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。     

GPS/DR组合导航抗差自适应滤波算法

针对GPS/DR车辆组合导航系统的数学模型具有非线性,应用扩展卡尔曼滤波进行线性化会导致滤波结果出现较大误差的问题,引入了抗差自适应滤波算法。利用计算机仿真,分别对抗差自适应Kalman滤波和自适应Kalman滤波算法进行仿真验证,结果表明,抗差自适应滤波不但能自适应地确定观测噪声的协方差矩阵,而且能利用自适应因子调节状态参数噪声的协方差矩阵,可以控制观测异常和动态模型噪声异常对状态参数估值的影响,使状态参数的估值更加合理。自适应Kalman滤波使位置误差控制在30m,而对抗差自适应Kalman滤波能使位置误差控制在18m左右,且误差控制更稳定。     

自适应Sage-Husa粒子滤波及其在组合导航中的应用

针对非线性滤波问题,提出一种新的自适应Sage-Husa粒子滤波算法。通过Sage-Husa滤波方法计算状态估值和协方差阵来获得重要性密度分布函数,充分考虑了最新量测信息的影响,并利用欧氏距离和反映量测噪声统计特性的精度因子自适应地调整粒子权值的分布,降低粒子退化程度,提高了滤波精度,适用于非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和粒子滤波比较,仿真结果表明,自适应Sage-Husa粒子滤波能提高导航系统定位的解算精度,得到的东向和北向定位误差控制在?5.3m附近,其性能明显优于扩展Kalman滤波和粒子滤波。     

基于抗差自适应Kalman滤波的车辆定位新方法（英文）

针对车辆定位的特点,提出一种基于旋转调制技术及运动学约束的车辆定位新方法。首先,对量测方程进行改进,并对量测噪声进行白化;然后,针对系统存在动态模型误差及观测异常情况,采用抗差自适应Kalman滤波算法抑制上述误差对状态参数估计的影响;最后,将该方法应用到实际的车辆定位系统中。实验结果显示,与传统Kalman滤波法的结果相比,新方法得到的东向和北向最大位置误差均小于Kalman滤波算法,定位精度较Kalman滤波算法提高26.7%,表明该方法具有很好的鲁棒性和自适应能力,能有效抑制系统模型误差及观测异常对系统的影响,从而提高车辆定位精度。     

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。     

量测噪声有限记忆在线估计简化算法

量测噪声有限记忆在线估计方法通过对新息序列的实时统计计算,更新系统量测噪声阵 R,增强了滤波器的自适应能力。但量测噪声有限记忆在线估计方法需要在每个滤波周期内对量测噪声阵 R 进行估计并更新统计周期内的量测新息,存在着信息统计与数据更新计算量大的不足。针对此问题,提出了一种基于协方差匹配技术的自适应滤波算法,将协方差匹配技术与量测噪声有限记忆在线估计方法相结合,根据协方差匹配结果,选择性统计量测噪声阵 R。仿真结果表明,简化算法可以在保证滤波精度相当的前提下,减小计算量,提高实时性。     

基于Elman神经网络和Kalman滤波的捷联惯导精对准

在采用Kalman滤波进行捷联惯导精对准时,当模型存在误差或系统噪声不能反映实际噪声时,会降低滤波精度甚至导致滤波发散.针对这个问题,提出基于Elman神经网络和Kalman滤波的捷联惯导精对准方法.首先对已知噪声统计特性的系统进行Kalman滤波,将稳定可靠的状态估值作为网络期望输出用来训练Elman网络,然后再用训练好的网络对未知噪声统计特性系统进行状态估计.利用仿真数据对该算法进行验证,结果表明该算法能够克服Kalman滤波精对准的缺陷,提高了对准精度,尤其是航向角的精度.     

基于Allan方差解耦自适应滤波的MHD/MEMS信号融合方法

为满足卫星平台对宽频带角速率测量需求,补偿磁流体动力学(MHD)微角振动传感器低频误差,提出了一种基于Allan方差的解耦自适应Kalman滤波方法,实现了MHD微角振动传感器与MEMS陀螺仪的组合测量。该方法使用Allan方差计算量测噪声的方差,克服了标准Kalman滤波对模型参数精确性要求较高的缺点,同时避免了自适应Kalman噪声参数耦合易滤波发散的问题。实验证明解耦自适应Kalman对单频和混频信号均实现较好融合效果,均方误差降低至融合前的30%,信噪比改善超过10 dB。融合后的输出信号满足卫星千赫兹带宽的测量需求,可用于惯性测量单元中。     

简化UKF滤波在SINS大失准角初始对准中的应用

基于欧拉平台误差角的概念提出了大失准角误差条件下的捷联惯导系统（SINS）非线性初始对准误差模型,该模型无法再用经典的加性噪声模型描述。为了降低滤波计算量,在系统模型噪声和量测噪声均为复杂加性噪声并且量测方程是线性方程时,推导了简化的UKF（unscented Kalman filter）滤波方法,简化UKF滤波公式显示：除通过非线性状态方程使用UT（unscented transformation）变换进行状态及其方差预测外,其它滤波步骤与标准Kalman滤波完全相同。最后,对静基座下SINS初始对准进行了仿真试验,结果表明大失准角条件下的SINS误差模型和简化UKF滤波估计方法是有效的。     

