基于UPF的GPS/SINS组合导航系统设计

建立了GPS/INS非线性误差模型,利用UPF滤波算法实现了该组合系统定位功能,一方面针对UKF估计误差协方差极易非正定的问题进行了正定化处理;另一方面在粒子滤波环节针对重采样导致的粒子多样性降低的问题,增加了MCMC移动步骤.实验结果表明:应用UPF实现的组合导航系统定位精度明显优于EKF和UKF,且定位误差波动幅度较小,既能够满足非线性系统的导航精度要求,又能够满足定位系统对滤波稳定性的要求.     

基于SMSS-UKF的机载单站无源定位算法

基于机载单站无源定位中常用的扩展卡尔曼滤波具有近似线性方程的雅可比矩阵计算困难、不敏卡尔曼滤波(UKF)具有计算量较大的问题,提出了基于改进的变尺度最小斜度不敏卡尔曼滤波(SMSS-UKF)的机载单站无源定位算法,该方法采用最小斜度采样策略进行Sigma 点采样,减少Sigma点提高计算效率,利用变尺度不敏变换克服了采样点非局部效应问题。同时,针对大部分定位跟踪模型中状态方程为线性方程的特点,依据在线性状态方程情况下的贝叶斯理论,运用卡尔曼滤波状态预测的方法进行UKF的最优状态预测,使状态预测避免了不敏变换的数值近似误差和Sigma采样点计算的复杂性,提高了算法的运行效率和滤波精度。仿真实验的结果证明了SMSS-UKF滤波算法的有效性。     

一种改进粒子滤波算法分析

在非线性、非高斯系统的状态估计研究中,最常用的是EKF和UKF两种方法,但是这两种方法还局限于高斯分布的情况。在之后的研究中出现了不受非线性、非高斯分布问题限制的粒子滤波算法。这种算法的主要问题是粒子退化问题,常规的再采样方法虽然可以解决退化问题,但是容易导致粒子耗尽。针对这种问题,本文提出用辅助变量粒子滤波算法,对标准粒子滤波算法步骤中的再采样部分进行改进,最后对算法进行性能仿真及分析。仿真结果表明,改进的粒子滤波算法性能良好。     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

基于SR-UKF的高动态GPS信号参数估计

高动态环境下,全球定位系统（GPS）信号具有较强的非线性特性,为了更好地对高动态条件下的GPS信号载波进行跟踪,提出了一种基于平方根UKF（SR-UKF）算法的高动态GPS信号参数估计方法。分析了高动态环境下GPS信号载波相位模型,运用SR-UKF算法对高动态GPS信号的载波相位及其前三阶导数进行估计。仿真对比了SR-UKF、不敏卡尔曼滤波（UKF,Unscented Kalman Filter）和扩展卡尔曼滤波（EKF）载波跟踪算法的性能。仿真结果表明,SR-UKF的估计精度要好于EKF,与UKF基本一致,验证了该算法的可靠性和有效性。     

UKF改进算法在组合导航INS误差校正中的应用

针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法与全球定位系统/惯性导航系统(Global Positioning System/Inertial Navigation System,GPS/INS)组合导航模型不匹配,且鲁棒性不足,难以适应INS 元件的随机性和突变性的问题,提出了一种UKF改进算法。该算法有效结合了混合滤波思想、平方根滤波技术及交互式多模型结构,分别克服了算法与线性/非线性模型不匹配,协方差矩阵非正定以及参数设置难以适应模型不确定性的问题。仿真实验分别考察了新算法在INS平台角初始大误差及加速度计零偏突变两种情况下的表现。实验表明,新算法在估计精度及鲁棒性方面比UKF有较大提高,能够有效校正INS元件产生的随机和突变误差。     

扩维UKF在目标状态估计器中的应用

在火力/飞行控制(IFFC)系统的目标状态估计器(TSE)设计中,通常目标运动模型可精确地在直角坐标系下建模,同时在传感器坐标系下所获得的目标量又是直接可用的,但一般量测模型是非线性的,滤波器模型需采用非线性滤波方法.为了提高状态估计器的估计精度,在UKF(Unscented Kalman Filter)算法基础上,介绍了一种新的AUKF(Augmented UKF)滤波方法.此算法的思想是尽可能多地利用系统的量测信息,把系统和量测噪声同状态变量联系起来一起考虑,即把系统和量测噪声也列为状态.这要求预测方程产生的采样点同样被应用到更新方程,从而使噪声项的作用通过非线性方程进行传递.通过Monte-Carlo仿真与EKF(Extented Kalman Filter)算法进行了比较,仿真结果表明新算法的有效性和实用性.     

基于UKF的单站无源定位改进算法

针对在单站无源定位中UKF算法由于数值计算的舍入误差带来的滤波发散以及计算量较大问题,文中提出了一种采用奇异值分解和超球体采样的UKF滤波算法。该算法将标准UKF算法中的协方差矩阵进行奇异值分解,避免算法在递推过程中,由于计算舍入误差而引起协方差矩阵失去正定性,而导致算法失效的问题。并且新算法采用超球体采样策略,减小了采样点的数量,提高了计算效率。仿真实验结果证明了该算法的有效性。     

基于修正SUKF的固定单站无源定位跟踪算法

针对基于超球面单形采样策略的SUKF在初始误差和观测误差较大时滤波性能下降的问题,以固定单站无源定位目标跟踪为应用背景,引入后向平滑处理,并结合系统模型特点对算法作进一步的优化,提出一种修正的SUKF算法。理论分析和仿真实验表明,文中所提算法相对于传统UKF和SUKF算法,在运算开销增加不大的前提下,有效提高了算法的稳定性和滤波精度,具有一定的工程实用意义。     

基于UKF的神经网络自适应全局信息融合方法

为了解决神经网络(NN)在数据融合过程中权值实时更新问题,依据神经元激活函数的非线性特点,提出了一种利用Unscented卡尔曼滤波(UKF)实现神经网络权系数自适应调整的模型及方法,从而使全局融合信息最优.并分别以仿真数据及DGPS/GPS/RLC/罗经等设备组成的舰船导航系统实测数据为例,首先对各局部滤波器进行UKF滤波,然后分别利用神经网络卡尔曼滤波(NNKF)及神经网络非线性卡尔曼滤波(NNUKF)进行数据融合,仿真和试验结果表明,所提方案对提高整个系统的精度和运算速度是行之有效的.