模糊自适应滤波在水下航行器组合导航系统中的应用

为了提高水下航行器组合导航系统精度和可靠性,针对水下航行器组合导航系统量测噪声统计特性随实际工作环境的不同而变化的特点,提出了基于模糊自适应联邦卡尔曼滤波的水下组合导航算法。通过监测理论残差与实际残差的协方差的一致程度,应用模糊系统不断调整滤波器的增益系数,对子滤波器进行在线自适应调整,从而实现导航状态的最优估计滤波。通过对联邦滤波器信息分配系数模糊自适应调整,减少了滤波计算量,提高了滤波实时性。软件仿真实验结果表明：模糊自适应滤波可以有效地提高水下航行器组合导航系统的精度和可靠性,提高导航滤波实时性,克服传统的滤波算法的缺点与不足。     

基于指数渐消遗忘因子的组合导航自适应滤波算法

量测信息异常导致的噪声统计特性变化容易引起组合导航滤波精度下降甚至发散。针对Sage-Husa自适应滤波算法估计系统量测噪声参数性能对遗忘因子依赖性强的问题,提出了基于指数渐消遗忘因子的自适应滤波算法。在对故障检测函数判断量测噪声统计特性研究的基础上,构建了基于指数函数的动态遗忘因子模型,提升量测信息异常情况下的导航精度。与卡尔曼滤波、Sage-Husa自适应滤波、基于滑动遗忘因子自适应滤波等三种算法对比的仿真和跑车试验结果表明,所提出的算法在存在量测异常的情况下,导航性能提高显著,导航位置精度均提高20%以上。     

一种新型自适应模型预测组合滤波在在线标定中的应用

为了提高捷联惯性导航系统在线标定的精度和实时性,根据模型预测滤波算法和Sage_Husa自适应卡尔曼滤波算法的优点,提出了一种新的自适应模型预测组合滤波算法。该算法首先利用模型预测滤波算法估计出系统模型误差,并对系统状态方程实时修正,以减小系统模型误差对导航精度的影响;然后利用简化的自适应滤波算法对量测噪声在线调整,修正噪声统计特性,以提高滤波精度。将提出的算法进行在线标定仿真实验,并与传统的卡尔曼滤波在线标定算法进行比较,结果表明,提出的自适应模型预测组合滤波算法能有效完成在线标定,且标定精度和收敛速度均优于传统方法。     

基于模糊迭代均方根容积卡尔曼滤波的天基非合作目标跟踪

针对非合作航天器相对导航中测量噪声不确定的问题,提出了一种模糊迭代均方根容积卡尔曼滤波算法,实现对非合作目标相对状态的测量。该算法利用容积点均方根迭代策略和模糊推理系统实时调整改进容积卡尔曼滤波的量测噪声协方差阵权值,修正量测噪声协方差阵,使其接近真实噪声值,从而提高目标跟踪算法的自适应能力,提高了滤波精度。通过建立数学仿真模型,分别采用扩展卡尔曼滤波、容积卡尔曼滤波以及模糊迭代均方根容积卡尔曼滤波进行跟踪仿真,仿真结果表明,与标准容积卡尔曼滤波相比,该改进算法能够提高13.17%的跟踪精度。     

基于马氏距离的联邦卡尔曼滤波在SINS/SRS/CNS导航中的应用

可靠的导航信息是实现飞行器精准控制的重要条件。为提高SINS/SRS/CNS组合导航系统的可靠性与精度,提出了一种基于马氏距离的自适应联邦卡尔曼滤波算法(MD-AFKF)。在子系统传感器异常而导致产生异常量测信息时,采用基于马氏距离的噪声估计方法适时调整子系统量测噪声统计特性,同时通过在信息融合和分配阶段引入自适应融合系数与分配系数,进一步衡量各子滤波器的滤波效果并调节其协方差阵,减少不准确的子滤波器估计对主滤波器的污染。最后通过仿真验证,相较于传统联邦卡尔曼滤波算法,基于马氏距离的自适应联邦卡尔曼滤波在传感器出现量测异常时,其速度和位置精度均提高了50%以上,提高了导航系统的精确性和稳定性。     

一种新的自适应UKF算法及其在组合导航中的应用

为了提高组合导航系统的滤波精度,提出一种带噪声统计估计器的自适应UKF滤波算法。该算法根据协方差匹配原理,利用UKF滤波算法的残差序列与新息序列,在线估计、调整系统过程噪声和量测噪声的统计特性,提高UKF的自适应能力,克服了标准UKF在系统噪声统计未知或不准确情况下滤波精度下降甚至发散的问题。将提出的算法应用于SINS/BDS组合导航系统进行仿真验证,并与标准UKF和抗差UKF进行比较,结果表明,提出的自适应UKF得到的水平位置误差和天向误差分别在[?6.2 m,?6.4 m]与[?9.8 m,?8.6 m]以内,滤波性能明显优于标准UKF与抗差UKF,提高了组合导航系统的解算精度。     

