基于模糊理论的自适应联邦滤波算法研究

针对先验噪声统计特性与实际不符引起卡尔曼滤波精度下降的情况,提出了一种基于模糊自适应联邦卡尔曼滤波方法。算法基于模糊推理思想通过理论残差与实际残差的比值来对观测噪声协方差阵进行加权调整,实现对观测噪声统计特性的实时跟踪,在此基础上,利用信息分配因子对各子滤波器及主滤波器输出进行加权,得到滤波器的全局输出,将此输出周期性反馈给各个子滤波器以校正子滤波系统的偏差。SINS/GPS/TAN组合导航系统的仿真试验表明该算法具有更强的自适应性、滤波精度更高、鲁棒性更强。     

自适应卡尔曼滤波在SINS静基座初始对准中的应用

由于捷联惯导系统模型参数往往与实际的物理过程具有一定的偏差,并且系统的噪声与量测噪声的统计特性不是精确已知的,因此采用常规的卡尔曼滤波算法不能获得理想的滤波效果。为避免滤波发散,采用Sage-Husa自适应滤波算法应用于捷联惯导初始对准,仿真结果表明该方法相对于卡尔曼滤波方法在收敛精度和速度上都有很大的改进。     

Sage_Husa自适应滤波在大方位失准角初始对准的研究

由于光纤惯导系统导航精度不高,方位角常为大角度,因此系统初始对准的滤波方程为非线性的,为改善非线性模型下初始对准的精度,提出了一种改进Sage_Husa自适应卡尔曼滤波方法并应用于光纤惯导系统初始对准中。建立了大方位失准角初始对准的非线性误差模型,给出了Sage_Husa自适应卡尔曼滤波方程,对Sage_Husa自适应卡尔曼滤波不适合用在非线性滤波的缺陷进行了改进,建立系统噪声统计的估值器,对非线性误差方程进行了改进Sage_Husa自适应卡尔曼滤波仿真。仿真结果表明:改进Sage_Husa自适应卡尔曼滤波能够很好地处理初始对准中的非线性问题,提高初始对准精度,方位失准角误差估计精度较EKF提高27%。     

基于随机加权估计的Sage自适应滤波及其在导航中的应用

为了克服Kalman滤波和Sage自适应滤波的缺点,在分析基于新息向量、残差向量和状态改正数向量的自适应协方差估计存在问题的基础上,提出根据新息向量、残差向量和状态改正数对滤波精度影响的不同程度,采用随机加权法对新息向量、残差向量和状态改正数进行估计,以得到观测噪声协方差矩阵和系统动态噪声协方差矩阵.进一步,利用随机加权法对观测噪声协方差阵和系统噪声协方差阵进行估计,以提高动态导航定位的滤波解算精度.研究结果表明,基于随机加权估计的Sage自适应滤波效果明显优于基于算术平均值估计的滤波方法.     

健康管理对老年冠心病危险因素治疗及控制率影响

捷联惯导系统(SINS)静基座初始对准中,过高的陀螺噪声不但导致系统状态方程非线性,也会使对失准角的估计不能收敛到真值.因此,提出了一种磁强计辅助对准方法,对系统观测方程的分析证明了该方法不仅可提高滤波精度,同时还可对磁场强度和磁倾角进行估计.非线性滤波采用平方根无迹卡尔曼滤波(SRUKF),SRUKF与无迹卡尔曼滤波(UKF)滤波精度相当,优于扩展卡尔曼滤波(EKF).相比UKF,SRUKF具有更高的计算效率和稳定性.仿真结果表明,该算法在陀螺噪声较高的情况下仍能满足SINS初始对准要求.     

MIMU／GPS组合导航模糊自适应卡尔曼滤波研究

针对组合导航初始对准中存在模型误差时常规卡尔曼滤波容易发散的问题,提出了一种模糊自适应卡尔曼滤波算法。该算法采用模糊控制规则,根据新息的方差和均值变化自适应调整量测噪声权值矩阵。此算法运用于MIMU/GPS组合导航初始对准中,获得了较高的导航精度。仿真结果表明,该算法能够有效防止滤波发散,减少模型误差对滤波结果的影响,提高了滤波精度,实现了参数的在线调整。     

新型自适应Kalman滤波算法及其应用

为防止滤波发散和提高系统的实时性,提出了一种新的自适应Kalman滤波算法.该算法利用滤波异常判据获得一个滤波状态因子,通过滤波状态因子确定量测噪声协方差阵的值,在线调整噪声的统计特性实现自适应滤波.将该算法应用到惯导/双星组合导航系统中,并和常规Kalman滤波和简化的Sage-Husa自适应滤波算法进行仿真比较.仿真结果表明,在滤波精度与简化Sage-Husa自适应滤波相当的情况下,新算法简化了运算,提高了实时性.     

