抗野值自适应Kalman滤波在MEMS加速度计信号处理中的应用

针对MEMS加速度计在复杂应用环境下输出信号中存在野值,且其噪声统计先验知识不足的问题,运用了一种抗野值自适应Kalman滤波算法,采提高其测量精度.该算法用一个修正函数加权于自适应Kalman滤波方程的新息上,根据新息的方差和均值变化自适应调整修正权值,从而保持序列原有性质.通过对输出信号的算法验证,表明该算法能够有效在线去除野值,防止滤波发散,在提高MEMS加速度计测量精度上有一定的可行性.     

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。     

一种改进的机动目标跟踪算法

针对传统Singer滤波算法,跟踪机动目标精度较低、收敛较慢的问题,提出了一种改进的Singer算法,该算法根据新息的衰减记忆平均值和加速度滤波值,实时调整过程噪声协方差矩阵,改变滤波增益,减小了位置的均方根误差,并提高了速度和加速度的滤波精度,通过Matlab仿真,证明了该算法的可行性。     

模型参数自适应的低复杂度ATPM-VSIMM算法

在机动目标跟踪中,针对交互式多模型算法使用固定模型集和固定转移概率矩阵导致跟踪精度下降的问题,提出模型参数自适应更新的低复杂度ATPM-VSIMM算法。所提算法根据系统新息变化情况来判断目标是否出现机动,从而调整模型集的状态噪声,实现模型集的自适应更新;然后,根据模型后验概率变化情况和模型间的相互切换关系,准确地计算出转移概率矩阵,从而提高系统运动模型和目标运动轨迹的匹配程度,保证跟踪系统具有滤波精度高和响应速度快的优点。从模型后验概率初值、转移概率矩阵初值和状态噪声三方面验证了所提算法的有效性。仿真结果表明,ATPM-VSIMM算法的空间位置跟踪精度比现有算法提高了8%左右。     

抗野值Kalman滤波在靶场测量数据处理中的应用

在无人机飞行参数测量中,由于杂波等各种偶然因素的影响,往往使测量数据中存在着大量的野值,从而造成测量数据的严重失真甚至使滤波过程发散.通过对测量数据新息序列的分析,提出了野值判定的方法,并通过对新息序列进行修正来消除野值的影响.Matlab仿真的结果表明该方法可以有效判别和修正野值,提高了滤波精度.     

基于时间序列预测修正"新息"的测量数据的野值点去除

在实际测量中,由于野值的影响,Kalman滤波新息的特性遭到破坏,滤波不再准确甚至发散.针对此-现象,提出了基于"新息"序列和时间序列预测联合修正的方法对测量数据进行处理的新算法.该算法运用"新息"序列进行野值点判别,利用时间序列观测的方法对野值点处的"新息"进行修复.仿真证明,该算法可使状态估计与野值点判别同时进行,并能很好的抑制滤波的发散.     

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.     

基于变步长增益调整的机动目标跟踪新算法

针对Singer模型的缺陷和“当前”统计模型存在的对弱机动目标跟踪能力较差的缺陷进行了改进,设计了一种新的加速度自适应模型;利用该模型设计出新的机动目标跟踪滤波算法,该算法对机动目标跟踪的综合性能有了较大的提高。在此基础上,为了减少滤波增益矩阵的计算量,使算法易于微机工程化实现,提出对滤波增益矩阵进行变步长调整的新方法,即通过在线检测算法确定何时有必要进行滤波增益的调整,而不需要每一步都计算增益矩阵,从而较多地降低了滤波算法的计算量。通过以上两个方面的改进,不仅提高了机动目标跟踪的精度,而且提高了目标跟踪的快速性和实时性。仿真验证表明该算法有良好的跟踪性能,而且计算量小,易于微机工程化实现。     

马尔可夫参数自适应IFIMM算法研究

针对新息滤波交互式多模型(IFIMM)算法中切换过程模型概率滞后的问题,提出了模型概率转移矩阵马尔可夫参数自适应的新息滤波多模型算法(AMP-IFIMM),该方法采用后验信息修正不准确的先验信息,自适应的调整马尔可夫转移矩阵的参数.切换时刻较多地遗忘非匹配模型的信息,放大匹配模型的信息,在保证滤波精度的同时,大大提高了模型间切换速度.将该算法应用到CA,CV两模型组合导航系统取得了良好的效果.     

基于改进Singer模型的机动目标跟踪方法

Singer模型使用标准卡尔曼滤波器对机动目标进行跟踪,当系统模型不准确或噪声统计特性不确定时,容易引起滤波发散或跟踪精度下降等问题。针对这种情况,本文提出了一种采用自适应渐消卡尔曼滤波的Singer模型算法(AKF Singer),通过引入渐消因子来抑制滤波器的记忆长度,自适应的调整新息权重和滤波器增益,从而避免发散。仿真结果表明,本文所提算法能够有效抑制滤波发散,相比于传统Singer模型,具有更好的跟踪稳定性和更高的跟踪精度。