基于平面导航系的极区传递对准算法研究

针对极区经线快速收敛导致基于传统导航坐标系的传递对准模型和误差方程不适用的问题,提出了基于平面导航力学编排的极区传递对准算法,并设计了"速度+姿态"匹配的传递对准滤波模型。该算法基于Kalman滤波最优估计理论,利用舰艇主惯导高精度姿态、速度信息对局部基准姿态失准角进行估计补偿,以达到局部基准极区动基座条件下快速初始对准的目的。仿真结果表明,在中海况条件下,局部基准可在20s内完成方位精度为5′、水平姿态精度为3′的初始对准。     

大失准角传递对准算法研究

经典Kalman滤波器不适用于大失准角情况下的传递对准,故只能采用非线性滤波器进行失准角的次优估计,其工程实现效果无法满足惯性姿态系统对姿态精度的要求。针对上述问题,提出了动态解析对准与传递对准相结合的大失准角传递对准算法,设计了"速度+角速度"匹配的传递对准滤波模型。该算法利用动态解析对准算法完成大失准角的初步补偿,解决传递对准非线性误差模型无法进行线性化的问题。基于Kalman滤波最优估计理论,设计FIR低通滤波器完成观测信息去噪滤波,实现姿态失准角的最优估计补偿,以达到惯性姿态系统大失准角条件下快速精确传递对准的目的。试验结果表明,在大失准角条件下,惯性姿态系统可在50s内完成方位精度为3′、水平姿态精度为1′的初始对准。     

SINS初始对准中光纤陀螺EMD滤波

为了实现低成本SINS初始对准,降低对准过程复杂程度,提高系统对准精度,缩短对准时间,本文引入了EMD滤波技术。首先,采集IMU输出信号,根据EMD算法将信号分解为IMF簇,按照CMSE标准对信号进行重构,完成信号滤波处理;接着,按照AR模型对经EMD滤波前后的数据噪声进行建模;然后,分别利用原始信号和EMD降噪后信号进行SINS姿态粗对准;最后,根据IMU模型和SINS误差模型,采用零速对准方式,完成SINS精对准。实验结果表明:经EMD降噪后的信号粗对准精度为1.3°,精对准精度为0.87 mrad,精对准收敛时间为200 s。     

一种改进的速度加姿态匹配传递对准方法

为了提高传统速度加姿态匹配传递对准方法的快速性,设计了一种改进的传递对准方法,该方法提出在子惯导初始化之前利用主、子惯导陀螺和加速度计测量信息进行短时间的预对准,并设计了速度加姿态匹配的传递对准滤波模型。与传统传递对准方法相比,通过在预对准阶段直接计算主、子惯导之间的安装误差矩阵,子惯导进行初始装订时可以得到较小的初始姿态误差,从而使传递对准滤波器能够快速收敛,提高了对准的快速性和精确度。试验结果表明,通过预对准后对准滤波器在30s之内即可完成对准,姿态估计误差为1′,方位估计误差为1.5′,比传统传递对准方法具有更好的对准性能。     

一种维纳加权频域自适应时延估计算法

提出了一种基于频域自适应滤波的维纳加权时延估计算法。该算法首先实现了对输入信号的维纳自适应滤波预处理,然后在频域实现了自适应时延估计。该算法在将相位数据拟合时,做了一次加权处理,有效地改善了时延估计的精度和自适应收敛速度。最后用实测的直升机噪声数据进行了仿真,验证了新算法的有效性。     

应用于声反馈抑制的变步长归一化子带自适应滤波算法*

针对自适应滤波算法中稳态失调量和收敛速度之间的矛盾,提出了一种新的变步长归一化子带自适应滤波算法。该算法在系统噪声抵消原理的基础上,用迭代收缩的方法估计得到无噪先验子带误差的功率,对每个子带步长进行更新。对所提出的算法进行数学分析,可以得出该算法是稳定的和收敛的。在长回声路径和短回声路径两种情况下,将该算法应用于助听器声反馈抑制系统中。相对于其他归一化子带自适应滤波算法,仿真实验表明,所提算法实现了更快的收敛速度,获得了更低的失调量。     

小波网络辅助卡尔曼滤波的捷联惯导传递对准

初始对准精度是捷联惯导系统的主要误差来源之一。针对舰载机捷联惯导的传递对准模型准确建模困难,且测量噪声和过程噪声随舰船动态而变化,这样就会降低滤波的精度,卡尔曼滤波有一定的局限性,提出了将小波神经网络辅助卡尔曼滤波器用于惯导系统的传递对准。把能直接影响卡尔曼滤波估计误差的参数作为网络的输入,进过样本训练后,把网络的输出与经过卡尔曼滤波得到的结果相加,实现了捷联惯导的传递对准的滤波功能。这种新算法在实际应用中的非线性情况下优于传统卡尔曼滤波方法。仿真结果表明了其实用性和有效性。     

捷联惯导系统中卡尔曼滤波的应用研究

为提高捷联惯导系统初始对准精度,提出将卡尔曼滤波技术应用于系统初始精对准,用以估计系统的失准角和惯性误差。对卡尔曼滤波技术在捷联惯导系统中的应用进行分析,建立捷联惯导系统初始对准误差模型和卡尔曼滤波量测方程。分析不同条件下不同滤波方法的滤波原理和滤波精度。在此基础上,提出一种将预测扩展卡尔曼滤波应用于逆向导航技术的思路,并进行了理论分析和捷联惯导系统自对准流程设计,为后续进一步深入开展惯导系统初始对准奠定基础。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

