容错信息融合滤波算法的研究

本文针对容错组合导航的特点，提出一种新的信息融合滤波算法，该算法既能提高系统的容错性能，使系统具有良好的实时故障检测、隔离和重构的能力，又能使系统出现故障时，重构的系统由于获得了融合的系统信息，以较高的精度工作。文中证明该算法与集中卡尔曼滤波器等效，因而是最优的。     

联邦滤波理论在组合导航系统设计中的应用

为了解决导航信息大量冗余情况下组合导航系统计算量过大及故障数据互相污染的问题，本文探讨了具有容错结构的无复位联邦滤波器的设计方法，包括公共参考系统的选定及信息的合理分配原则，并对集中滤波器和联邦滤波器作了对比仿真计算。仿真结果表明：融合周期为滤波周期的１０倍时，联邦滤波精度与集中滤波精度几乎相同。     

改进的LMS算法在INS/SMNS组合导航中的应用

在惯导/景象匹配组合导航中,数学模型和噪声统计信息很难准确地给出,且景象匹配导航系统的输出值随机、有限甚至可能存在误匹配,这些都导致了目前适合于该组合的信息融合算法不多,而组合导航中常用的Kalman滤波算法在该系统中也难以收敛.为了寻找新的适合于该系统的信息融合算法,研究了基于最优估计理论的变步长最小均方算法和规格化最小均方算法,并将它们应用于惯导/景象匹配组合导航中.仿真结果表明,这两种算法与固定步长最小均方算法相比,抗干扰能力强;与递推最小二乘算法相比,它们滤波精度相同,但这两种算法结构简单,计算量小,耗时少,所以这两种算法适合于惯导/景象匹配组合导航.     

一种基于特征值分解的自适应信息融合滤波算法

基于分散滤波理论的联合滤波算法,可以有效地降低组合导航系统的计算负担,并且增强系统的容错性能。本文给出了一种联合滤波算法中信息分配系数的自适应计算方法,能够使联合系统根据导航过程中各传感器的信息质量的变化合理地反馈全局信息。仿真结果表明该算法可以有效地降低由于导航子系统降级带来的滤波误差。     

奇异值分解H_∞联邦滤波及其在传递对准中的应用

捷联惯导(SINS)合成孔径雷达(SAR)组合导航系统中,SINS与SAR天线附加的惯性测量元件(IMU)之间的抗干扰、动态快速传递对准是一个研究难题。为了既不增加滤波器阶数,减小计算量,又能提高传递对准的速度和精度。在吸收现有滤波算法优点的基础上,提出了一种新的奇异值分解H∞联邦滤波算法。首先,建立了速度+姿态+位置匹配更新的传递对准模型,利用基于奇异值分解的H?子滤波器进行滤波,得到系统状态的局部最优估计值;然后,通过联邦滤波器对局部最优估计值进行融合得到全局最优估计值。仿真结果表明,提出的滤波算法得到的失准角估计值能在200s内收敛,且分别稳定在3'、-5'和20',性能明显优于H∞滤波和联邦滤波。新的滤波算法不但速度快,精度高,而且计算量小,抗干扰性好,为提高传递对准的精度提供了一种新方法和新途径。     

广义联邦滤波器的全局最优性

基于分散化滤波算法和信息分配原理,建立了广义联邦滤波器设计理论。证明了联邦滤波器当其主滤波器和局部滤波器的维数都相同时,其全局滤波和集中卡尔曼滤波等价,是最优的;同时提出当主滤波器维数和局部滤波器维数不相同时,达到全局滤波最优的解析补偿方法,其附加计算量小,并可作为一种性能指标用于子系统的软故障检测。在组合导航系统中运用此方法对非公共状态信息进行补偿,仿真结果验证了该方法的有效性。     

基于捷联惯导的航空重力测量滤波算法

在航空重力测量中通常需要采用卡尔曼滤波来对比力测量误差进行估计。针对航空重力测量只需要进行事后处理的特点，提出了两种新方法来提高比力测量的精度：一是最优卡尔曼滤波平滑算法，该算法的估计值是前向／反向卡尔曼滤波器的估计值的最优组合；二是迭代算法，由于在滤波模型中通常不对重力异常进行建模，而模型误差的存在会降低滤波精度，迭代算法的基本思想是将重力异常估计值代入新的导航解算，以此降低重力异常对滤波估计精度的影响。仿真分析表明所提出的方法能有效提高比力测量的精度，同时表明滤波估计是有偏的，因此还需要采用网格平差等方法来消除系统误差。     

