一种改进的高精度组合导航滤波算法仿真

在INS/GPS组合导航系统的研究中,为了解决非线性滤波算法在系统模型不确定情况下出现的滤波精度低、鲁棒性差的问题,提出了一种将强跟踪滤波算法与容积卡尔曼滤波算法(CKF)相结合的组合导航滤波算法(SMFCKF).SMCKF算法将强跟踪滤波算法中的多重次优渐消因子引入到CKF算法的状态预测协方差矩阵中,对不同的状态通道进行相应的渐消.通过建立INS/GPS组合导航系统的非线性模型,对改进的滤波算法进行仿真,结果表明改进的滤波算法提高了滤波精度和鲁棒性,滤波效果优于CKF算法,适合应用于INS/GPS组合导航系统中,为飞行器组合导航优化提供了参考.     

多渐消因子平方根容积卡尔曼滤波算法

针对平方根容积卡尔曼滤波（square root cubature kalman filter,SCKF）在系统模型不准确和状态突变情况下鲁棒性差的问题,提出了一种多渐消因子平方根容积卡尔曼滤波算法（multiple fading factors strong tracking SCKF, MSTSCKF）。MSTSCKF引入强跟踪思想,通过多渐消因子实时调整增益矩阵,建立多渐消因子数值求解方法,克服多渐消因子求解依赖先验知识的不足;采用假设检验理论对系统异常进行检测,降低误判概率,提高滤波稳定性。通过仿真分析,比较了SCKF、单渐消因子平方根容积卡尔曼滤波（single strong tracking SCKF,STSCKF）和MSTSCKF的算法性能,实验表明MSTSCKF具有更好的跟踪精度和鲁棒性。     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

改进型CKF算法及其在GNSS/INS中的应用

针对容积卡尔曼滤波算法(CKF)在高阶非线性系统应用中,局部容积点采样不准确及系统状态突变导致滤波精度降低甚至发散的问题,提出一种改进型CKF(TSCKF)算法.采用新的容积点采样规则提高非线性函数映射准确性,进而提高滤波精度;引入强跟踪滤波(STF)的渐消因子,提升算法在状态突变时的鲁棒性.将此算法应用于GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)紧组合导航系统中,仿真结果表明,该算法能够显著提高导航精度,鲁棒性强,在状态突变情况下依然可以满足导航精度要求.     

确定采样型强跟踪滤波飞机舵面故障诊断与隔离

为了克服扩展多模型自适应估计中扩展卡尔曼滤波的理论局限性,多重渐消因子强跟踪改进引起的滤波发散现象以及多维高斯故障概率计算量大等问题,本文将一类基于确定解析采样近似方法的非线性次优高斯滤波与多模型自适应估计相结合,提出了改进的多重渐消因子强跟踪非线性滤波快速故障诊断方法.确定采样型滤波克服了扩展卡尔曼滤波的理论局限性;推导了等效多重渐消因子计算方法,避免了非线性系统雅克比矩阵的计算,提高了故障突变时的跟踪性能;提出了基于平方根分解的改进的一步预测协方差更新方程,保证了滤波稳定性;提出了基于欧几里得范数简化的故障概率计算方法,降低了计算量.通过对比仿真验证了3种不同非线性滤波算法及其强跟踪改进算法的有效性,故障诊断方法跟踪性强、速度快、精度高,具有较好的鲁棒性和稳定性.     

简化高阶强跟踪容积卡尔曼滤波及其在组合导航中的应用

针对传统容积卡尔曼滤波(CKF)在面对系统模型失配和状态突变滤波精度下降的问题,将强跟踪滤波器(STF)和高阶容积卡尔曼滤波(HCKF)相结合,提出一种简化高阶强跟踪容积卡尔曼滤波(RHSTCKF)算法.该算法具有比传统CKF更高的滤波精度,并且利用滤波模型的特点,简化HCKF的计算步骤,同时在HCKF中引入多重渐消因子增强算法的自适应性和应对状态突变的能力.将所提算法应用到SINS/GPS组合导航系统中进行仿真实验,结果表明,RHSTCKF可以准确估计出突变状态的真实值,能够抑制滤波器状态异常的干扰,滤波性能明显优于HCKF,能够提高组合导航系统的自适应性和定位精度.     

