基于模糊自适应Kalman滤波的GPS/DR数据融合

针对标准Kalman滤波器对系统模型依赖性强、鲁棒性差,而GPS/DR系统的准确数学模型难以建立的问题,提出了一种模糊自适应联邦卡尔曼滤波器(FAFKF).首先通过模糊自适应滤波控制器监控观测量的残差理论值和实际值,并通过实时增强它们的一致性来调整各子系统观测噪声方差阵,使之更符合真实的模型,有效提高了Kalman滤波器对模型变化的适应能力.然后通过模糊自适应信息融合控制器对各子系统可信度进行模糊评判,并根据可信度自适应地计算信息分配系数来实现数据的融合.理论分析和实验数据表明该滤波器在滤波精度、容错性能上都有了很大的提高.     

DR/GPS组合导航非线性自适应信息融合算法研究

针对实际工程中组合导航系统采集数据融合处理问题,建立了系统实测数学模型,提出了基于非线性系统的自适应信息融合算法,将系统未建模部分及高阶项作为噪声项与状态向量进行耦合估计,改善滤波算法对模型误差以及噪声假设的敏感性,通过仿真对比验证算法改进前后的效果,并用于DR/GPS组合导航系统。实验结果表明提出的数据融合算法能够提高系统的精确性,具有一定的实用价值。     

GPS/DR组合导航系统数据融合优化设计

为降低GPS/DR组合导航系统在复杂导航环境下的定位精度及DR误差累积,提出一种性能较优的数据融合算法。在传统粒子滤波(PF)的基础上,考虑最新观测值的影响,使用基于平方根二阶差分的高斯混合(GM)模型给出粒子滤波的建议分布,采用基于蒙特卡罗的重要性采样和进化再采样方法减轻PF样本退化问题,增强样本多样性。实验结果表明,与PF算法、GMPF算法相比,该设计能提高组合导航系统的综合导航定位性能。     

GPS/DR组合导航系统数据融合研究

通过航位推算系统辅助GPS定位,并采用联合卡尔曼滤波的融合算法,既克服了GPS信号的遮蔽与中断问题,又充分利用了信息融合的思想,使组合系统能够很好地满足车辆导航定位的需要。     

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.     

多传感器跟踪系统自适应Kalman滤波融合

多传感器目标跟踪的一个实际问题是如何获得目标的过程噪声信息,以获得较好的跟踪性能。针对多传感器分布式估计融合系统,利用这种自适应技术给出了一种自适应Kalman滤波的融合方法,它具有与中心式相近的跟踪性能。计算机模拟结果表明：这种方法具有较优良的性能。     

基于Kalman滤波的数据融合研究

分析了标准kalman滤波(KF)和自适应kalman滤波(AKF)的原理,通过仿真实验,对两种滤波算法的性能进行了比较.选用凸组合融合算法作为声纳探测的航迹融合算法,将多声纳融合系统的融合结果和简单交叉定位算法进行了比较研究.仿真实验结果表明:自适应kalman滤波比标准kalman滤波具有更好的目标跟踪性能,多声纳融合结果较简单交叉定位结果的性能有大幅度提高,所选用的融合算法航迹能够较好的与真实航迹吻合.     

基于联邦滤波的GPS/DR组合导航信息融合

针对车载GPS/DR组合导航系统的特点,采用联邦滤波算法,构建了两级结构的联邦卡尔曼滤波器.子滤波器分别处理GPS和DR传感器信息,主滤波器进行信息融合,并对子滤波器进行信息分配和重置,克服了GPS单独使用时因信号中断而引起的系统失效,使系统具有更好的容错能力,进一步提高了系统的定位精度.试验结果证明了算法的有效性.     

一种基于路况的渐消记忆陀螺误差补偿方法

针对GPS/DR组合导航系统在汽车直行和转弯时速率陀螺误差特性不同的情况,提出了一种基于路况的渐消记忆陀螺误差补偿方法。这种方法在GPS信号正常时根据路况不同实时计算陀螺刻度因子误差;当GPS丢星时,用GPS正常时计算的刻度因子误差补偿速率陀螺。在实际工程应用中,用此方法补偿低成本GPS/DR组合导航系统的陀螺误差后再进行EKF容错滤波,在GPS丢星后一段时间内,仍能保持较好的导航精度。     

基于联邦卡尔曼滤波器的车载GPS/DR信息融合

车栽GPS/DR组合导航系统中,需要把不同特性的传感器信息进行融合,实现系统整体状态的最优估计.设计了GPS/DR信息融合的联邦卡尔曼滤波器,局部滤波器分另q处理GPS和DR传感器信息,主滤波器进行信息融合,并对局部滤波器进行信息分配和重置.克服了单独使用GPS或DR时产生的系统失效、累积误差大等问题.仿真试验结果表明:GPS/DR组合定位比GPS单独定位具有更高的定位精度和客错能力.     