光纤陀螺信号的解耦自适应Kalman滤波降噪方法

针对光纤陀螺(FOG)输出信号的随机噪声问题,提出了一种解耦自适应Kalman滤波方法用于FOG信号降噪。方法采用Allan方差分析法估计量测噪声的方差参数,Kalman滤波过程与量测噪声方差的估计过程完全独立,避免了Kalman滤波器与量测噪声估值器间的相互耦合。利用时间序列分析法对FOG的随机噪声进行建模,并在建立的二阶自回归模型的基础上,采用本文滤波方法对采集的FOG实测数据随机噪声进行了试验验证。与传统方法相比,提出的滤波方法具有更好的降噪效果,噪声均方误差降低40%以上。     

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。     

一种改进的自适应卡尔曼滤波及在组合导航中的应用

总结了常用的自适应滤波的方法,并提出一种新的自适应卡尔曼滤波技术,它克服了传统滤波器的不稳定问题,因为传统的卡尔曼滤波过程依赖于系统过程和测量过程的数学模型和其统计模型的正确性的滤波技术.自适应过程是利用测量新息序列和状态修正序列在估计移动窗内是分段静态,来直接估计系统噪声协方差Q和测量噪声协方差(R).仿真结果表明此方法可以提高GPS/INS组合导航系统的精度和可靠性.     

捷联惯导系统初始对准中Kalman参数优化方法

针对Kalman滤波器在捷联惯导系统（SINS）初始对准中的应用，系统分析了Kalman滤波器参数（包括估计误差协方差阵初值P0，模型噪声方差阵Q和量测噪声方差阵R）选取对系统状态变量的估计精度和收敛速度的影响。采用协方差性能分析法，进行了Kalman滤波器参数优化仿真，仿真结果表明：调整扁的取值可改变状态变量估计的收敛速度，调整Q或R的取值，既可改变状态变量（尤其是陀螺误差）的收敛速度又可改变它们的估计精度。综合考虑时，局的取值要比真实值大一些，Q和R的取值要比真实值小一些，这样既可缩短陀螺误差和加速度计偏置误差的估计时间，又可提高它们的估计精度。中还给出了使滤波器正常可靠工作的P0、Q和R参数的范围。     

基于极大似然准则的INS/GNSS组合导航自适应UKF滤波算法

为提高INS/GNSS组合系统对过程噪声方差不确定性的鲁棒性,提出一种基于极大似然准则的自适应UKF算法。在该算法中,首先利用新息向量的统计信息构造量测向量的后验概率密度,然后通过极大似然准则在线求取过程噪声方差的估值,并将其反馈至UKF滤波过程,用于调整卡尔曼增益矩阵。提出的算法可以抑制过程噪声方差不确定性对滤波解的影响,克服了UKF的缺陷。仿真结果表明,当过程噪声的标准差增大为其真实值的4倍时,相比于UKF,提出方法的导航精度可至少提高45.5%;相比于ARUKF,其导航精度也可至少提高35.7%。跑车实验结果也验证了提出算法的有效性。     

基于新息自适应卡尔曼滤波算法的多类型结构响应重构

为改善传统卡尔曼滤波KF(Kalman filter)算法在过程噪声方差和测量噪声方差未知的情况下响应重构精度降低甚至发散的问题，提出了一种基于新息自适应卡尔曼滤波IAKF(innovation-based adaptive Kalman filter)算法的多类型响应重构方法。首先根据新息统计特性对卡尔曼滤波增益和状态估计误差协方差矩阵进行实时自适应调整；然后利用有限测点的加速度传感器的测量数据，结合模态法对结构各个位置的加速度、速度、位移以及应变进行响应重构；最后对起重机桁架和简支梁分别进行数值模拟和试验分析。结果表明，该方法能够有效地调整过程噪声方差并估计测量噪声方差，未测点的重构响应时程曲线与计算响应或测量响应时程曲线吻合良好。     

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%。     

随机振动控制系统中含未知噪声方差的自适应滤波

通过构造出关于模型噪声和量测噪声的方差的泛函,以泛函数极小为目标,提出了随机振动控制系统中含未知噪声方差的自适应滤波优化准则,用ＤＦＰ优化方法求解出模型噪声和量测噪声的方差,从而保证Ｋａｌｍａｎ滤波的结果为最优,并应用ＬＱＧ方法实现振动控制。     

自适应UKF滤波在SINS初始对准中的应用

为了缩短捷联惯导系统的初始对准时间并提高对准精度,分别设计了平淡卡尔曼滤波器(UKF)和自适应平淡卡尔曼滤波器(AUKF)用于精对准。在系统噪声统计特性未知时,AUKF算法能自动平衡状态信息与观测信息在滤波结果中的权比,以实时调整状态向量和观测向量的协方差,从而提高系统的性能。实验结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的对准精度和快速性,在东、北、天三个方向上,其失准角精度分别提高了0.2′、0.2′和4′;收敛时间分别缩短了10 s、30 s和25 s。     

Nonlinear filters for chaotic oscillatory systems

This paper examines and contrasts the feasibility of joint state and parameter estimation of noise-driven chaotic systems using the extended Kalman filter (EKF), ensemble Kalman filter (EnKF), and particle filter (PF). In particular, we consider the chaotic vibration of a noisy Duffing oscillator perturbed by combined harmonic and random inputs ensuing a transition probability density function (pdf) of motion which displays strongly non-Gaussian features. This system offers computational simplicity while exhibiting a kaleidoscope of dynamical behavior with a slight change of input and system parameters. An extensive numerical study is undertaken to contrast the performance of various nonlinear filtering algorithms with respect to sparsity of observational data and strength of model and measurement noise. In general, the performance of EnKF is better than PF for smaller ensemble size, while for larger ensembles PF outperforms EnKF. For moderate measurement noise and frequent measurement data, EKF is able to correctly track the dynamics of the system. However, EKF performance is unsatisfactory in the presence of sparse observational data or strong measurement noise.