基于最大熵Kalman滤波的机载SINS自标定技术

针对在机载捷联惯导系统(SINS)自标定过程中,量测噪声呈非高斯分布,导致经典Kalman滤波性能降低的问题,该文提出了基于最大熵Kalman滤波(MCKF)的机载SINS自标定技术。该方法采用最大相关熵准则(MCC)替代经典Kalman滤波的最小均方误差准则,有效利用信号的高阶矩信息,并将其应用于机载SINS自标定系统中。仿真结果表明,在非高斯噪声条件下,该方法能够估计出机载SINS待标定参数,且算法的鲁棒性和误差项估计精度均优于经典Kalman滤波,具有一定的工程应用价值。     

基于最大熵卡尔曼滤波的机载SINS星敏感器辅助空中标定技术

为增强机载捷联惯导系统（SINS）在自标定过程中的可观测性,提升陀螺仪漂移和加速度计零偏估计的速度和精度,引入星敏感器姿态信息和GPS速度信息,辅助完成捷联惯导系统的空中标定。同时,考虑在实际空中飞行条件下,受气流、电磁干扰等影响,姿态和速度的量测噪声呈非高斯分布且噪声统计特性不精确,导致经典卡尔曼滤波性能降低。为有效利用量测信号中的高阶矩信息,在卡尔曼滤波中采用最大熵准则代替最小均方误差准则,对星敏感器辅助下的机载捷联惯导系统的误差进行标定。仿真结果表明,经最大熵卡尔曼滤波后,惯性器件误差的标定精度明显提升;在采用星敏感器后,对陀螺仪漂移的标定速度和精度都得到了提升。     

基于改进K-means聚类的惯性行人导航零速检测算法

行人导航中不同运动状态下零速区间的运动数据也有所不同,这就要求零速检测算法具有良好的适应性。针对利用阈值实现零速检测的算法在多种运动状态下适应性差的问题,该文提出了一种基于改进K-means聚类的零速检测算法（Zero-velocity interval detection algorithm based on improved K-means clustering, IKC）。首先,在运动的开始阶段,通过K-means聚类对角速度数据进行聚类,从而得到零速区间与非零速区间的中心点;然后根据设定的数据点到中心点的距离条件对零速区间与非零速区间进行划分,相比于其他算法,优化了数据处理过程,有效缩短了计算时间,并且不依赖阈值条件,有效提高了该算法的适应性;同时,根据零速区间与非零速区间的持续时间判断运动状态是否改变,若发生改变则重新进行K-means聚类获取新运动状态的中心点。最后,在实际行人导航系统中对新提出的算法进行了实验验证,从计算量及行人导航精度等方面与步态特征提取的K均值聚类自适应判别算法（K-means Clustering Adaptive Detection, KCA）、基于贝叶斯的自适应阈值零速检测算法（Bayesian Adaptive Threshold Detection, BAT）进行了对比分析。结果表明,本文提出的基于改进K-means聚类的零速检测算法不仅有效的减小了计算时间,而且具有较高的导航精度和导航稳定性。