一种传递对准精度评估的平方根自适应滤波算法研究

在传递对准精度评估中,由于惯导系统模型参数与实际的物理过程存在偏差、系统量测噪声的特性不确定等因素.采用常规的卡尔曼滤波算法往往不能获得理想的滤波效果.为满足传递对准滤波估计的精度和稳定性要求,设计了一种新型平方根自适应滤波算法:即将简化的时变噪声统计估计器串联于平方根滤波过程的时间更新和量测更新之间.使平方根滤波与自...     

模糊自适应滤波方法在相对导航系统中的应用

编队飞行中需要确定主机和从机之间的相对位置关系,就是要解决导航定位问题。针对无人机在编队飞行过程中由于机动性较大,惯性元器件测量容易出现偏差,进而影响系统的运动状态方程的情况,或者是在系统噪声与观测噪声的统计特性不能够准确得到的情况,提出了一种新的模糊自适应滤波方法。根据实时得到的量测新息的实际方差与理论方差的差值和量测新息的均值,按照判定条件选择适合的滤波方法,然后由设计的模糊推理系统在线实时调整系统噪声和量测噪声矩阵,或是调整状态误差协方差阵即强跟踪滤波,使无人机编队飞行即使在恶劣的环境下依然保持确定的队形不变。仿真结果表明,该算法具有较好的自适应效果。     

惯性/地磁组合导航系统自适应卡尔曼滤波算法研究

针对惯性/地磁组合导航中遇到的滤波的发散问题,采用自适应卡尔曼滤波估计导航系统的误差.该算法通过实时估计和修正系统噪声以及观测噪声的统计特性达到降低模型误差、抑制滤波发散的目的.在Matlab环境下的仿真证实了该方案可以防止滤波器发散,缩小滤波误差,提高滤波精度.     

一种残差模糊匹配的非线性目标跟踪改进算法

为解决目标跟踪中因系统滤波初值不准确和噪声统计特性未知引起标准非线性卡尔曼算法估计误差变大问题,该文提出一种基于残差的模糊自适应(RTSFA)非线性目标跟踪算法。在确定采样型滤波基本框架的基础上,给出了在线性化误差约束条件下高斯权值的积分一般形式,并利用李雅普诺夫第二方法证明了该算法估计误差有界收敛的充分条件。进一步构建自适应噪声协方差矩阵在线估计噪声特性,并引入Takagi-Sugeno模型和量测椭球界限规则选择噪声估计器调节因子,有效提高了算法的收敛速度和滤波精度。通过滤波初值信息不明和量测噪声时变的纯方位目标跟踪模型,验证了非线性目标跟踪算法具有更好的跟踪精度和更强的鲁棒性。     

模糊自适应估计器在INS/GPS组合导航中的应用研究

研究了一种模糊自适应神经网络状态估计器的工作原理及结构,并讨论了用其代替传统扩展卡尔曼滤波在导航参数估计中的实现方法。利用扩展卡尔曼滤波来构造模糊推理系统,通过神经网络对模糊推理系统进行训练,根据输入输出样本自动调整模糊系统的设计参数,从而实现对INS/GPS组合导航系统导航参数的最优估计。通过仿真验证表明,用模糊自适应状态估计方法进行导航系统的初始对准,能够大大提高系统的实时性。     

基于MFFAKF的微惯导磁匹配粗对准方法

针对微机电系统(MEMS)陀螺仪精度低,无法完成惯导系统方位对准的问题,该文提出一种采用加速度计与磁强计输出完成MEMS惯导系统粗对准法。同时针对遗忘卡尔曼滤波法的缺点,提出将一种多遗忘因子自适应卡尔曼滤波法(MFFAKF)引入系统的对准方案中。该方法通过基于指数渐消记忆的方式计算量测噪声方差阵,并采用多遗忘因子调节不同的滤波通道。实验结果表明,采用MFFAKF得到的粗对准航向角精度满足MEMS惯导系统粗对准要求。     

基于自适应EKF的相对导航算法研究

针对测距测角相对导航中测量噪声不可精确获知往往导致相对定位精度下降的问题,本文研究了基于自适应扩展卡尔曼滤波(EKF)的相对导航算法。利用泰勒级数展开对测量矩阵进行线性化处理,并利用自适应时变噪声估计方法对测量噪声方差阵进行动态估计,状态噪声方差阵通过惯导特性的先验值获得。仿真结果表明,基于自适应EKF的相对导航算法可获得高精度且连续平滑的相对定位信息,尤其在测量噪声发生变化时更是表现出良好的导航参数估计性能。