动力学模型系统误差的随机加权估计

提出用新兴的随机加权估计算法对动力学模型系统误差进行估计,以控制动态模型噪声异常对状态参数估值的影响.该算法根据实际需要对动力学模型误差和状态预报值向量的协方差阵进行随机加权,以控制残差向量协方差阵和新息向量协方差阵的大小,削弱模型误差对状态参数向量的影响,提高动态导航解算的滤波精度.仿真结果表明,提出的随机加权估计算法的估计精度,明显优于经典Kalman滤波和抗差自适应Kalman滤波,能提高飞行器动态导航定位的精度.     

导航系统误差及其协方差阵的随机加权拟合

在现有基于移动窗口函数模型和随机模型的系统误差自适应拟合方法的基础上,提出了一种基于移动窗口观测模型的系统误差随机加权拟合法。该方法在相同的窗口内给出了相应的观测向量协方差阵的随机加权估计。利用修正后的观测向量及相应的协方差阵进行导航滤波计算,能有效地抑制观测系统偏差的影响,提高导航解算的精度。仿真结果证明,文中所提出的随机加权估计算法的精度,明显优于卡尔曼滤波和自适应卡尔曼滤波。     

H∞滤波在惯导/GPS组合导航应用的比较分析

为分析H∞滤波算法在惯性导航系统INS/GPS组合导航应用中对动态环境的自适应能力,选用卡尔曼滤波算法和Sage-Husa算法作为对照,并改进了Sage-Husa算法,构造了较为全面的惯导系统误差模型、扰动数据情形和飞行轨迹,比较分析了三种算法的自适应能力.仿真结果表明:在这种验证环境中,H∞滤波算法可调参数受到的约束较多,与改进的Sage-Husa算法相比,卡尔曼增益和估计协方误差与量测值变化的相关性较弱,导致自适应能力较弱.在这类模拟动态环境中H∞滤波算法的自适应能力要低于改进的Sage-Husa算法.方法和结果对于鲁棒的INS/GPS组合导航算法的工程化应用有较高的实用价值.     

自适应迭代平方根UKF的单站无源定位算法

针对单站无源定位可观测性弱、收敛速度慢、定位精度差等问题,在结合相位差变化率和多普勒频率变化率定位方法的基础上,提出了一种基于自适应迭代SRUKF的单站无源定位算法,通过使用误差协方差阵的平方根替代协方差阵参与滤波,保证了滤波算法的数值稳定性.在迭代判决准则的约束下,通过对状态及其误差协方差矩阵平方根的自适应迭代估计调整滤波的观测值与状态值之间的权比,使滤波预测值误差协方差阵的平方根更为准确、合理,从而提高算法的稳定性、收敛速度和定位精度.仿真结果验证了新算法的有效性.     

非线性随机系统的鲁棒自适应平滑估计算法

针对有色噪声下一类含有未建模动态和扰动的非线性随机系统,提出一种鲁棒自适应平滑估计算法。该算法通过极小化状态平滑估计误差的方差和相邻时刻残差的协方差,在线辨识状态滤波估计误差和残差的方差,实现对未建模动态和扰动的自适应补偿。仿真结果验证了该算法在解决有色噪声下非线性随机系统的时变时滞与参数联合估计问题中的有效性。     

自适应平方根Unscented粒子滤波算法研究

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题,在吸收平方根滤波、自适应滤波和粒子滤波优点的基础上,提出了一种新的UPF算法。该算法由UKF算法得到重要性密度函数,通过自适应因子实时控制动力学模型误差,采用平方根分解法抑制系统状态协方差矩阵的负定性。仿真结果证明,文中所提出的自适应平方根UPF算法,不但适用于非线性、非高斯动态系统的滤波计算,而且能有效地改善滤波性能,提高SINS/SAR组合导航系统的定位精度。     

基于交互多模型的改进无迹粒子滤波算法

为了提高机动目标的跟踪精度,提出了适用于非线性非高斯系统的基于预测残差的交互多模型自适应无迹粒子滤波算法.该算法将无迹粒子滤波与交互式多模型的优点相结合,通过UT变化构造粒子滤波的建议分布函数,利用预测残差在线对测量协方差和状态协方差进行自适应调节,以改进执行和计算的有效性从而降低计算误差.仿真结果表明,与交互式多模型粒子滤波、交互式式无迹粒子滤波算法相比,该算法具有更好的跟踪精度.     