一种改进的姿态匹配船体变形测量方法

针对船体变形测量系统中模型不确定以及未知噪声影响导致的误差问题,分析并推导了模型偏差对滤波估计的影响,提出一种基于姿态匹配的强跟踪最大互相关熵卡尔曼滤波(STMCKF)算法,用于船体变形估计。该算法采用姿态匹配,基于两套惯性系统的姿态信息确立滤波观测量并建立线性量测方程,通过自适应在线调整多个渐消因子对多个数据通道进行渐消,减小模型失配导致的误差,并设计基于最大互相关熵准则为最优准则的滤波算法,减小量测过程中受到的非高斯噪声产生的误差。最后,在模型不匹配及噪声不确定的条件下进行了仿真验证。仿真结果表明,与传统卡尔曼滤波相比,变形估计精度提高10%～30%,提高了系统鲁棒性和环境适应性。     

混合粒子联邦滤波在多信息组合导航系统中的应用

在组合导航多信息滤波系统的应用中,会遇到部分子滤波器为非线性系统的情况。提出了一种混合粒子联邦滤波方法,把高斯粒子滤波获取多维高斯分布的计算过程融入到联邦卡尔曼滤波结构框架中,并采用该滤波框架解决混合系统的多信息融合问题,该算法在滤波模型的适应性方面要优于传统的联邦滤波。以组合导航多信息融合问题为例,建立了混合粒子联邦滤波模型,对该算法进行了仿真,仿真结果验证了混合粒子联邦滤波的有效性。     

加窗傅里叶滤波和相干增强扩散在条纹去噪中的比较分析

光学干涉测量具有非接触、高精度和全场测量的优点,能对形变、折射率、位移等信息进行测量。噪声滤除是光学干涉测量产生的条纹图像处理的一个关键问题。加窗傅里叶滤波(Windowed Fourier Filtering,WFF)与自适应加窗傅里叶滤波(Adaptive Windowed Fourier Filtering,AWFF)是有效的频域去噪算法。相干增强扩散(Coherence Enhancing Diffusion,CED)则是基于偏微分方程的空域去噪算法。针对条纹去噪问题,比较了WFF、AWFF和CED在不同密度和不同噪声类型的条纹图上的表现,分析了它们的适用条纹类型。     

信息融合技术在INS/GPS/DVL组合导航中的应用研究

为克服某船载导航系统不能满足长时间高精度导航定位需要的缺点,提出了一种基于信息融合技术的INS/GPS/DVL联邦滤波器组合导航方案.介绍了INS/GPS/DVL联邦滤波器的工作模式,在建立INS、GPS和DVL误差模型的基础上,推导了滤波器的组合形式,并详细阐述了该联邦滤波器的融合算法.通过计算机仿真技术分析了该组合导航系统的性能,仿真证明了所设计的联邦滤波器可以充分利用各种导航传感器的信息,提高导航系统的精度,比单独的惯性导航系统能提供更为精确的位置、速度和姿态信息,有效地提高了导航系统的综合能力.     

基于不同局部模型的联合滤波算法研究

从组合导航系统研究的角度出发，提出了一种基于不同局部模型的联合滤波算法，并对INS/GPS/Doppler组合导航系统进行了仿真。结果表明：该算法不要求局部模型一致，增强了系统的通用性，提高了运算速度。     

联合卡尔曼滤波及其在综合惯性导航系统初始标定中的应用

本文针对由ＩＮＳ及ＥＳＧＭ 组成的综合惯性导航系统的特点,设计了该系统标校阶段的 联合卡尔曼滤波器。文中给出了该联合卡尔曼滤波器的结构及其算法,该算法具有计算量少、 数据传输量小的优点。理论分析及仿真结果表明该联合卡尔曼滤波算法具有全局最优性,能够 满足系统的标定精度要求,且应用该联合滤波器可大大提高系统的容错性。     

