基于支持向量机的自适应卡尔曼滤波技术研究

针对卡尔曼滤波(KF)中噪声的统计特性与实际不符时滤波精度严重降低甚至引起滤波器发散的问题,提出一种基于支持向量机的自适应卡尔曼滤波算法(SVMAKF).根据新息理论方差与实际方差的比值,应用支持向量机产生自适应因子对卡尔曼滤波器的噪声方差阵进行在线修正,使噪声方差阵能够根据实际噪声的变化得到调整.通过对雷达目标跟踪系统的仿真表明,该算法对噪声有较强的自适应性,能够提高滤波精度和滤波器的鲁棒性.     

基于支持向量机的自适应卡尔曼滤波技术研究

针对卡尔曼滤波(KF)中噪声的统计特性与实际不符时滤波精度严重降低甚至引起滤波器发散的问题,提出一种基于支持向量机的自适应卡尔曼滤波算法(SVMAKF)根据新息理论方差与实际方差的比值,应用支持向量机产生自适应因子对卡尔曼滤波器的噪声方差阵进行在线修正,使噪声方差阵能够根据实际噪声的变化得到调整.通过对雷达目标跟踪系统的仿真表明,该算法对噪声有较强的自适应性,能够提高滤波精度和滤波器的鲁棒性.

     

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法--自适应平方根无迹卡尔曼滤波（NASRUKF）方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。     

基于参数估计的传感器故障诊断的改进方法

针对基于参数估计的非线性系统传感器故障诊断方法中存在的滤波稳定性差、估计精度低的缺点,提出了卡尔曼滤波与小波滤波相结合的方法.在将传感器故障参数都等效为偏差型故障参数的基础上,通过增大强跟踪滤波器算法中的量测噪声方差和系统噪声方差,使其大于实际噪声方差,以提高滤波器的稳定性和故障检测的快速性,同时引入小波滤波以提高对故障参数的估计精度.仿真实验表明,该方法较好地兼顾了滤波稳定性、估计精度及速度.     

基于支持向量回归机的扩展卡尔曼滤波

在信号滤波算法优化问题的研究时,扩展卡尔曼滤波算法的精度依赖于系统模型精确性.采用一种改进的扩展卡尔曼滤波算法研究了状态量和观测量相同的系统.用滤波后的状态量和当前观测量以得到实时噪声,求出过程噪声方差阵,在此基础上利用支持向量回归机算法对过程噪声方差阵进行训练,从而得到新的过程噪声方差阵,用此阵作为下一次扩展卡尔曼滤波的过程方差阵,以后继续上述迭代过程.结果证明方法极大的提高了滤波精度.仿真说明方法的有效性.     

基于强跟踪滤波的传感器故障诊断的改进方法

针对基于强跟踪卡尔曼滤波的传感器故障诊断方法中存在的滤波稳定性差、估计精度低的缺点,提出了双滤波器的方法。一个滤波器的量测噪声方差和系统噪声方差均大于实际值,它对故障的估计精度较低,但跟踪速度较快;另一个滤波器的算法中的量测噪声方差大于实际值,它对故障的估计精度较高,但跟踪速度较慢,正好与前者形成互补,然后用第一个滤波器实现故障的及时检测,用第二个滤波器实现对故障幅值的精确估计。仿真实验表明,该方法较好地兼顾了滤波稳定性、估计精度及速度。     

基于模糊逻辑控制的单脉冲雷达测距算法改进

针对某型号雷达在对飞行器的初始段跟踪测量过程中,由于受地杂波影响较大,存在跟踪稳定性较差、测距精度偏低的问题,提出对雷达测距跟踪环路采用模糊自适应扩展Kalman滤波取代模糊自适应常规Kalman滤波的方法.方法主要是通过引进估计误差方差阵的加权系数α,通过在滤波过程中对系数α进行"在线"调整,来实现对滤波器噪声方差阵的实时调整,从而优化了滤波器执行最优估计的性能,达到了增强雷达设备跟踪稳定性和提高测距精度的目的.仿真结果表明,该模糊自适应扩展Kalman滤波器跟踪目标稳定性和精度高于模糊自适应常规Kalnum滤波器.     

