基于自适应滤波的MEMS姿态确定方法

针对消费类电子设备对姿态测量系统的需求,本文提出了一种基于MEMS加速度计、陀螺仪和磁强计的九轴姿态确定算法.针对实际系统中传感器量测噪声未知的情况,首先介绍了一种基于矢量观测器的矩阵Kalman滤波姿态确定算法,然后利用残差匹配技术,设计了一种基于残差匹配的自适应滤波方法.论文采用自适应滤波对传感器量测噪声进行估计,并将估计的量测噪声代入线性矩阵Kalman滤波算法,有效解决了线性矩阵Kalman滤波需要准确量测噪声统计信息的缺陷.最后设计了仿真实验验证本文提出的算法,并将其与线性矩阵Kalman滤波算法比较.仿真结果表明,自适应矩阵Kalman滤波的姿态旋转误差角为0.6091°,标准差为0.3009°,能够有效的估计传感器量测噪声,并具有更高的姿态确定精度和稳定性.     

基于动态Kalman滤波的多传感数据融合算法研究

提出一种基于动态Kalman滤波的多传感器数据融合算法。首先通过模糊理论和协方差匹配技术对传统的Kalman滤波算法中的噪声协方差进行调整,使模型的噪声更接近真实的噪声水平,这在很大程度上提高了Kalman滤波器对模型变化的适应能力。然后使用矩阵加权多传感器线性最小方差意义下的最优信息融合算法实现数据融合。最后通过仿真实验验证了本文所提出的算法优于经典的卡尔曼滤波算法。     

新型联邦最小二乘滤波算法及应用

为克服多传感器信息融合时联邦Kalman滤波在系统噪声和测量噪声的统计信息不准确时所存在的局限性,提出了一种基于最小二乘估计的新型联邦滤波算法,定义为联邦最小二乘滤波.定性讨论了它与联邦Kalman滤波的关系,通过在INS/双星/GPS组合导航系统中的实际应用进一步地比较两种算法.实测数据的仿真结果证明,在系统噪声和测量噪声不准确的情况下,联邦最小二乘滤波的精度要高于联邦Kalman滤波.     

基于子空间的Kalman滤波盲自适应多用户检测器

本文提出一种基于子空间估计和Kalman滤波相结合的盲自适应多用户检测器。文中使用期望用户的特征波形,可以将盲多用户检测器表示成信号子空间中的一个固定信号与另一个自适应部分之和,其自适应部分的系数可通过Kalman滤波算法进行估计。实验仿真表明,在加性高斯白噪声信道中,基于子空间的Kalman滤波算法较全秩算法具有更低的计算复杂度和更优的收敛性能。     

基于多项式预测模型的最优自适应滤波算法

文中提出了一个通过多项式预测模型来描述待辨识系统冲击响应系数的最优自适应滤波算法.该算法首先利用具有时不变参数的多项式预测模型,来描述系统冲击响应的时变/时不变系数.当视描述的模型为其待辨识系统冲击响应时变/时不变系数进化的状态方程,而待辨识系统的输入和输出联系视为对这些状态的观测方程时,自适应滤波问题可以在Kalman滤波的框架下得以解决.由于在Gauss白噪声环境中以及状态方程准确的情况下,Kalman滤波是最大似然、最大后验和最小均方等统计意义下的最优滤波,因此当待辨识的系统冲击响应系数可以由多项式模型建模时,文中模型和相应算法也是这些统计意义下的最优自适应滤波.在分析的结果验证上述结论的同时,仿真的结果也表明:文中提出的自适应滤波算法的性能优于已知的自适应滤波算法.     

基于Kalman滤波的混沌通信同步

针对一类具有不确定参数的非线性混沌系统，本文提出了一种新的混沌通信同步方法。考虑混沌通信的特点，通过合理的假设，该类系统可以作为一类在接收端或可观测输出端由附加白噪声驱动的线性时变系统。然后，同步问题通过最优滤波的方法来解决，可以应用Kalman滤波的结论进行估计。在一些充分条件下，响应系统的状态能够渐进跟踪驱动系统的状态，并且在输出端包含干扰噪声的情况下，仍能保证良好的跟踪轨迹。     

自适应Kalman滤波修复六维力传感器下E膜模型误差

为减小动载环境下,噪声信号对六维力传感器测量精度的影响,同时解决因传感器的简化模型误差较大,导致标准Kalman滤波无法获取最优估计的问题,提出一种双因子自适应Kalman滤波算法。算法根据正弦激励力响应和应变之间的关系,建立了下E型膜有色噪声增广状态模型。在标准Kalman滤波的基础上,分析了两种模型误差对滤波效果的影响,采用实时调整状态预测在滤波估计中权重的策略,给出了自适应Kalman滤波准则及递推公式。基于正交性原理和最小二乘法准则,利用三段函数模型构造了双重自适应因子。仿真实例表明,与标准Kalman滤波与强跟踪滤波相比,所提算法具有更好的估计精度和稳定性,能够有效地控制模型误差的影响,从而提高六维力传感器的测量精度。     

自适应Kalman滤波修复六维力传感器下E膜模型误差

为减小动载环境下,噪声信号对六维力传感器测量精度的影响,同时解决因传感器的简化模型误差较大,导致标准Kalman滤波无法获取最优估计的问题,提出一种双因子自适应Kalman滤波算法。算法根据正弦激励力响应和应变之间的关系,建立了下E型膜有色噪声增广状态模型。在标准Kalman滤波的基础上,分析了两种模型误差对滤波效果的影响,采用实时调整状态预测在滤波估计中权重的策略,给出了自适应Kalman滤波准则及递推公式。基于正交性原理和最小二乘法准则,利用三段函数模型构造了双重自适应因子。仿真实例表明,与标准Kalman滤波与强跟踪滤波相比,所提算法具有更好的估计精度和稳定性,能够有效地控制模型误差的影响,从而提高六维力传感器的测量精度。     

非线性离散系统的相关观测融合时变Kalman滤波

针对带相关观测噪声和带不同观测函数的多传感器离散非线性系统,利用推广的离散Kalman滤波方法对状态系统和观测系统进行线性化处理,提出了基于岭估计的加权最小二乘(REWLS)分布式融合Kalman滤波算法.以风险函数为评价指标,利用信息滤波器比较了各种观测融合Kalman滤波算法,其中REWLS分布式融合算法精度最高.同时,分布式融合算法减少了计算负担,便于实时应用.仿真例子表明了理论分析的正确性.     

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。