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.     

基于系统误差及其协方差阵 拟合的抗差自适应滤波

动态导航数据处理中基于系统误差及其协方差矩阵拟合的自适应滤波算法在一定程度上可以 抵制系统误差或区域性系统误差对动态导航定位结果的影响,但无法抵制异常扰动的干扰。考虑到观 测模型和动力学模型存在异常扰动时,整体控制状态噪声协方差阵的方法可以减弱扰动异常的影响,因 此提出一种基于系统误差及其协方差矩阵拟合的抗差自适应滤波算法。算例结果证实,该算法在减弱 系统误差影响的同时,还能有效地抵制观测异常和载体状态扰动异常对动态系统参数估值的影响。     

基于自适应Lasso的缺失数据图模型选择

考虑数据完全随机缺失情形下的高斯图模型选择问题.在惩罚似然方法的框架下,基于自适应Lasso惩罚提出自适应MissGLasso方法,并结合EM算法和GLasso算法对协方差逆阵进行估计.通过模拟发现,与MissGLasso方法相比,自适应MissGLasso方法在图模型选择和协方差逆阵估计上具有较优的表现.     

基于迭代CDKF的单站无源定位算法

针对单站无源定位系统存在滤波稳定性差、收敛速度慢和定位精度差等问题,提出一种迭代中心差分卡尔曼滤波算法.在迭代判决准则的约束下,重复利用观测信息对状态向量和误差协方差矩阵进行迭代估计使其更趋向真实值,同时用Levenberg-Marquardt优化方法调整预测误差协方差阵,保证算法的全局收敛.仿真结果表明,在不同参数测量精度条件下,该算法稳定性、收敛速度和定位精度较好.     

基于自适应卡尔曼滤波的GNSS矢量锁定环路

为了减小卫星信号信噪比变化对全球导航卫星系统(GNSS)接收机当中矢量锁定环路(VLL)的不良影响,使用一种基于新息的自适应卡尔曼滤波方法对其改进,以实现对VLL滤波器观测噪声协方差矩阵的实时调整．使用后处理软件全球定位系统(GPS)接收机处理信号发生器产生的中频数据以对提出的方法进行验证．实验结果表明,相对于传统标量环路(SLL),基于自适应卡尔曼滤波的VLL可以在信噪比降低甚至可见卫星数目不足的环境下工作,其载波频率跟踪精度及导航定位解精度均优于固定参数矢量环路和传统标量环路．     

基于递归抗差估计的高精度GPS动态定位方法

GTP短基线动态定位中,单个历元求解时多余观测较少,求解精度不高,可以用后面历元的观测来增加多余观测,这就形成块模型。由于观测存在粗差,本文采用抗差估计递归求解块模型的浮点解,并且基于抗差估计的方差协方差矩阵,用LAMBDA方法搜索整周模糊度,然后固定基线向量,就可得到当前及以前历元较精确的基线向量的估计。最后利用块模型设计阵的结构特点改进算法提高抗差估计的计算效率。大量数值试验表明本文方法是有效的。     

数据融合在目标对载机准确定位中的应用

基于卡尔曼滤波的数据融合理论在机载光电跟踪系统中的应用，建立目标对载机准确定位的物理模型和极坐标下的数学模型，研究观测值加权融合、观测状态向量合并和状态估计融合反馈三种算法，并进行协方差分析比较，仿真实验结果表明，观测值融合算法的性能优于其它算法。     

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.     

基于神经网络的新息自适应卡尔曼滤波在高速公路变形监测中的应用

实际应用中卡尔曼滤波的动态噪声和观测噪声往往不是固定的,提出运用新息自适应卡尔曼滤波法则对噪声进行实时估计。同时,为了克服新息自适应卡尔曼滤波要求系统模型过分精确的缺点,基于神经网络的新息自适应卡尔曼滤波算法,通过使用神经网络进行误差补偿来提高滤波性能,并运用于高速公路变形监测中。结果表明：该模型与原始观测值的残差全部降到了０.２５ｍｍ以下,说明该模型精度很高,在实际应用中具有一定的可行性。     

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.     

