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。     

强跟踪CKF及其在惯导系统初始对准中的应用

容积卡尔曼滤波(CKF)是常用的惯性导航系统(INS)初始对准算法。针对在模型失配和观测噪声干扰情况下常规容积卡尔曼滤波出现精度下降甚至发散的问题,提出了一种自适应渐消滤波算法,引入多重渐消因子对预测误差协方差阵进行调整。设计了基于滤波残差序列统计特性的滤波状态x~2检验条件,检测滤波器故障并确定是否引入渐消因子,使渐消因子的引入时机更加合理,有效增强了算法的自适应性。仿真试验表明,新算法可以有效提高初始对准精度及鲁棒性。     

基于强跟踪滤波的车载行进间对准

针对车载行进间对准过程中存在复杂路面和未知干扰的情况,提出基于强跟踪滤波的里程计辅助车载捷联惯导行进间对准方法。采用多重渐消因子的强跟踪滤波器进行车载行进间精对准。多重渐消因子的强跟踪滤波器利用卡尔曼滤波取得最佳增益时残差序列互不相关的性质,在线自适应地调整渐消因子,对未知干扰有较强的鲁棒性。建立行进间对准的状态方程与观测方程,针对三种不同路况进行了8次跑车行进间对准试验。试验结果表明:强跟踪滤波能适应恶劣复杂路况;精对准后航向误差(1?)≤3.6′,满足指标要求。     

强跟踪-容积卡尔曼滤波在弹道式再入目标跟踪中的应用

对于具有一定机动能力的弹道式再入目标跟踪问题,稳定性好、鲁棒性强、收敛精度高的估计方法是保证跟踪精度的关键。针对再入运动模型和测量体制的强非线性以及目标机动引起的滤波精度下降问题,提出一种将强跟踪滤波(STF)和基于三阶球面-向径容积规则的容积卡尔曼滤波(CKF)相结合的强跟踪-容积卡尔曼滤波(STCKF)。通过将强跟踪算法中的自适应渐消因子引入到滤波时间更新和测量更新方程中,在线实时调整滤波增益矩阵,能有效避免模型失准造成的滤波性能下降,使该算法兼具CKF滤波精度高和STF鲁棒性强的优点。通过数学仿真表明,改进后的STCKF可以实现对具有机动的弹道式再入目标的高精度跟踪,相对于CKF精度提高50%,并且具有更强的鲁棒性和自适应能力。     

基于奇异值分解的多重渐消鲁棒Cubature卡尔曼滤波及在组合导航中的应用

为了提高标准Cubature卡尔曼滤波（CKF）的稳定性和鲁棒性,提出一种改进的多重渐消H∞滤波Cubature卡尔曼滤波算法。首先基于系统状态的可观测性给出多重渐消因子矩阵求解过程,提高滤波算法的稳定性,抑制滤波发散;其次,引入H∞鲁棒思想,构造多重渐消H∞滤波Cubature卡尔曼滤波器;最后,提出采用一种奇异值分解的矩阵分解策略代替标准Cubature卡尔曼滤波中的Cholesky分解,进一步提高算法的数值稳定性。实际GPS/INS组合导航实验表明,改进的多重渐消H∞滤波Cubature卡尔曼滤波算法不仅能有效抑制滤波发散提高算法的稳定性,而且对观测野值具有更高的鲁棒性;提出的新算法与标准CKF算法相比,XYZ三个方向的位置精度分别提高了55.8%,46.6%和39.7%。     

改进的强跟踪UKF算法及其在INS/GPS组合导航中的应用

针对标准UKF缺乏对系统状态异常的自适应调整能力,导致滤波精度降低的问题,提出一种改进的强跟踪UKF算法。该算法采用假设检验的方法对异常状态进行检测,当系统状态发生异常时,对预测协方差阵引入次优渐消因子自适应的调整滤波增益,实现对系统真实状态的强跟踪。该算法中次优渐消因子的确定无需计算系统模型的雅克比矩阵,提高了传统强跟踪UKF的实用性。将提出的算法应用于INS/GPS组合导航系统进行仿真验证,并与标准UKF进行比较,结果表明,在系统状态存在异常时,提出的带单重次优渐消因子的强跟踪UKF得到的东向、北向位置误差在[-13.7 m,14.9 m]以内,带多重次优渐消因子的强跟踪UKF得到的东向、北向位置误差在[-10.0 m,12.1 m]以内,滤波性能明显优于标准UKF,提高了组合导航系统的解算精度。     

一种基于自适应去偏转换滤波的机动目标跟踪（英文）

针对于机动目标的跟踪问题,提出了一种基于交互式多模型的自适应去偏转换卡尔曼滤波器。该算法利用交互多模型算法来完成不同跟踪模型的相互切换;根据自适应去偏转换测量卡尔曼滤波算法来推导跟踪目标状态,同时自适应因子可以确保不正常测量时的鲁棒性。与传统的去偏转换卡尔曼滤波算法对比,该算法可以很好地改善所获量测信息在雷达被干扰时的目标跟踪精度。仿真结果表明了算法的有效性和可行性,且跟踪精度相对传统的去偏转换卡尔曼滤波算法减少9.38%的位置误差。     

基于改进强跟踪滤波的广义系统传感器故障诊断及隔离

在广义系统故障诊断过程中,若系统动态模型中存在不确定性,传统的无迹卡尔曼滤波算法将失去其传感器故障估计精度。为解决该问题,提出一种改进的强跟踪卡尔曼滤波算法以实现广义连续-离散系统的传感器故障诊断及隔离。首先,提出基于多重渐消因子的强跟踪滤波算法以实现动态模型存在不确定性广义连续-离散系统的故障诊断;然后提出一种结合多模型自适应估计的强跟踪卡尔曼滤波(STUKFMMAE)算法以实现传感器故障的有效隔离。最后,针对基于广义连续-离散系统的惯性传感器故障模型提出仿真算例。仿真数据表明,传统无迹卡尔曼滤波对于传感器故障估计误差为0.002左右,而提出的基于多重渐消因子的强跟踪滤波算法对于传感器故障估计误差最大值为未超过4×10~(-4),且STUKFMMAE相较于UKFMMAE算法具有更好的隔离效果。仿真结果验证了设计方案的有效性。     

渐消卡尔曼滤波器的最佳自适应算法及其在陀螺随机常值漂移标定中的应用

本文依据卡尔曼滤波器在使用最佳增益时，其余差序列互不相关的性质，开发了一种新的渐消滤波算法。该算法根据对象输出，在线自适应地调整遗忘因子，从而使滤波器在对象模型存在误差或对象受到外扰时，仍收敛并保持最佳性。该算法应用于陀螺随机常值漂移的标定，取得较好效果     

一种基于自适应去偏转换滤波的机动目标跟踪

针对于机动目标的跟踪问题,提出了一种基于交互式多模型的自适应去偏转换卡尔曼滤波器.该算法利用交互多模型算法来完成不同跟踪模型的相互切换;根据自适应去偏转换测量卡尔曼滤波算法来推导跟踪目标状态,同时自适应因子可以确保不正常测量时的鲁棒性.与传统的去偏转换卡尔曼滤波算法对比,该算法可以很好地改善所获量测信息在雷达被干扰时的目标跟踪精度.仿真结果表明了算法的有效性和可行性,且跟踪精度相对传统的去偏转换卡尔曼滤波算法减少9.38％的位置误差.