基于小波变换的自适应滤波技术在组合导航系统中的应用

针对组合导航系统中在线校正的误差噪声模型具有时变性的特点，使用小波变换对观测量进行预滤波，并使用自适应滤波技术进行在线校正，克服了常规卡尔曼滤波需要精确的误差模型的缺点。仿真结果证明：在系统和量测模型不确定时，文中提出的基于小波变换的自适应滤波能够使系统误差在较短的时间内收敛，并与常规卡尔曼滤波器的精度相当。     

一种基于M估计的抗差自适应多模型组合导航算法

针对复杂环境下因量测噪声统计特性时变及量测粗差而引起的组合导航精度下降的问题,提出了一种基于M估计的抗差自适应多模型组合导航算法。所提算法突破了传统交互式多模型算法定结构的限制,凭借所提出的模型集自适应调整策略,能够快速估计量测噪声统计特性,并利用模型概率信息对模型转移概率矩阵进行实时修正;引入了基于M估计的抗差Kalman滤波算法,以提高滤波抗差能力。以SINS/DVL组合导航系统为例,通过仿真和长江试验对所提算法进行了验证,结果表明所提算法有效降低了量测噪声统计特性时变及量测粗差对滤波精度的影响。在长江试验中,所提算法相比AIMM算法,东、北向速度误差和位置误差的均方根误差分别下降了44%、36%和41%、53%,水平定位精度提升了约45.9%,定位精度提升显著。     

权值自适应调整Unscented粒子滤波及其在组合导航中的应用

针对粒子滤波存在的重要性密度函数难以选取和粒子退化问题,提出了一种新的权值自适应调整Unscented粒子滤波算法。该算法在Unscented粒子滤波的采样过程中吸收权值自适应调整的优点,考虑最新量测影响,通过欧氏距离和反映量测噪声统计特性的精度因子来自适应的调整粒子对应权值分布,增加有用粒子的权值,降低粒子退化程度,保持粒子多样性。同时Unscented变换提高了滤波精度,使该算法能更好地适用于非线性、非高斯系统模型的计算。将提出的算法应用于GPS/DR组合导航系统进行仿真验证,结果表明,提出的权值自适应调整Unscented粒子滤波算法得到的东向定位误差控制在±5.5 m附近,北向定位误差则在±5.2 m附近,滤波性能明显优于扩展卡尔曼滤波和Unscented粒子滤波,能提高GPS/DR组合导航系统解算精度。     

基于模糊自适应强跟踪滤波的惯性/地磁组合导航方法

针对在量测噪声统计特性发生变化时,基于滤波算法的惯性/地磁组合导航系统存在精度下降甚至发散的问题,提出了一种基于模糊自适应强跟踪滤波算法的惯性/地磁组合导航方法,该方法通过制定模糊规则,实时监控系统残差变化,自适应地调整柔化因子的大小,即增强了滤波器对时变噪声的跟踪能力又保证了滤波器处理当前信息的能力.仿真结果表明:该方法能够很好地抑制纯惯性导航系统随时间累积的误差,而且在量测噪声统计特性发生变化时,系统误差没有出现明显的跳变,保证了整个导航系统的精度,提高了系统的鲁棒性.     

改进遗传人工神经网络在组合导航中的应用

鉴于常规卡尔曼滤波算法组合导航系统数据融合算法中,存在易于发散的缺陷,尝试将遗传优化人工神经网络引入组合导航系统中.针对传统遗传算法存在的易早熟、算法稳定性差、固定的交叉和变异概率影响收敛效果等缺点,采用浮点式编码方式,两两竞争的选择策略、引入突变操作、重新定义交叉算子和自适应的交叉变异算子等措施进行了遗传算法的改进.仿真结果表明,改进后的算法更为有效,并且精度与常规卡尔曼滤波算法相当.     

自适应Kalman滤波在SINS初始对准中的应用

为了提高捷联惯导系统的对准精度和收敛速度,提出了一种基于Sage-Husa自适应滤波算法的初始对准方法。针对方位小失准角的情况,推导出精对准误差模型和自适应Kalman滤波方程。常规Kalman滤波算法,在噪声统计特性已知的情况下,使用比较方便;多数情况下,噪声统计特性是处于未知状态,从而引入自适应Kalman滤波算法。它利用观测到的数据自动进行噪声统计特性的在线估计和修正,使系统达到最佳的滤波效果。通过仿真验证,该自适应滤波算法有效地提高了收敛速度和对准精度。     

组合导航传感器容错滤波算法及应用

采用多重渐消Kalan滤波最优自适应算法对基于Kalman滤波器的残差检验方法做出了改进，构造了组合导航传感器容错滤波算法。在保持滤波器最优性和收敛性的同时，具有较好的动静态特性，适用于组合导航传感器故障检测和隔离。该算法简单便于实施。     