微机械陀螺非平稳随机信号改进GM-AR模型研究

为进一步提高中低精度器件微机械陀螺的测量精度,采用一种基于动窗平滑的GM(1,1)改进模型对微机械陀螺零输入条件下输出的非平稳随机漂移信号进行建模,去除了多种因素引起的确定性趋势项,并与常用的线性拟合、多项式拟合方法进行了对比研究.对比仿真结果表明,改进的GM(1,1)模型可以有效地去除漂移中的确定性趋势项,较以往效果有一定改善,去除了趋势项的残差序列经验证为平稳、零均值的随机过程,对该序列建立了AR模型,利用AIC信息准则检验了模型适用性,检验结果表明,AR(3)模型为适用模型.对补偿前后的漂移序列用Allan方差方法进行分析,可以有效实现对不同频段内噪声模型的辨识,对比结果表明,补偿后的漂移噪声参数有所减小,噪声信号得到有效抑制.     

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.     

均匀直线阵下通用信号模型稳健波束形成算法

针对非相干散射信号源稳健波束形成问题,提出了一种均匀直线阵下通用信号模型稳健波束形成算法．该算法通过引入数据共轭重排理论,利用定义的两个转换矩阵,重新构造信号协方差矩阵,给出了最优权矢量的实值闭式表达式,减少了算法的计算复杂度．仿真分析了期望信号信噪比、指向误差、快拍数及失配约束参数对输出信干噪比的影响．仿真实验表明,通过对接收数据的共轭重排再利用,提高了算法在快拍数有限、存在有用信号失配及其他失配等非理想条件下的输出性能．     

阵列估计误差和扰动误差引起方向图畸变的校正

针对由于取样协方差矩阵估计误差和导向矢量扰动误差的存在,使波束形成器产生高的旁瓣和畸变的主波束,提出了用代价函数校正导向矢量扰动误差引起的方向图畸变。当两种误差同时存在且为非白色高斯扰动时,可用联合处理法来校正方向图畸变。计算机仿真结果表明,这种校正方法是有效的。     

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．     

S波段两状态LMS信道模型的自适应长期预测

针对S波段模型参数可变的窄带两状态陆地移动卫星信道模型,基于加权预测思想提出一种自适应长期预测方法.首先将卫星通信下行链路的阴影遮蔽建模为两状态马尔科夫链的Gilbert-Elliot信道模型,然后利用加权预测思想预测未来长期内的信道状态,并基于最小均方算法由迭代自适应跟踪方法更新线性自回归模型的系数,进而预测出未来的信道衰落序列.研究结果表明:该方法能精确地预测出未来长期内的信道状态和衰落序列,且相比长期预测方法,改善预测性能,并具有实时性和低复杂度优点,可用于窄带LMS通信系统自适应传输性能分析.     

地形跟随系统中的自校正阵风减缓控制

本文对隐式多维极点配置广义最小方差自校正控制在地形跟随系统中的应用进行了研究。所采用的算法结构，可以满足飞机跟踪精度的要求，克服了选取加权因子的困难。并且，选取独立于加权因子的参数来实现在线调整加权因子，使闭环极点能够迅速地处于期望的位置上。仿真结果表明，系统的动态性能符合要求，跟踪误差也在允许的范围之内。     

基于两阶段TKF的测量死区下离散时间系统的故障估计

针对出现测量死区的离散系统,提出一种基于两阶段TKF的故障估计方法。引入2个Bernoulli随机向量描述输出死区,并设计了增广状态Tobit卡尔曼滤波器(augmented state Tobit Kalman filter, ASTKF)。通过两步U-V变换方法对ASTKF的协方差矩阵解耦,从而获得两阶段Tobit卡尔曼滤波器(two-stage Tobit Kalman filter, TSTKF),并且利用TSTKF解决了系统故障估计问题。对所提出方法进行仿真,并与标准卡尔曼滤波器、间歇观测下的卡尔曼滤波器进行比较,说明了该方法的可行性和准确性。