改进的CKF算法及其在BDS/INS中的应用

针对标准容积卡尔曼滤波(CKF)在组合导航系统模型不确定情况下滤波精度下降甚至发散的问题,将奇异值分解(SVD)与CKF算法相结合,并引入强跟踪滤波(STF)理论,提出一种改进的强跟踪SVD-CKF算法.为提高数值计算的稳定性,采用SVD代替标准CKF中的Cholesky分解;引入STF理论框架,通过渐消因子对预测误差协方差阵进行在线修正,在系统模型不确定或系统发生大的突变时,能够提高系统的强鲁棒性.通过仿真结果验证了改进算法的有效性.     

基于目标跟踪的自适应广义高阶CKF算法

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合广义高阶容积卡尔曼滤波和强跟踪滤波算法,提出了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）方法。采用广义高阶容积准则和矩阵对角化变换,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。将提出的AGHCKF算法应用于带有未知状态突变的机动目标跟踪问题并进行数值仿真,结果表明,AGHCKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。     

改进的强跟踪SVD-UKF算法在组合导航中的应用

针对无迹卡尔曼滤波（Unscented Kalman Filter,UKF）在系统强非线性或状态模型不精确的情况下,存在滤波精度降低甚至发散的问题,提出一种改进的强跟踪SVD-UKF算法。该算法采用奇异值分解（Singular Value Decomposition,SVD）的方法改进UKF中状态协方差矩阵的迭代,保证协方差矩阵的非负定性及迭代的稳定性;算法基于强跟踪滤波（Strong Tracking filter,STF）理论框架,对改进的SVD-UKF引入多重渐消因子自适应调整状态协方差矩阵,在系统状态发生突变的情况下,实现系统真实状态的强跟踪。将该算法在BDS/INS组合导航中仿真验证,结果表明了该算法的有效性。     

自适应混合阶SSRCKF及其在组合导航中的应用

传统的容积卡尔曼滤波（CKF）在处理强非线性系统时存在精度低甚至发散的问题,高阶容积卡尔曼滤波（HCKF）提高精度的同时也会大幅度提高计算复杂度,同时在高维系统中存在负权值影响算法的稳定性。针对以上问题提出了一种自适应混合阶球面最简相径容积卡尔曼滤波（AMSSRCKF）,该算法采用混合阶最简相径容积规则（MSSR）采样获得了比CKF更高的精度,同时结合了多重渐消因子强跟踪滤波算法,提高了算法的鲁棒性。最后,将该算法应用于组合导航系统仿真,结果表明,AMSSRCKF可以有效抑制系统状态突变的影响,提高了组合导航系统的定位精度和鲁棒性。     

基于改进容积卡尔曼的PMLSM无传感控制研究

在永磁直线同步电机(PMLSM)的无传感器控制系统中,需要对动子的位置和速度进行实时状态估计.针对标准的容积卡尔曼滤波算法在PMLSM无传感控制中存在状态协方差矩阵易失去非负定性,以及噪声统计特性未知时变导致的滤波精度降低甚至发散的问题,提出一种容积卡尔曼滤波的改进算法.该算法结合平方根滤波和改进的渐消型记忆时变噪声估...     

基于多渐消因子强跟踪UKF 和约束AR模型的故障估计与预测

针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.

     

基于强跟踪滤波器的交互式多模型算法

针对传统的EKF-IMM算法鲁棒性较差等问题,提出了一种基于强跟踪滤波器（STF）的交互式多模型算法。该算法通过引入强跟踪滤波器（STF）的渐消因子,实现了对滤波器增益的实时调节,从而提高了系统对机动目标的自适应跟踪能力和跟踪精度。仿真结果表明,在目标不发生机动时,该算法和EKF-IMM算法的跟踪效果相近,在目标发生强机动时,该算法在径向速度和方位角的跟踪精度要优于EKF-IMM算法;提出的算法具有更优的机动目标跟踪性能。     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

基于改进当前统计模型的自适应无源跟踪算法

针对无源跟踪中,标准当前统计模型无法自适应调整加速度极限值的缺点,设计了一种修正系数来通过机动目标的当前加速度自适应调整模型的加速度极限值,同时利用模糊控制的方法对修正系数的取值进行实时调整,实现了对当前统计模型的改进。最后结合容积卡尔曼滤波算法构造基于改进当前统计模型的自适应无源跟踪算法。仿真结果表明,相比基于标准当前统计模型的自适应跟踪算法,新算法对非机动目标、弱机动目标以及强机动目标都有更好的跟踪效果。