MEMS陀螺仪随机漂移误差滤波处理研究

MEMS陀螺仪是一类新型惯性器件,具有体积小、成本低、重量轻、可靠性高等优点,但是精度较低、随机漂移误差比较大.从实际工程应用角度出发,针对MEMS陀螺仪的随机漂移误差,首先进行实时均值滤波处理,然后基于随机序列时序分析法的基本原理,建立MEMS陀螺仪随机漂移误差的一阶AR模型,然后依据kalman滤波算法的马尔科夫特性,提出了对MEMS陀螺仪每次输出进行实时多次滤波处理的新方法.通过对具体测量数据进行处理,MEMS陀螺仪的随机漂移误差减小到原来的百分之二左右.     

基于Kalman滤波的MEMS陀螺仪滤波算法

针对MEMS陀螺仪精度不高、随机噪声复杂的问题,研究了某MEMS陀螺仪的随机漂移模型.应用时间序列分析方法,采用AR(1)模型对经过预处理的MEMS陀螺仪测量数据噪声进行建模,进而基于该AR模型并采用状态扩增法设计Kalman滤波器.速率试验和摇摆试验仿真结果表明,在静态和恒定角速率条件下,采用该算法滤波后的MEMS陀螺仪的误差均值和标准差都比滤波前有了明显的降低.针对摇摆基座下该算法随摆动幅度的增大效果变差的问题,从提高采样率和选择自适应Kalman滤波2个方面对算法进行改进.仿真结果表明,2种方法都能改善滤波效果,然而考虑到系统采样频率和CPU计算速度的限制,自适应滤波有更高的实用性.     

基于核函数正则粒子滤波的SLAM算法在无人机导航定位中的应用研究

传统EKF、UKF、粒子滤波算法在解决航空无人机导航定位非线性问题时存在误差大、定位估计精度低等问题,提出了一种核函数正则粒子滤波算法,选取近地面航行,观测x,y方向的位置,并对SLAM非线性模型进行估计.实验数据表明,采用核函数正则粒子滤波算法由于保持了采样粒子的多样性与代表性,保证了在给定模型参数初值下,模型对载体速度和位置信息的跟踪估计能力,其精度比扩展卡尔曼算法的滤波精度高很多;另外,新算法对姿态角估计误差均收敛于0°～1°范围,之后趋近于0°.对于传统滤波算法对载体的航向角误差估计,在整个仿真时间内,其误差值均大于核函数正则算法的误差估计.新算法较传统粒子滤波算法,其滤波精度较高,且算法稳定性与收敛性更强.     

Vondrak滤波在磁悬浮陀螺全站仪数据处理中的应用

磁悬浮陀螺全站仪容易受到外界干扰力矩的影响,采样数据中包含随机性漂移,而这种随机性漂移无法建立数学模型,因此采用不要求建立函数模型的Vondrak滤波对陀螺数据进行处理; 并在西安地区建立一条高精度天文基准线,在此基准线上反复进行8次测回的陀螺方位角测量试验,对每一测回的40 000组第1、2位置寻北力矩进行Vondrak滤波平滑处理。结果表明:Vondrak滤波平滑处理后,数据序列的毛刺减少,平滑数据序列能够反映出磁悬浮陀螺全站仪寻北力矩的变化趋势; 与原始数据相比,Vondrak滤波平滑处理结果的均方根明显减小,数据更为集中; Vondrak滤波能够有效消除磁悬浮陀螺全站仪的随机性漂移影响,提高真北方位角的测定精度,在最大程度上滤除干扰成分, 保留有用信息。     

粒子滤波在卫星姿态确定中的应用

为了验证以星敏感器和速率陀螺作为卫星测量元件时,粒子滤波算法在姿态确定中的有效性.采用修正的罗德里格参数作为姿态参数建立了有陀螺和无陀螺两种模式下的系统状态方程和测量方程,并利用粒子滤波(PF)算法进行了姿态估计.和扩展的卡尔曼滤波(EKF)算法进行比较,仿真结果表明:PF算法在小初始估计误差下能够收敛,且具有和EKF相当的精度.大初始估计误差时,EKF算法不能收敛而PF算法仍能收敛.最后验证了PF算法在无陀螺模式下进行姿态确定的有效性.     

