模糊自适应卡尔曼滤波算法在航位推算系统中的应用

针对实际的应用中车载航位推算系统的模型参数、噪声的统计特性不确定性,影响估计效果,提出了车载航位推算的模糊自适应卡尔曼滤波模型及其滤波算法;该方法通过监视理论残差与实际残差的比值是否接近1,应用模糊推理系统不断地调整量测噪声协方差的加权,对自适应卡尔曼滤波的量测噪声协方差进行递推修正,通过该算法来抑制噪声对精度的影响,进而提高系统的导航精度;仿真结果表明,这种算法能够有效地提高系统的精度,是一种比较理想的车载DR导航滤波方法。     

车载GPS/DR组合导航系统自适应信息融合算法研究

结合全球定位系统(GPS)和航位推算(DR)两种定位方式的优点,构建了基于卡尔曼滤波的自适应联邦滤波算法,实现陆地GPS/DR组合定位系统的数据融合;针对DR子系统的强非线性和扩展卡尔曼滤波算法带来的较大线性化损失,并结合机动加速度均值自适应算法,设计了一种基于U-D分解的自适应迭代卡尔曼滤波算法,更有效的减少DR子系统线性化带来的误差损失,提高定位精度;与同仿真环境下,DR子系统采用扩展卡尔曼滤波方法作了比较,结果表明该信息融合算法能更有效解决DR子系统的线性化误差问题,整个系统数据融合精度更高.     

基于粒子滤波的GPS/DR组合导航算法研究

对于车载GPS/DR(全球定位系统/航位推算)组合导航系统的算法研究,大多采用扩展卡尔曼滤波,但是应用扩展卡尔曼滤波时,非线性系统必须要进行线性化,从而导致滤波结果有较大的误差.为此将粒子滤波算法用于车载GPS/DR组合导航系统中,并建立了GPS/DR组合导航系统的状态方程和观测方程.为了检验其有效性,将两种方法分别对车载GPS/DR组合导航系统进行滤波仿真,仿真实验结果表明粒子滤波比扩展卡尔曼滤波有更好的滤波效果,更能减少定位误差.     

UTP/DR组合导航算法研究

针对UUV水下作业时航位推算存在导航误差积累的问题,研究了水下应答器辅助航位推算组合导航算法。采用"当前"统计模型作为航位推算模型,更准确地描述了航行器的运动状态。利用水下应答器与航位推算算法相组合,对航位推算导航误差进行校正。为获得更好的滤波效果,采用平方根容积卡尔曼滤波算法作为组合导航系统的滤波算法,并将其与EKF滤波算法进行比较。仿真实验表明,平方根容积卡尔曼滤波算法较EKF算法具有更好的滤波精度;UTP/DR组合导航算法有效避免了因导航误差积累而导致的导航定位误差发散问题,获得了较好的导航定位效果。     

自适应SRCKF在GPS动态单点定位中的应用

平方根容积卡尔曼滤波具有良好的数值稳定性与滤波效率,针对滤波中状态函数与实际不符带来的误差对滤波造成的影响,将基于预测残差统计量的自适应因子和最优自适应因子与平方根容积卡尔曼滤波算法相结合以降低预测信息在滤波中的权重,并将平方根容积卡尔曼滤波与带自适应因子的平方根容积卡尔曼滤波用于GPS动态单点定位数据处理,最后用航摄飞机实测GPS动态观测数据验证了算法的有效性。     

基于捷联惯导/里程计的车载高精度定位定向方法研究

研究了一种基于捷联惯导系统和里程计进行车载高精度定位定向的方法;采用里程计与捷联惯导中的陀螺仪构成航位推算系统,建立了航位推算系统的误差模型;为了增强航位推算姿态误差的估计效果,将载车姿态与位置信息一起作为量测,构建组合定位定向的量测方程;采用Sage-Husa自适应滤波设计捷联惯导/里程计组合定位定向算法,以增强算法对外界环境和载车机动的鲁棒性;仿真结果表明,基于捷联惯导/里程计的车载定位定向方法能够达到±20.4m(3σ)的定位精度,航向精度达到±3.1′(3σ),水平姿态精度达到±0.6′(3σ)。     