虚拟陀螺技术研究

提出了一种基于阵列数据融合的虚拟陀螺技术来提高微机械陀螺的精度.其将多个同类型的陀螺组合形成阵列.采用Allan方差方法提取微机械陀螺的速率随机游走、角度随机游走等噪声,并利用阵列陀螺间同类噪声的相关性建立卡尔曼滤波器的系统噪声方差阵及量测噪声方差阵,设计实现了静态和动态两种最优滤波器对陀螺的输出进行最优估计.实验结果显示:三个偏置稳定性为35 deg/hr的微陀螺经静态、动态滤波后,所形成的虚拟陀螺偏置稳定性分别降至0.15 deg/hr和20deg/hr,表明该虚拟陀螺技术可有效提高微机械陀螺的精度.     

GPS/DR组合导航FAIMM滤波算法仿真研究

研究GPS/DR组合导航滤波问题。GPS/DR组合导航系统量测噪声统计特性随载体机动发生变化导致传统滤波算法滤波效果下降,针对此问题,提出了一种模糊自适应交互式多模型(Fuzzy Adaptive Interacting Multiple Model,FAIMM)滤波算法,将模糊自适应无迹卡尔曼滤波(FAUKF)与交互式多模型无迹卡尔曼滤波(IMMUKF)相结合,不需要预先设置模型集就能实现对载体量测噪声模式的覆盖。仿真结果表明:改进算法能够实时调整滤波器量测噪声参数,适应组合导航系统量测噪声变化,得到了与模型集完备的IMMUKF相当的导航滤波效果。     

基于极大后验估计和模糊控制的水下无源定位技术

针对高海况条件下因海流扰动的影响导致观测噪声方差未知时变的特点, 基于模糊控制技术提出一种基于FCMAP-UKF 滤波技术的水下无源组合导航系统状态估计方法. 该方法在滤波迭代过程中引入模糊自适应因子, 对未知观测噪声方差阵进行动态调节, 提高了系统的自适应能力和鲁棒性. 滤波结果表明, 该系统在达到传统方法精度的同时, 能够克服自主导航过程中不确定的噪声和随机干扰的影响而进行有效的定位导航.     

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。     

基于混合卡尔曼滤波的组合导航算法研究

建立了精确制导炸弹MINS/GPS组合导航数学模型.针对扩展卡尔曼滤波存在的问题,研究了非线性滤波,提出了一种新的滤波算法——混合卡尔曼粒子滤波,并应用于组合导航系统定位.仿真结果表明：混合卡尔曼粒子滤波能有效提高组合导航系统的精度和可靠性.     

基于PI自适应卡尔曼滤波的无人机姿态解算算法

针对无人机姿态解算过程中,机载加速度计噪声时变,导致姿态估计值出现较大误差的问题,提出了一种基于PI自适应卡尔曼滤波的姿态解算算法,通过监视残差方差的理论值与实际值的差值,利用PI控制算法对观测噪声协方差矩阵进行在线修正,来解决由于噪声估计不准而导致滤波发散的问题。实验结果表明,即使是在无人机的姿态发生剧烈变化时,该算法依然具有良好的精度,鲁棒性较好。     

集中式非线性抗差卡尔曼滤波算法研究*

针对实际中传感器的量测信息异常和传感器之间数据传输的错误时,融合系统中的数据会出现异常值(outlier)的情况,提出了一种集中式非线性卡尔曼滤波算法,该方法应用鲁棒统计理论,通过设计代价函数来对系统的量测噪声方差进行重新构造,并利用标准无味卡尔曼滤波(UKF)的观测更新算法对非线性观测方程进行滤波,该方法无需对观测方程进行线性近似,在保持鲁棒性的同时不损失UKF的滤波精度。通过一个简明实例说明了该方法在量测出现异常值的情况下依然能对目标进行有效的跟踪滤波,鲁棒性和滤波精度优于传统的Huber鲁棒跟踪方法。     

基于AFKF的多旋翼无人机组合导航技术研究

目前旋翼无人机组合导航系统大都使用扩展卡尔曼滤波算法,然而由于导航系统建模误差和传感器测量精度的影响,导航信息解算误差较大。为了改善旋翼无人机的飞行控制效果,应用自适应渐消卡尔曼滤波（Adaptive fading Kalman filter,AFKF）进行旋翼无人机组合导航解算,算法通过实时计算遗忘因子,对过去的数据权重进行削减,以提高扩展卡尔曼滤波算法的自适应能力。应用旋翼无人机真实飞行数据进行仿真,仿真结果表明,自适应渐消卡尔曼滤波算法能够有效抑制建模误差,弥补传感器测量精度不足,改善旋翼无人机组合导航解算结果。     

