两种在线估计偏差与噪声自适应滤波的分析与比较

给出了状态与偏差自适应滤波及Ｓａｇｅ－Ｈｕｓａ自适应滤波。将这两种滤波进行比较，发现这两种滤波具有相同形式，但对增益矩阵及噪声方差的选取有所差别，这决定了其滤波性能和应用的不同。     

组合导航系统的自适应滤波

本文对自适应滤波在组合导航系统中的应用进行可行性研究,首先讨论了组合导航系统的数学模型,然后给出Sage和Husa提出的自适应滤波器,再用自适应滤波器来处理由组合导航系统测量器件给出的测量信息,对组合导航系统的状态进行估计,仿真结果表明,自适应滤波器具有良好的跟踪性能,即使噪声的统计特性不能确切地知道,滤波器也能给出系统状态比较精确的估计.     

带状态切换自适应滤波算法及其在GPS/INS中的应用

针对GPS/INS组合导航系统中观测噪声通常未知、导致卡尔曼滤波算法不稳定、滤波精度降低的问题,提出一种改进的自适应滤波算法.改进的自适应算法结合了简化的Sage-Husa滤波算法、滤波器发散判断依据和渐消滤波的思想,使得滤波器对量测噪声变化的鲁棒性变强,同时解决了简化的Sage-Husa滤波器容易发散的问题.通过建立GPS/INS组合导航系统状态方程和观测方程,对改进的新算法进行仿真测试.仿真结果表明,新算法对量测噪声未知的情况具有更好的适应性,提高了滤波器估计精度,表现出良好的滤波稳定性.     

一种测量自适应Huber滤波在电路系统中的应用

针对测量噪声未知条件下电路系统状态估计非最优问题,基于Huber自适应滤波思想,提出将滤波量测更新步骤转化为线性回归问题,采用测量残差迭代求解方法得到电路系统状态最优估计。仿真结果验证了本文提出的Huber自适应滤波改进算法相比传统滤波算法估计精度更高。     

自适应滤波理论与算法

自适应滤波的研究对象是具有不确定性的系统或信息过程。为尽可能准确对信号进行自适应滤波处理,对不同的系统、信号、过程,应该采用不同的信号统计方式和算法。     

自适应平方根Unscented粒子滤波算法研究

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题,在吸收平方根滤波、自适应滤波和粒子滤波优点的基础上,提出了一种新的UPF算法。该算法由UKF算法得到重要性密度函数,通过自适应因子实时控制动力学模型误差,采用平方根分解法抑制系统状态协方差矩阵的负定性。仿真结果证明,文中所提出的自适应平方根UPF算法,不但适用于非线性、非高斯动态系统的滤波计算,而且能有效地改善滤波性能,提高SINS/SAR组合导航系统的定位精度。     

一般分布下的自学习滤波方法

针对Ｋａｌｍａｎ滤波存在的储多难点，在一般分布下的二阶近似最小方差估计的基础上，本文首次提出了正态严平稳假设下的自学习自适应Ｋａｌｍａｎ滤波，并相应研究了分布蜜度的离线异步自学习估计方法，文中又利用了Ｂａｙｅｓ公式得到了非线性校正项的三阶联合中心矩和四阶中心矩的自学习估计方法，并据此提出了一般分布下的自学习自适应滤波的基本公式。本文对上述理论的收敛性进行了严格证明，并指出了待研究的若干问题。     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹卡尔曼滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

北斗车辆自适应组合导航技术研究

车辆在“城市峡谷”、高架桥下、隧道等环境利用北斗卫星导航系统进行导航过程中,存在卫星导航信号易受遮挡和干扰的局限性.将北斗卫星导航系统同惯性导航系统、里程计等传感器进行组合,运用Kalman滤波技术进行多传感器的信息融合,能够较好地提高导航精度以及导航系统整体的自主性、抗干扰性、容错性和可靠性.针对现有车辆导航系统可靠性不高的问题,着重对基于Kalman滤波的北斗车辆自适应组合导航可靠性进行了相关研究.     

组合导航系统中的自适应卡尔曼滤波技术

在比较了组合导航系统多种卡尔曼滤波技术的基础上,提出了能提高系统鲁棒性的自适应卡尔曼滤波技术。并利用系统静态仿真证明了该算法的有效性。     

内模自适应卡尔曼滤波新方法及其在GPS信号估计中的应用

针对混杂有确定性扰动分量的随机信号处理问题,提出一种基于内模的自适应卡尔曼滤波新方法──-内模自适应卡尔曼滤波法.首先将待估有用信号和观测数据中的确定性扰分量分别以分段正弦曲线拟合方 式建立各自的内模,并将这些内模的参数作为增广状态变量形成新的非线性系统模型.然后采用迭代型推广卡 尔曼滤波算法,同时实现有用信号及扰动内模参数的实时跟踪.机动目标跟踪的GPS定位信号估计应用表明, 与现有方法相比新方法可显著提高定位精度.     

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.     

一种U—D分解自适应推广卡尔曼滤波及应用

为了改善自适应卡尔曼滤波的数值稳定性和计算效率,防止滤波发散,本文在自适应推广卡尔曼滤波的基础上,利用U-D分解滤波,提出一种U-D分解自适应推广卡尔曼滤波新算法,并把该算法应用于飞行状态估计问題,仿真及实际飞行数据计算结果证明了本文方法的有效性.     

车载组合导航的自适应滤波

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集中滤波算法.该算法的主要思想是: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集中滤波方法.将此方法用于SINS/GPS车载组合导航系统,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,滤波精度和收敛速度优于常规集中滤波,是一种有效的车载组合导航算法.     

飞行器INS 与 GPS组合导航系统卡尔曼滤波

随着导航技术和控制理论的发展,组合导航系统已经成为当今最主要的导航系统。组合导航系统包括许多导航传感器,因此如何充分有效地处理来自多传感器的数据已成为组合导航系统的主要问题。在组合导航系统中,最先进的信息处理方法是联邦卡尔曼滤波。但联邦滤波器设计复杂,计算量大,很难满足一些高速巡航平台导航计算的高精度、高实时性要求。文章研究了巡航飞行器INS与GPS组合导航系统的卡尔曼滤波问题,设计了滤波器,并进行了仿真试验。     

不同环境下的GPS/IMU数据融合

为提高Kalman滤波组合导航的估计精度,在考虑系统估计误差相关的情况下,提出了采用环境背景下不同传感器的有效性概率加权GPS/IMU组合导航自适应衰减记忆滤波的融合算法。通过对各种算法进行仿真分析发现,新算法的融合估计精度高于相应的未考虑环境信息的GPS/IMU融合估计精度 新算法具有几乎和有效概率加权Kalman滤波融合算法相同的融合估计精度,但其误差变化较后者平稳。表明新算法可有效地提高系统融合估计的精度和可靠性。     

具有未知系统偏差的自适应Kalman平滑器

提出一种有效的具有未知系统伯差的自适应Ｋａｌｍａｎ平滑器．应用状态空间方法和ＡＲＭＡ新息模型，基于白噪声估值器和输出预报器，给出线性离散定常系统自适应最优状态和偏差联合Ｋａｌｍａｕ平滑器，最后给出仿真实例．