多传感器自适应容积卡尔曼滤波融合算法

当容积卡尔曼滤波的系统模型不准确或测量出现异常时容易出现滤波发散。为了解决这一问题,提出了一种自适应容积卡尔曼滤波算法,构造了一组噪声统计估计器对噪声的统计特征进行在线实时估计,并在测量异常时采用修正函数对滤波过程进行修正,有效提高了滤波估计的精度和对滤波发散的抑制能力;在集中式滤波结构和联邦式滤波结构的基础上,设计了一种基于自适应容积卡尔曼滤波算法的多传感器系统混合式组合滤波结构,并给出了融合各传感器的局部滤波信息以得到全局滤波估计的计算方法。以对车辆的定位导航为应用背景进行了仿真实验,仿真结果证明了所提方法的有效性。     

基于环境信息的自适应卡尔曼滤波器在GPS/IMU组合导航中的应用*

提出了一种基于环境信息的模糊逻辑控制器来在线调节联合卡尔曼滤波器的自适应数据融合方法,并着重研究了在GPS/IMU组合导航中的应用。根据子系统的新息序列构造各传感器的环境信息,采用模糊逻辑控制器实现信息分配系数的计算,将卡尔曼滤波器调整到最优状态,从而提高组合导航系统的精度。仿真结果证明这种方法提高了数据融合的可靠性和精度。     

一种基于DR/GPS/MM的组合定位系统数据融合算法

针对盲区中使用INS惯性导航系统进行定位存在误差积累的问题,提出一种基于DR航位推算、GPS全球定位系统和MM地图匹配的组合定位系统数据融合算法。该算法利用GPS和MM中得到的位置信息,一方面用于更新DR的定位信息,另一方面用于修正陀螺仪比例因子和里程表比例因子等参数,提高定位精度,防止DR系统推导的车辆定位误差的积累。通过MATLAB进行仿真实验,验证了此算法的有效性。实验结果表明,此算法可以有效约束INS的误差积累,提升导航系统的性能。     

基于cubature Kalman filter的INS/GPS组合导航滤波算法

INS/GPS组合导航系统的本质是非线性的,为改善非线性下INS/GPS组合导航精度,提出将一种新的非线性滤波cubature Kalman filter（CKF）应用于INS/GPS组合导航中.为此,建立了基于平台失准角的非线性状态模型和以速度误差及位置误差描述的观测模型,分析了CKF滤波原理,设计了INS/GPS组合滤波器,对组合导航非线性模型进行了仿真.仿真结果显示,相对于扩展卡尔曼滤波（EKF）,CKF降低了姿态、位置和速度估计误差,CKF更适合于处理组合导航的状态估计问题.     

基于自适应Kalman滤波的加速度计动态数据处理

针对实际使用条件下的加速度计的动态测试,讨论了一种加速度计的动态数据处理方法.动态测试中,由于实际情况的时变性和随机性,噪声统计特性可能是未知的且时变的,先验的数据也因此失去意义;另外,动态测试中野值也会对测试精度产生严重的不利影响;运用抗野值自适应Kalman滤波算法对动态数据进行了处理,结果表明该方法能够有效的剔出测试过程中粗大误差、过程干扰以及环境噪声的影响.     

基于改进卡尔曼滤波算法的盲多用户检测器

基于盲检测器的新典范表示形式,提出了一种多径信道下CDMA系统的盲多用户检测器。该检测器使用了一种改进的自适应卡尔曼滤波算法,它在进行状态滤波的同时,在线估计时变的未知噪声统计特性,提高了算法的滤波精度,确保了算法收敛于期望用户。仿真表明,对比原有的随机梯度（LMS）算法,该算法的收敛、跟踪性能更好,且误码率减小了18.7%。     

基于无迹卡尔曼滤波的被动多传感器融合跟踪

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.     

改进的自适应Kalman滤波在SINS/GPS组合导航中的应用

全球定位系统（GPS）因信号受到遮挡和干扰而产生观测量突然失准,使捷联式惯性导航系统（SINS）/GPS组合导航的卡尔曼滤波器性能急剧下降。针对上述问题,提出了一种改进的自适应卡尔曼滤波的方法,通过失准时的新息对先验状态均方误差阵进行自适应调节,解决了新息协方差与实际严重不符的问题。仿真实验中,对比了传统的卡尔曼滤波、自适应卡尔曼滤波、自适应抗差卡尔曼滤波和改进的自适应卡尔曼滤波的估计性能,证明了所提出算法的有效性。