基于自适应UKF的单站无源定位算法

针对无迹卡尔曼滤波(UKF)算法在单站无源定位中滤波的性能容易受到初始值和系统噪声影响的问题,提出了一种自适应无迹卡尔曼滤波(AUKF)的跟踪算法。该算法利用观测信息和新息,引入自适应因子,对在滤波过程中的误差的协方差矩阵进行合理自适应调整,保证得到较稳定和高精度的滤波值,从而提高算法的鲁棒性。仿真结果表明,该AUKF算法与扩展卡尔曼滤波算法(EKF)及其衍生算法中的修正协方差滤波算法(MVEKF)和UKF算法相比,对系统噪声的鲁棒性更好,体现在滤波的收敛速度和滤波精度等方面都有所提高,是一种性能更加优越的算法。     

动态事件触发策略下非线性离散奇异系统的抗野值分布式融合滤波（英文）

本文研究一类多传感器非线性奇异系统在动态事件触发策略下的抗野值分布式融合滤波问题。采用自适应饱和函数设计滤波器可以有效减轻数据传输中测量野值的影响。为进一步节省每个传感器节点的能耗,提高资源利用效率,利用动态事件触发策略调节数据传输频率。对于所处理的非线性奇异系统,本文主要目的是在测量野值和动态事件触发策略影响下构造局部抗野值滤波器,并通过求解差分方程得到滤波误差协方差矩阵的局部上界。同时,所设计的滤波器增益可以确保该局部上界迹取值最小。此外,根据局部滤波器及其上界、逆协方差交叉融合准则,提出可以降低数据传输频率和测量野值的影响的分布式融合滤波算法。在均方意义下,讨论滤波误差的一致有界性并给出相应的充分条件。最后,通过仿真例子验证算法的有效性。     

平方根滤波及其在目标跟踪方面的应用

在主流非线性滤波算法中,诸如扩展卡尔曼滤波和Unscented卡尔曼滤波都包含状态协方差矩阵的传递,这在滤波器更新步骤经常引起协方差矩阵失去正定,从而引发滤波器失效.平方根滤波可以降低这种数值误差的影响.基于协方差更新的Joseph形式,给出一种更简洁的平方根扩展卡尔曼滤波算法.同时将此滤波器和平方根Unscented卡尔曼滤波器应用于再进入飞行器的目标跟踪问题,仿真结果表明这种应用是有效的.     

Robust adaptive beamforming with the two level nested array

For the beamforming problem in the two level nested array under the condition of signal model mismatch, this paper proposes a robust adaptive beamforming algorithm based on efficient interference-plus-noise covariance matrix reconstruction and semi-definite programming(SDP). Firstly, by using the diagonal growth-curve(DGC) model of the received signal and the search-free ESPRIT method, we reconstruct the interference-plus-noise covariance matrix of the virtual array precisely; then, the interference-plus-noise covariance matrix and a little prior information are applied to construct the optimization problem in robust adaptive beamforming, which can effectively decrease the performance degradation of the traditional MVDR filter in nonideal signal circumstances; finally, the optimization problem can be approximately expressed as an SDP problem by using the SDP relaxation method, and we can resort to the convex optimization software to solve it. Simulation results demonstrate that the proposed method achieves a higher output SINR under different input SNRs or sampling snapshots circumstances as compared to traditional methods.     

抗差自适应Kalman滤波及其在GNSS导航中的应用

针对Kalman滤波易受粗差影响而导致结果失真的问题,提出一种抗差自适应Kalman滤波方法,该方法结合自适应滤波与抗差Kalman滤波的优点,同时设计自适应因子和抗差因子,采用改进的两段Huber函数与2~3倍的观测噪声中误差来充当抗差因子与粗差判别标准。并对Kalman滤波和抗差自适应滤波(Adaptive Robust Kalman Filtering,ARKF)结果进行比较。车载实验结果表明,ARKF可以有效抵制观测异常对状态估值的影响,同时在系统先验信息不能精确给出的情况下,显著改善了滤波估值的稳定性和可用性。     

均值-方差组合模型的鲁棒投资优化

针对投资组合优化模型中收益率的期望值、协方差矩阵等参数扰动时对原问题最优解产生较大影响的问题,文中提出将鲁棒优化应用到均值-方差投资组合模型中,建立了"势"不确定集下的鲁棒投资组合选择模型,通过市场数据对该模型进行了实证研究.试验结果表明该模型得到的解兼具鲁棒性与最优性.     

非线性约束的自适应波束形成算法

提出基于非线性约束的自适应波束形成算法. 首先修改接收信号协方差矩阵信号子空间中的特征向量,使修改后的协方差矩阵基本不包含期望信号(SOI)成分而只包含干扰信号和噪声. 进而利用线性约束最小均方算法(LCMV)和修改后的波束空间求解方向图的权向量w. 为了提高算法的稳健性,采用非线性约束方法对w进行优化,w的优化解在形式上不同于可变对角加载类算法,且优化解中的待定参数容易准确求出. 新算法的输出信干比 (SINR)对导引向量随机误差具有稳健性, 并对期望信号的功率变化表现出不敏感的特性, 仿真证明了这一点.     

