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.     

基于改进无迹Kalman滤波的小波网络算法及其应用

无迹Kalman滤波（UKF）是无迹变换（UT）和标准Kalman滤波的结合,对非线性系统具有出色的估计性能,使用UKF估计小波网络参数,速度快,精度高,无需求导计算Jacobian矩阵,但其计算量偏大.基于此,本文考虑引入一种改进的UKF来估计小波网络的参数,以提高训练效率.该改进UKF在Kalman滤波体系内应用了一种基于最小偏度单形Sigma点采样策略的UT,它继承了UKF的优点,并显著提升了计算效率.仿真结果表明,相对于EKF,采用改进UKF算法训练小波网络,速度更快,精度更高;计算精度与UKF相当,但计算效率较之更高.     

改进型UKF滤波算法的卫星姿态估计

针对矢量观测的三轴稳定卫星的姿态估计问题,提出了一种改进的UKF（unscented Kalman filter）滤波算法．它通过引入简化球形分布Sigma点UT变换（SSUT）,使得Sigma点的数量减少,从而在与UKF算法估计精度相当的情况下,计算量大大减少．同时,该算法依据姿态四元数与修正罗德里格参数之间的变换关系以及Sigma点的本质属性,保证了在姿态估计过程中四元数满足归一化约束,并且给出了过程噪声方差阵的选取方法．与扩展卡尔曼滤波（EKF）相比,无需计算Jacobian矩阵且具有更高的估计精度,并且对初始姿态误差更具有较好的鲁棒性．数值仿真表明该方法能很好地改善滤波效果,提高了估计精度,同时减小了计算量。     

基于扩展卡尔曼滤波的无人机航姿算法

针对小型无人机在大机动或连续飞行时姿态解算精度低的问题,提出了一种基于扩展卡尔曼滤波(Extended Kalman Filter, EKF)的航姿算法。该算法以机体系加速度分量与陀螺漂移作为待估状态量,建立了非线性滤波模型,在对传感器量测值预处理的基础上完成数据融合,获得了姿态角数据的准确输出,同时,根据外部运动加速度的大小不断调整噪声协方差以达到对EKF的自适应修正,从而抑制无人机航姿解算中磁干扰的影响。经三轴转台实验测试,姿态角的静态误差不超过0.5°,动态误差不超过2°,瞬变磁干扰误差不超过5°,该结果表明该算法能有效提高小型无人机的航姿解算精度。     

一种新的电子鼻预处理算法的研究

数据预处理是电子鼻的重要环节之一,是后续模式识别处理的基础。外界噪声干扰、环境波动和传感器性能不稳定会降低电子鼻数据的可靠性和识别率。提出一种Kalman滤波和专家系统优化的t检验法相结合的电子鼻数据预处理算法,通过Kalman滤波去除噪声,专家系统优化的t检验法检验并替换异常数据。结果表明,该算法能有效提高电子鼻数据的可靠性和识别率,对电子鼻的应用开发具有重要的意义。     

改进的CKF在SINS/GPS组合导航中的应用

为了降低动态扰动误差对容积卡尔曼滤波(Cubature Kalman Filter,CKF)精度的影响,采用新息自适应估计(Innovation-based Adaptive Estimation,IAE)理论构造改进的CKF滤波模型,利用新息序列在线估计和修正噪声统计特性,自适应地调整量测噪声。通过SINS/GPS组合导航系统对标准CKF与改进的CKF进行仿真验证,结果表明,改进的CKF算法能够在一定程度上提高组合导航系统对不同随机噪声的适应能力,有效地降低了滤波误差,提高了解算精度。     

渐消自适应Unscented粒子滤波及其在组合导航中的应用

提出一种新的渐消自适应Unscented粒子滤波算法,通过Sigma点来获取状态估值和协方差阵,利用渐消因子自适应的调节权值大小,得到一种参数可调节的重要性密度函数。该重要性密度函数考虑了最新量测的影响,更合理地利用有效信息,保证了粒子多样性,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和渐消自适应扩展Kalman滤波比较,仿真结果表明,提出的滤波算法能提高导航解算的精度,其性能明显优于扩展Kalman滤波和渐消自适应扩展Kalman滤波。     

改进的变步长自适应滤波及Eckart加权抑噪算法

针对已有的变步长自适应滤波算法对噪声干扰敏感的问题,提出改进的变步长最小均方误差自适应算法,该算法对误差的自相关时间均值估计做遗忘加权补偿,并改步长因子固定范围约束为动态变化约束,一方面克服了单纯采用自相关时间均值估计调整步长所导致的步长因子快速衰减,获得了较快的收敛速度;另一方面相比基于Sigmoid函数的变步长算法,具有更平滑的步长变化和更低的稳态失调噪声.在改进算法中引入Eckart加权进一步抑制了自适应滤波器权系数伪峰,采用滑动窗遗忘加权降低了计算复杂度.将新算法及其Eckart加权应用于自适应时延估计仿真实验,结果表明：相比于已有的2种参数固定条件下的变步长自适应滤波算法,改进算法获得了更好的高斯噪声和突变噪声干扰下的时变时延跟踪性能.     

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。