辅助导航中应用较为广泛的是扩展Kalman滤波方法,但因为地形高度测量的非线性,扩展Kalman滤波不一定能够得到系统最优估计。Sigma粒子Kalman滤波作为一种新面世的非线性滤波器,能够有效地解决非线性估计问题。基于Sigma粒子Kalman滤波,提出一种新的地形辅助导航方法。在真实数字高程地图上得到的仿真结果表明,该地形辅助导航方法性能总体优于扩展Kalman滤波方法,尤其在飞越平坦地形时表现更佳。     

一种股市趋势预测的状态空间方法

根据由趋势、平稳自回归和非线性异方差随机变量组合而成的特定状态空间形式,提出了股票专用的预测估计方法。根据股市收盘价可以准确确定的特点,对这类随机问题进行了简化。该方法与普通卡尔曼预测方法相比较,能够提高预测精度,减缓了预测估计的发散。大量股市数据蒙特卡罗仿真计算表明,该方法比股市常用的普通卡尔曼预测方法更有效。     

卡尔曼滤波在四轴飞行器导航中的应用

针对制约四轴飞行器的导航控制精度的主要因素,提出了基于卡尔曼滤波的四轴飞行器组合导航方法,该方法将MIMU(微惯性测量组合)与GPS(全球定位系统)导航的数据融合,进行MIMU/GPS组合导航.仿真实验和实际应用结果表明,该方法能够提高导航定位精度,具有良好的容错性.     

陆地载体导航中的单频DGPS、INS以及里程表的集成

为了提高导航设备的可用性,保证用户即使在类似峡谷的地带也可以接收到GPS信号,研究了一个低成本集成导航测量组件(IMU)、单频DGPS(SFDGPS)和速度传感器的载体跟踪和导航系统．通过对扩展Kalman滤波系统动态、残差和测量模型的演化,详细地阐述了系统集成的算法．并且对系统动态以及测量模型的运行进行了分析．该系统可以达到分米级的位置误差,厘米级的速度误差,0．2度的姿态角度误差,以及高于100Hz的输出更新频率．系统高精度、低成本,适用于任何状态的导航以及高频率的输出,可以用于诸如载体跟踪、航空、自动采矿以及精细农业等广泛的应用领域．     

基于离散平稳小波变换的EKF数据融合算法

针对车辆GPS/DR组合导航系统中广泛采用的扩展卡尔曼滤波器进行数据融合难以建立精确的数学模型的问题,提出了基于离散平稳小波变换的扩展卡尔曼滤波器数据融合算法。仿真表明,该算法优于扩展卡尔曼滤波器,对车辆组合导航系统的数据融合是有效的。     

神经网络辅助的组合导航系统信息融合方案

传统的Kalman滤波器自适应能力弱，而单纯的神经网络滤波器估计精度较差，且网络训练经验性太强。面向组合导航领域，提出BP神经网络辅助自适应联邦Kalman滤波器方案，设计并实现了SINS／GPS／TAN／SAR智能化容错组合导航系统。结合自适应滤波和神经网络两种方法共同提高系统的自适应能力，并提出新的神经网络输入量，改善了算法的实时性。系统的估计精度得到显著提高，仿真结果证明了该方案的可行性和有效性。     

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.