和声搜索粒子滤波视觉跟踪

为了降低粒子滤波精度对精确重要性采样函数的依赖性,提高粒子滤波的视觉跟踪效果,将和声搜索引入到粒子滤波框架中,提出了一种基于和声搜索的粒子滤波视觉跟踪算法.通过记忆考虑、基因变异、随机变异等和声搜索算子结合当前观测信息,改善了粒子滤波视觉跟踪算法的重要性采样函数,增强了重要性采样函数对系统状态转移模型的鲁棒性.同时,对和声搜索参数进行了优化,平衡了视觉跟踪实时性和精确性的要求,并对粒子的权重进行了补偿,使其符合粒子滤波的理论基础贝叶斯估计.实验结果表明:优化的和声搜索参数,比常见参数更适合和声搜索粒子滤波;与基于粒子滤波、和声搜索、Mean-Shift改进的粒子滤波、分布场、多示例学习等视觉跟踪算法相比,和声搜索粒子滤波视觉跟踪算法能够在光线变化、遮挡等复杂场景下获得了更精确的视觉跟踪效果.和声搜索粒子滤波算法较好地结合当前观测与历史信息,获得鲁棒的视觉跟踪性能.     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

基于粒子滤波和UKF联合滤波的卫星姿态估计

针对矢量观测的三轴稳定卫星的姿态估计问题,提出了基于粒子滤波(PF)和Unscented卡尔曼滤波(UKF)的一种联合滤波方法.为了避免粒子滤波的状态高维数引起的计算量过大、难收敛等问题,采用UKF滤波来估计陀螺的漂移,从而使粒子的数量大大减少,以较少的运算量获得较好的滤波效果.另外,通过定义增量误差四元数和采用无冗余的广义罗德里格参数(Generalized Rodrigues Param eters)(三参数)描述卫星姿态,使四元数的归一化处理是隐含的,从而解决了四元数的归一化所造成的协方差阵奇异问题.将该方法应用于某型号卫星的姿态估计,并与UKF相比,即使在较大初始姿态误差情况下,算法也能很快地收敛,验证了所设计的姿态估计算法是可行有效的.     

磷虾群优化的改进粒子滤波算法

标准的粒子滤波存在着权值退化问题,重采样可以解决权值退化问题,但也会带来样本贫化现象.为解决样本贫化问题,提出了一种利用磷虾群优化的改进粒子滤波算法.该算法结合粒子滤波的求解过程,以磷虾个体的诱导、觅食和随机扩散运动引导粒子向高似然区域移动.首先,将粒子滤波中粒子的状态值作为磷虾群的个体位置,从而将粒子的状态估计转化为磷虾群的寻优;其次,针对粒子滤波的特点,分析了磷虾算法中可以改进的参数,对磷虾算法中个体诱导、觅食运动的权值设计了新的动态更新策略,保证算法前期全局快速寻优后期局部精确寻优,同时为保持粒子的多样性,对磷虾个体进行遗传算法中的交叉操作,并设计了新的交叉概率更新公式;最后,在标准磷虾算法的基础上分析了改进算法的收敛性,并选用一种单静态非增长模型进行仿真试验. 仿真结果表明, 所提出的算法与标准粒子滤波以及粒子群、蝙蝠算法优化的粒子滤波相比具有更高的状态估计精度和更小的均方根误差,粒子的分布更合理.     

卡尔曼滤波在陀螺测试转台中的应用

采用卡尔曼滤波理论给了出陀螺漂移的是优线性递推估计,提出一种分离状态向量的办法,对陀螺随机漂移的相关函数进行了在线估值,并推导了增广矩阵递推算法,滤波递推过程在计算机上进行了仿真验证。     

基于支持向量机粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在的粒子退化问题,提出了一种新的基于支持向量机的粒子滤波目标跟踪算法。该算法利用滤波过程中的预测粒子集及其权值,使用支持向量机估计出系统状态的后验概率密度,再根据该概率密度重采样更新粒子集,以提高粒子的多样性,从而克服粒子的退化现象。仿真结果表明,该算法能显著增加有效粒子的数量,其目标跟踪精度优于马尔可夫链蒙特卡罗移动方法以及正则粒子滤波算法。     