复合材料成形液压机自适应鲁棒运动控制

针对复合材料液压机电液系统中广泛存在的参数不确定性、不确定非线性和外干扰,设计基于非连续映射的非线性自适应鲁棒运动控制器. 自适应控制器对系统参数进行在线估计,所估计的参数虽不能完全收敛到真实值,但可以限定在上确界和下确界范围内,满足鲁棒控制不确定量上、下界的要求;参数自适应律渐进消除了参数不确定性引起的模型补偿误差,保证输出跟踪可以拥有规定的瞬态和稳态响应性能. 鲁棒控制律可以抑制未建模动态、参数估计误差和外干扰的影响. 利用Lyapunov稳定性理论证明了系统的稳定性. 仿真和实验结果表明,设计的控制器对所规划的运动轨迹具有精确的跟踪控制和强鲁棒的控制性能.     

观测噪声时间相关的动态定位算法

在动态定位数据处理中,动态定位的精度和可靠性除受观测偶然误差和系统误差的影响外,还受时间相关的观测噪声的影响.在观测噪声不满足时间不相关的假设情况下,卡尔曼滤波将达不到最优滤波效果,并且其误差协方差阵也是错误的.分析了测量噪声时间相关对卡尔曼滤波结果的影响,给出了观测噪声时间相关时的卡尔曼滤波递推公式.实例计算结果表明,采用该算法能够有效地消除测量噪声相关性对滤波结果的影响.     

GPS／SINS超紧组合导航系统自适应混合滤波算法

针对传统反馈校正滤波结构中,由于不可观测状态的反馈导致系统滤波精度下降,以及由于全球定位系统／捷联惯性导航系统(GPS／SINS,global positioning system／strapdown inertial navigation system)超紧组合导航系统量测方程的非线性导致滤波难度的增加等问题,本文重新推导了线性的量测方程,并将基于状态可观测性的混合校正滤波算法应用于该模型．通过对比三种主流可观测性分析方法,选用误差协方差阵的特征值和特征向量可观测性分析方法分析系统状态的可观测性．最后根据可观测性分析的结果制定自适应的反馈因子,从而对SINS和GPS接收机误差进行校正．仿真结果显示,该方法可以有效提高不完全可观测系统的估计精度．     

基于变权新息协方差的自适应卡尔曼滤波器

针对传统卡尔曼滤波器鲁棒性差,无法实时精确跟踪系统突变状态的现实,设计了一款基于变权新息协方差的自适应卡尔曼滤波器。在传统卡尔曼滤波器的基础上,分析了突变状态无法跟踪的缘由;基于滤波发散判据,分析储备系数与均权新息协方差之间的关系,对状态突变程度进行分层;基于Sage-Husa估计原理与加权最小二乘准则,对于不同程度的突变状态,采用实时调整各历元新息协方差权重的策略,优化渐消因子,激活滤波增益,增权量测新息。实例研究表明,自适应卡尔曼滤波器鲁棒性强,能够精确跟踪系统突变状态,其状态收敛速度优于抗差卡尔曼滤波器,稳态精度提升了42.05%。     

离散不确定系统的两步鲁棒滤波方法及在飞行试验中的应用

提出了一种离散系统的两步处理鲁棒滤波方法。为了得到鲁棒滤波计算式，采用了上界不等式逼近和等效系统矩阵，得到了鲁棒滤波的时间更新算法，以及下界不等式逼近和等效观测矩阵，得到了鲁棒滤波的测量更新算法。并且，利用矩阵反逆公式简化了时间更新和测量更新表达式的结构。为了便于工程应用，给出了鲁棒滤波算法收敛的条件。飞行试验数据处理的结果表明，中提出的方法是有效的。     

Adaptive Federal Kalman Filtering for SINS／GPS Integrated System

A new adaptive federal Kalman filter for a strapdown integrated navigation system/global positioning system (SINS/GPS) is given. The developed federal Kalman filter is based on the trace operation of parameters estimation‘s error covariance matrix and the spectral radius of update measurement noise variance-covariance matrix for the proper choice of the filter weight and hence the filter gain factors. Theoretical analysis and results from simulation in which the SINS/GPS was compared to conventional Kalman filter are presented. Results show that the algorithm of this adaptive federal Kalman filter is simpler than that of the conventional one. Furthermore, it outperforms the conventional Kalman filter when the system is undertaken measurement malfunctions because of its possession of adaptive ability. This filter can be used in the vehicle integrated navigation system.