一种自适应联合卡尔曼滤波器及其在车载GPS/DR组合导航系统中的应用研究

—本文设计了实现车载ＧＰＳ／ＤＲ组合导航系统最优综合的联合卡尔曼滤波器，并给出了滤波算法。提出了一种自适应联合卡尔曼滤波器结构及其算法，并应用于ＧＰＳ／ＤＲ组合导航系统的最优综合校正中。理论分析及计算机仿真结果均表明，应用该自适应联合卡尔曼滤波器可大大提高车载ＧＰＳ／ＤＲ组合导航系统的定位精度及容错能力。     

基于时间序列分析的自适应联邦滤波算法

以信息源的视角审视联邦滤波信息分配系数的问题,提出基于时间序列分析的自适应联邦滤波算法。通过引入导航传感器历史数据作为信息基础,以自回归滑动平均模型对其进行分析,使信息分配系数与导航传感器工作状态和环境状态相适应,提高系统性能。将此算法应用于组合导航系统,通过仿真实验对比,新的算法比经典联邦滤波算法定位精度提高40%,比其他的自适应联邦滤波算法位置误差标准差、速度误差标准差分别平均提高19.74%和30.67%,说明该算法具有良好性能。     

基于UKF的INS/GNSS/CNS组合导航最优数据融合方法

为了提高INS/GNSS/CNS组合系统的导航精度,提出了一种基于UKF的多传感器最优数据融合方法。该方法具有两层融合结构,第一层中,GNSS和CNS分别通过两个局部UKF滤波器与INS组合,以并行的方式获得INS/GNSS和INS/CNS子系统的局部最优状态估值;第二层中,根据线性最小方差准则推导出一种矩阵加权数据融合算法,对局部状态估值进行融合,获取系统状态的全局最优估计。提出的方法无需采用方差上界技术对局部状态进行去相关处理,克服了联邦卡尔曼滤波(FKF)及其优化形式存在的缺陷。仿真结果表明,相比于FKF,提出方法的导航精度可至少提高36.4%;相比于UKF-FKF,其导航精度也可至少提高21.0%。     

INS/双星/GPS联邦最小二乘滤波容错结构研究

采用联邦最小二乘滤波信息融合的方法对INS／双星／GPS组合导航系统进行了研究，并将联邦卡尔曼滤波的四种典型容错结构应用到联邦最小二乘滤波中，对四种结构的容错性能进行了仿真研究。仿真结果表明：联邦最小二乘滤波能有效提高INS／双星／GPS组合导航系统的精度及容错能力。     

一种组合导航信息融合算法品质评估方法

针对组合导航信息融合算种类繁多,给决策带来了优选的难题,提出了一种信息融合算法品质评估方法.首先对算法品质进行了全面的分析,提出了一套反映算法的精度、实时性、稳定性及可靠性的评估指标体系,并给出了定义及数学模型;然后研究了多指标综合评判问题,针对传统模糊评判法确定的指标权重客观性差,确定的评判等级分辨率不强等问题,采用熵技术修正权重,并将评判等级进行区间量化,基于此提出了一种改进的模糊综合评判模型.评估实验结果表明,所提出的指标体系能够比较全面、合理的评价算法的品质,改进的评判模型进一步提高了评估结果的客观性和分辨率,所提出的评估方法可以有效用于信息融合算法的品质评估.     

自适应联邦滤波器及其在组合导航系统中的应用

针对现有的信息分配方法在滤波精度和自适应性方面存在不足的问题,设计了一种在模糊神经网络基础上改进的自适应联邦滤波器,利用模糊神经网络自适应地调整信息分配系数,从而有效抑制干扰对子滤波器工作状态的影响,使主滤波器能够充分、有效地利用子滤波器的信息。将这种自适应联邦滤波器应用到MINS/GPS组合导航系统设计中,并对系统进行了仿真。通过与基于常规联邦滤波器的组合系统的仿真结果比较可知,自适应联邦滤波器的组合系统在性能上有了显著的提高,且速度误差标准差控制在0.06m/s以内,位置误差标准差控制在3.3m以内,具有良好的导航精度。