基于二阶非线性滤波的星上陀螺在轨标定

为提高三轴稳定卫星姿态确定精度,针对典型的陀螺/星敏感器联合定姿方案,结合二阶非线性滤波估计,推导了一种利用星敏感器对陀螺进行实时在轨标定的算法.充分考虑卫星姿态测量过程中可能出现的各种误差源,建立陀螺安装误差、标定因子误差以及漂移模型,并对陀螺测量过程中可能出现的各种误差进行在轨补偿,为卫星姿态确定和校正提供丰富的姿态测量信息,以确保姿态测量器件长期在轨工作精度.采用该算法对哈尔滨工业大学"试验卫星一号"遥测数据进行复算和校核,结果与实际飞行数据吻合,验证了该在轨标定算法的有效性和可靠性.     

一种渐消自适应滤波算法在陀螺监控中的应用

依据卡尔曼滤波器在使用最佳增益时，其余差互不相关的性质，提出一种基于陀螺随机漂移ARMA模型的渐消自适应卡尔曼滤波算法，可以有效地得到系统陀螺随机漂移的最优估计，保证误差补偿的精度．     

基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。     

基于LMS的光纤陀螺数据处理

根据光纤陀螺的特点,利用LMS算法的最小均方准则及其快速性和稳定性的特点,对光纤陀螺原始数据进行滤波处理,并对滤波前和滤波后的效果进行比较．结果表明：通过LMS自适应滤波算法在很大程度上降低了光纤陀螺原始数据存在的常值漂移和随机噪声．     

粒子滤波算法在目标跟踪中的应用

粒子滤波算法通过非参数化蒙特卡罗仿真方法实现递推贝叶斯滤波,基于序贯重要性采样的粒子滤波算法无法避免粒子退化问题;通过在滤波初始化阶段对初始化粒子进行优化选择,在重采样阶段使用非排序的基于权重的重采样算法对粒子滤波算法进行了改进,从一定程度上解决了粒子退化问题;仿真验证,本算法在保持与传统粒子滤波算法运算时间的条件下,提高了粒子滤波算法的估计精度,从而提高了其在机动目标跟踪中的性能.     

非线性滤波算法的性能分析

对目前非线性滤波的主要算法即扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波、扩展卡尔曼粒子滤波和不敏粒子滤波的滤波模型、适用条件、性能进行了分析比较,给出了每种方法的计算复杂度.通过一个非线性非高斯模型进行了仿真,验证了这些算法的性能.     

万有引力优化的粒子滤波算法

针对经典粒子滤波中存在的粒子易退化、易丧失多样性以及滤波精度严重依赖于粒子数量的问题,提出一种万有引力优化的粒子滤波算法．通过万有引力算法优化粒子滤波中的粒子集来提高滤波精度．首先将每个粒子看做质量大小正比于粒子权值的点,粒子间的引力吸引着粒子向高似然区域移动,从而优化粒子集．然后利用精英粒子策略加快万有引力优化算法中粒子收敛速度,并避免粒子陷入局部最优; 引入感知模型防止过度收敛导致的粒子拥挤或重叠．仿真实验表明,该算法在粒子数较少的情况下与经典粒子滤波算法和粒子群优化粒子滤波算法相比,保持了更好的粒子滤波精度和速度．     

多线程的多特征粒子滤波跟踪并行算法

多特征粒子滤波较传统粒子滤波跟踪精度高,其运算量大,跟踪实时性差．文中结合多特征粒子滤波的算法特点,提出了基于多线程的多特征并行模型,在算法实施上采用多线程与多特征进行匹配,并分析了该模型的并行效率以及各特征间通讯机制的协调性．实验结果表明：该并行算法提高了多特征粒子滤波两倍以上的效率．     

基于均值偏移粒子滤波的自适应跟踪

针对视频中运动人体的跟踪,提出了一种基于均值偏移粒子滤波的自适应跟踪算法。该算法首先对所要跟踪的人体目标进行分块,并选择与周围环境颜色相似度最小的块模板作为跟踪区域;然后使用基于均值偏移的粒子滤波方法进行跟踪,并设计了自适应更新块模板尺度的方法;最后在粒子滤波的状态估计阶段后,加入自适应观测模型,根据块模板尺度的变化情况,自适应地选择高斯噪声方差和粒子数目。实验证明,在出现遮挡或人体运动方向改变的情况下,本文算法的跟踪效果比传统均值偏移粒子滤波更好。