MIMU/GNSS紧组合精密单点定位协方差成形自适应滤波方法

针对精密单点定位应用需求,研究了MIMU/GNSS紧组合协方差成形自适应滤波方法。给出了"位臵滤波器+速度滤波器"的分布式滤波器设计方案以降低计算复杂度;推导了地理系紧组合导航系统模型,并把伪距测量不一致性偏差扩展至系统状态向量中予以估计,从而提高系统对于动态环境下伪距测量偏差抖动的适应能力。协方差成形自适应滤波算法利用Frobenius范数来衡量系统残差噪声水平建模状态与实际状态的匹配程度,并以最小化Frobenius范数作为优化指标,动态调节滤波增益,以此来提高状态估计精度、平稳性与鲁棒性。地面静态试验表明:紧组合协方差成形自适应滤波器定位误差均值与均值稳定性均优于标准卡尔曼滤波器,定位精度提高了约50%,能够提供亚米级单点定位导航服务。相较于集中式滤波器设计方案,分布式滤波器方案计算复杂度降低了63.5%。     

基于进化人工神经网络的组合系统滤波技术

在组合系统运用Kalman滤波器技术时,准确的系统模型和可靠的观测数据是保证其性能的重要因素,否则将大大降低Kalman滤波器的估计精度,甚至导致滤波器发散.为解决上述Kalman应用中的实际问题,提出了一种新颖的基于进化人工神经网络技术的自适应Kalman滤波器.仿真试验表明该算法可以在系统模型不准确时、甚至外部观测数据短暂中断时,仍能保证Kalman滤波器的性能.     

平滑变结构滤波在航天器组合导航中的应用

针对系统模型不准确或噪声无法建模等导致的组合导航精度下降问题,在闭环间接滤波方案中引入一种基于变结构和滑模控制概念的平滑变结构滤波器(SVSF),该滤波器对于建模的不确定性和给定上限但无法建模的扰动噪声具有较好的稳定性和鲁棒性。将提出的方案应用于航天器SINS/GNSS组合导航系统中,进行仿真验证,并与EKF滤波器进行比较。仿真结果表明:SVSF尽管不是"最优"滤波器,但其精度与EKF相当,可实现位置精度优于10 m,速度精度优于0.01 m/s;在模型误差与测量误差增大和系统突变等情况下,其较EKF更加具有抗干扰能力,可提高导航系统的鲁棒性和稳定性。     

基于Allan方差解耦自适应滤波的旋转SINS精对准方法

对旋转式SINS精对准方法进行了研究,由于转位机构转动干扰以及惯性器件误差不确定性带来的影响,旋转式SINS状态方程和量测方程噪声方差参数难以确定,进而导致初始对准精度降低,针对这个问题引入自适应Kalman滤波技术。Sage-Husa是一种常用的自适应滤波算法,但是存在噪声参数强耦合缺陷。通过研究Allan方差与量测噪声方差之间的关系,利用Allan方差滤波器具有带通滤波的特点,独立计算量测噪声协方差阵R_k,该方法能够有效克服Sage-Husa滤波耦合问题,相比其它改进方法具有简单易实现等特点。对该研究进行了仿真实验与实际系统验证实验,结果表明:对于中等精度光纤陀螺单轴旋转SINS,自适应Kalman滤波算法航向角对准精度比标准Kalman滤波算法精度要高0.6’左右,且在误差估计过程中,自适应Kalman滤波器能够更好地抑制外界干扰误差的影响,是一种较好的精对准方法。     

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。     

带模型误差系统的自适应卡尔曼滤波在捷联惯导系统初始对准中的应用研究

对于有模型误差的惯导系统,采用常规卡尔曼滤波会导致较大的状态估计误差,甚至使滤波器发散。可采用自适应卡尔曼滤波算法,通过引入虚拟噪声,利用观测数据带来的信息,在线改进滤波器的设计,并将其运用到捷联惯导系统的初始对准中,由此得到的滤波估计比常规卡尔曼估计具有更高的精度和准确度。试验及计算机仿真结果验证了该方法的有效性。     

GPS/INS组合导航系统中的高斯粒子滤波混和算法

采用非线性滤波器的惯性组合导航系统中,非线性滤波器的精度和实时性直接决定了惯性组合导航系统的性能.计算量和精度之间的矛盾是制约粒子滤波在GPS/INS组合导航系统中应用的主要因素.在分析高斯粒子滤波算法原理的基础上,提出了一种高斯粒子滤波混和算法,对系统线性部分采用线性递推方式,对系统非线性部分采用非线性递推方式,从而提高高斯粒子滤波精度和实时性.针对GPS/INS组合导航系统,混和算法利用卡尔曼滤波的线性递推方式进行量测更新,仿真结果表明混和算法在较少粒子条件下,相对高斯粒子滤波算法精度提高20％,滤波时间降低40％.