基于行人运动模态辨识的室内外无缝导航航向算法研究

目前行人导航航向解算算法均基于导航传感器在行人身体上的固定安装模式,或者依赖其他射频信息辅助修正陀螺航向,这极大约束了导航传感器的适用条件.为此,利用陀螺对低频噪声的敏感性及加速度计低频的稳定性,提出了解决行人手持手机稳态查看与非稳态摇摆的运动模态辨识算法和基于时域互补滤波器实现姿态的最优融合方法;研究了改进型互补滤波以消除行人的运动加速度对姿态解算的干扰误差,提高了载体姿态的测量精度;此外,利用磁传感器标定后的数据设计了自适应卡尔曼滤波算法,抑制了航向角的误差发散.经实际数据测试验证,室内外行人手持稳态与非稳态下的航向角测量精度提高了80%,同时大大提高了导航传感器的适用性与便携性,满足实际工程的使用需求.     

有色噪声下的平方根UKF在天文自主导航中的应用

针对由星敏感器和光学导航相机组成的卫星天文自主导航系统, 传统的平方根UKF不能很好地解决测量噪声为有色噪声情况下的非线性滤波问题, 导致导航系统的精度下降. 为此, 提出了一种有色噪声情况下的平方根UKF方法. 同时, 为了避免在数值计算的过程中, 由于舍入误差而破坏误差协方差矩阵的正定性和对称性, 在整个递推计算过程中, 借鉴平方根Kalman滤波理论, 采用协方差矩阵平方根进行递推计算, 改善滤波算法的稳定性, 协方差矩阵的平方根更新用cholesky分解和qr分解来计算. 将该方法应用于卫星天文自主导航系统中, 实验仿真结果表明, 相对于传统的平方根UKF算法, 所设计的平方根UKF算法能够很好地解决测量噪声为有色噪声情况下估计精度低问题.     

基于容积卡尔曼平滑滤波的管道缺陷定位技术

针对管道测量系统MEMS惯性元件的漂移,且难于获得GPS信息进行有效误差累积抑制的问题,创建了管道测量系统9维系统状态误差方程和基于速度差和基准点位置差的观测方程,提出采用容积卡尔曼平滑滤波算法。该算法由以里程轮速度为观测量的正向容积卡尔曼滤波算法和以基准点位置为起点的反向平滑两级滤波组成,实现管道缺陷地理坐标的最优估计。管道缺陷定位实验结果表明,该算法能有效补偿长航时导航参数误差,10 km测量精度可以达到10-3数量级,能够满足管道内检测定位精度要求。     

基于MAEKF算法的航姿参考系统设计

构建了以低成本MEMS陀螺仪、加速度计和磁传感器组合的航姿参考系统,提出了一个乘性自适应扩展卡尔曼滤波算法.取乘性误差四元数和陀螺仪误差作为状态量,基于重力场和磁场构造了量测矢量,用于修正航姿数据.并采用准确量测法,给滤波器加入了四元数的归一化约束,最后给出了基于新息的估计量测噪声方差矩阵的公式.通过仿真和试飞验证,表明本文设计的低成本的航姿参考系统能够提供比较准确的航姿信息.与常规的扩展卡尔曼滤波器比较,本文设计的乘性自适应扩展卡尔曼滤波算法有效提高了系统的精度和稳定性,并且具有较好的鲁棒性.     

一种MEMS加速度计误差分析与校准方法

MEMS传感器测量中一般存在确定性偏差和随机噪声两类误差,为提高其测量精度和稳定性,以MEMS加速度计为例,在建立其测量误差模型的基础上,提出一个综合的校准方案,同时对这两类误差进行补偿。其中使用Allan方差对随机噪声项进行量化分析,并综合采用了最小二乘法计算确定性校准系数,扩展卡尔曼滤波降低随机噪声等方法。通过实验验证,表明该方案可以有效校准加速度计测量的确定性偏差并降低随机噪声干扰,最终经过误差补偿后的测量数据在精度和稳定性方面都有明显提升。