H∞鲁棒自适应CKF算法在组合导航中的应用

针对组合导航系统状态模型及噪声统计特性不确定的情况下,标准容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法鲁棒性差,导致滤波精度下降甚至出现滤波发散的问题,提出一种H∞鲁棒自适应CKF算法。该算法基于标准的三阶CKF算法理论框架,在观测方程为线性的条件下,对其量测更新进行了简化,并引入数值稳定性较强的奇异值分解（Singular Value Decomposition,SVD）对系统状态协方差阵进行分解迭代,改善了计算的数值稳定性;在系统状态协方差阵更新过程中引入H∞ 滤波思想,并基于矩阵不等式的理论,对其约束条件[γ]进行了自适应选取,进一步改善了滤波的稳定性,提高了系统的鲁棒性。将该算法用于GNSS/INS组合导航的数值仿真实验,结果验证了该算法的有效性和优越性。     

结合数字地图的GPS／DR车载双星定位系统

目前GPS的定位技术已经比较成熟,然而GPS正常工作时需要四颗可见卫星。本文提出了一种基于高精密数字地图的GPS双星定位系统,结合航位推算系统进行组合导航,并运用卡尔曼滤波对组合导航的信息进行滤波处理,有效提高定位的精度。试验证明,该算法增强车载导航系统在城市中复杂环境的适应性,并提供满足要求的定位精度。     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

基于目标跟踪的自适应广义高阶CKF算法

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合广义高阶容积卡尔曼滤波和强跟踪滤波算法,提出了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）方法。采用广义高阶容积准则和矩阵对角化变换,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。将提出的AGHCKF算法应用于带有未知状态突变的机动目标跟踪问题并进行数值仿真,结果表明,AGHCKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。     

一种鲁棒自适应推广Kalman滤波及其在飞行状态估计中的应用

本文在自适应推广Kalman滤波基础上，为了防止滤波发散，改善自适应Kalman滤波的数值稳定性和计算效率，利用U－D分解滤波，并引进滤波发散的判据等，提出一种鲁棒自适应推广Kalman滤波新算法，并把该算法应用于飞行器飞行状态估计问题，仿真及实际计算结果证明了本文方法的有效性。     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.     

非线性动态滤波的迭代算法

阐述了标称状态的线性化方法和扩展的卡尔曼滤波公式及迭代卡尔曼滤波,探讨了非线性动态滤波的近似处理方法,围绕标称状态将非线性模型进行线性化,将标准的卡尔曼滤波扩展到非线性模型,得到扩展的卡尔曼滤波公式,研究了迭代滤波计算方法。扩展的卡尔曼滤波方法已经有效地用于非线性模型。     

Adaptive Iterated Extended KALMAN Filter for Relative Spacecraft Attitude and Position Estimation

This paper presents a novel adaptive iterated extended Kalman filter (AIEKF) for relative position and attitude estimation, taking into account the influence of model uncertainty. Considering a nonlinear stochastic discrete‐time system with unknown disturbance, the AIEKF algorithm adopts the Gauss‐Newton iterative optimization steps to implement a maximum a posteriori (MAP) estimation, and the switch‐mode combination technique is used to achieve the adaptive capability. The mean‐square estimation error (MSE) of the state estimate is derived. It is proved that the AIEKF can yield a smaller MSE than that of the traditional extended Kalman filter (EKF) or iterated extended Kalman filter (IEKF). The performance advantage of the AIEKF is illustrated via Monte Carlo simulations on a typical relative position and attitude estimation application. Through comparisons in different scenarios, the presented algorithm is shown to improve adaptability and ensure estimation accuracy.     

自适应无迹卡尔曼滤波算法在地磁导航中的应用

考虑到地磁导航过程中,无迹卡尔曼滤波(UKF)受初始值误差、系统噪声不确定性和环境磁异常扰动这些因素的影响,将自适应估计原理引入到UKF算法,提高UKF算法的收敛性和地磁导航系统的稳定性.计算结果表明,在地磁导航系统数据处理中,UKF算法略优于扩展卡尔曼滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制初始化误差、系统噪声不确定性和环境磁异常扰动对导航解的影响,进一步提高地磁导航系统的定位精度和可靠性.     

确定采样型强跟踪滤波飞机舵面故障诊断与隔离

为了克服扩展多模型自适应估计中扩展卡尔曼滤波的理论局限性,多重渐消因子强跟踪改进引起的滤波发散现象以及多维高斯故障概率计算量大等问题,本文将一类基于确定解析采样近似方法的非线性次优高斯滤波与多模型自适应估计相结合,提出了改进的多重渐消因子强跟踪非线性滤波快速故障诊断方法.确定采样型滤波克服了扩展卡尔曼滤波的理论局限性;推导了等效多重渐消因子计算方法,避免了非线性系统雅克比矩阵的计算,提高了故障突变时的跟踪性能;提出了基于平方根分解的改进的一步预测协方差更新方程,保证了滤波稳定性;提出了基于欧几里得范数简化的故障概率计算方法,降低了计算量.通过对比仿真验证了3种不同非线性滤波算法及其强跟踪改进算法的有效性,故障诊断方法跟踪性强、速度快、精度高,具有较好的鲁棒性和稳定性.     

自适应粒子滤波在卫星紫外导航中的应用

基于紫外敏感器的自主导航系统是典型的非线性和噪声非高斯分布的系统,针对扩展卡尔曼滤波(EKF)和Unscented 卡尔曼滤波(UKF)不适于噪声非高斯分布的系统,和一般粒子滤波缺乏在线自适应调整能力等问题,提出了将基于正交性原理的自适应强跟踪滤波器(STF)和UKF相融合作为重要密度函数,应用于基于紫外敏感器自主导航粒子滤波器新方法,通过UKF构造粒子群,对粒子群中的每一个粒子的每一个sigma点用STF进行更新,使得算法的鲁棒性增强,有极强的对突变状态的跟踪能力,具有强的自适应能力.为了说明算法的有效性,结合模拟的轨道数据和测量数据进行了仿真,仿真结果说明了所提算法的有效性.     

A Filtering Approach Based on MMAE for a SINS/CNS Integrated Navigation System

This paper explores multiple model adaptive estimation (MMAE) method, and with it, proposes a novel filtering algorithm. The proposed algorithm is an improved Kalman filter-multiple model adaptive estimation unscented Kalman filter (MMAE-UKF) rather than conventional Kalman filter methods, like the extended Kalman filter (EKF) and the unscented Kalman filter (UKF). UKF is used as a subfilter to obtain the system state estimate in the MMAE method. Single model filter has poor adaptability with uncertain or unknown system parameters, which the improved filtering method can overcome. Meanwhile, this algorithm is used for integrated navigation system of strapdown inertial navigation system (SINS) and celestial navigation system (CNS) by a ballistic missile's motion. The simulation results indicate that the proposed filtering algorithm has better navigation precision, can achieve optimal estimation of system state, and can be more flexible at the cost of increased computational burden.      

基于改进Mean-Shift与自适应Kalman滤波的视频目标跟踪

提出一种改进的Mean-Shift和自适应Kalman滤波器相结合的视频运动目标跟踪算法。对选定的跟踪目标,采用三帧差和区域增长法分割目标并得到主颜色信息。在跟踪过程中,利用自适应的Kalman滤波器估计每一帧的起始迭代位置,再利用改进的Mean-Shift算法得到跟踪位置并作为测量值反馈给自适应Kalman滤波器,并引入遮挡率因子以自适应地调节Kalman估计参数。实验结果表明,该算法能对视频中的运动目标实现检测和连续跟踪,对遮挡也有较好的鲁棒性。     

一种改进中心差分卡尔曼滤波方法

针对中心差分卡尔曼滤波（CDKF）跟踪时估计精度较低这一不足,提出了一种基于迭代测量更新的中心差分卡尔曼滤波（ICDKF）方法。本文将迭代滤波理论引入到中心差分卡尔曼滤波算法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该算法与扩展卡尔曼滤波（EKF）、中心差分卡尔曼滤波（CDKF）的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,迭代中心差分卡尔曼滤波（ICDKF）算法不仅具有无需计算Jacobian矩阵的优点,而且具有更高的估计精度。