基于P范数的核最小对数绝对差自适应滤波算法

为了进一步提高在a稳定分布噪声背景下非线性自适应滤波算法的收敛速度,本文提出了一种新的基于p范数的核最小对数绝对差自适应滤波算法(kernel least logarithm absolute difference algorithm based on p-norm, P-KLLAD).该算法结合核最小对数绝对差算法和p范数,一方面利用最小对数绝对差准则保证了算法在a稳定分布噪声环境下良好的鲁棒性,另一方面在误差的绝对值上添加p范数,通过p范数和一个正常数a来控制算法的陡峭程度,从而提高该算法的收敛速度.在非线性系统辨识和Mackey-Glass混沌时间序列预测的仿真结果表明,本文算法在保证鲁棒性能的同时提高了收敛速度,并且在收敛速度和鲁棒性方面优于核最小均方误差算法、核分式低次幂算法、核最小对数绝对差算法和核最小平均p范数算法.     

X荧光分析仪中数字基线估计的研究

在数字化X荧光分析仪中,不稳定的基线电压,会直接影响到仪器的性能,造成能量分辨率下降。基于此,利用卡尔曼滤波算法,对数字化后的X射线荧光信号进行基线估计。由于现有的经典卡尔曼滤波、简化sage-husa和改进sage-husa算法模型进行基线滤波的效果都不佳,因此有必要对现有的算法进行改进和优化。提出双重遗忘法,建立新型的基于sage-husa自适应卡尔曼滤波算法模型。实验结果表明,利用该数学模型进行基线滤波,取得了很好的滤波效果。避免了滤波发散和基线收敛缓慢的问题,实现了脉冲基线恢复,提高了仪器的能量分辨率。     

An approach of DVL-aided SDINS alignment for in-motion vessel

An in-motion alignment algorithm of strapdown inertial navigation system (SDINS) aided by Doppler velocity log (DVL) is described. As the bias and scale factor errors of DVL cannot be estimated by using conventional algorithm, error model of DVL along axes on local level navigation frame is developed while the ship is sailing at a constant speed. Analysis shows that by using this error model in Kalman filter, the observability of state variable can be improved by the angular motion of the ship. Simulation results show that the DVL measurement error can be estimated precisely and the accuracy of the DVL-aided in-sail alignment can be enhanced greatly by using the proposed approach.     

一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能，采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法. 关键词： 广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测     

基于改进雁群PSO算法的模糊自适应扩展卡尔曼滤波的SLAM算法

针对扩展卡尔曼滤波同时定位与地图创建算法中难以建立准确的先验噪声模型的问题, 提出一种基于改进雁群粒子群算法的模糊自适应卡尔曼滤波算法. 利用分数阶微积分改进粒子进化速度, 利用混沌来改进粒子的初始化和发生早熟时的处理. 改进后的雁群粒子群算法在收敛速度与避免早熟方面有了很大改进, 并将改进的雁群粒子群算法用于模糊自适应扩展卡尔曼滤波同时定位与地图创建算法的训练, 并与用雁群粒子群算法训练的模糊自适应扩展卡尔曼滤波同时定位与地图创建算法进行对比, 其在定位与构图方面有很大的提高. 关键词： 同时定位与地图创建 雁群粒子群算法 分数阶微积分 混沌     

改进的自适应Kalman滤波及其在水声机动目标跟踪中的应用

针对在水声机动目标定位跟踪领域广泛应用的传统Kalman滤波往往难以实现机动目标运动方向突变情况下的有效跟踪问题,本文通过分析传统Kalman滤波性能下降时机动目标的运动轨迹,并由此根据机动目标运动方向变化量来产生自适应因子以调整Kalman增益。数值仿真和实际海试数据验证表明,本文所提改进的自适应Kalman滤波在机动目标跟踪中不仅能够快速响应机动目标的运动方向突变,而且目标位置跟踪误差较传统方法显著减小,具有稳定、快速的跟踪性能。     

Sampling strong tracking nonlinear unscented Kalman filter and its application in eye tracking

The unscented Kalman filter is a developed well-known method for nonlinear motion estimation and tracking. However, the standard unscented Kalman filter has the inherent drawbacks, such as numerical instability and much more time spent on calculation in practical applications. In this paper, we present a novel sampling strong tracking nonlinear unscented Kalman filter, aiming to overcome the difficulty in nonlinear eye tracking. In the above proposed filter, the simplified unscented transform sampling strategy with n+2 sigma points leads to the computational efficiency, and suboptimal fading factor of strong tracking filtering is introduced to improve robustness and accuracy of eye tracking. Compared with the related unscented Kalman filter for eye tracking, the proposed filter has potential advantages in robustness, convergence speed, and tracking accuracy. The final experimental results show the validity of our method for eye tracking under realistic conditions.     

云计算环境下资源调度系统设计与实现

在云计算环境下,对开放的网络大数据库信息系统中的数据进行优化调度,提高数据资源的利用效率和配置优化能力。传统的资源调度算法采用资源信息的自相关匹配方法进行资源调度,当数据传输信道中的干扰较大及资源信息流的先验数据缺乏时,资源调度的均衡性不好,准确配准度不高。提出一种基于云计算资源负载均衡控制和信道自适应均衡的资源调度算法,并进行调度系统的软件开发和设计。首先构建了云计算环境下开放网络大数据库信息资源流的时间序列分析模型,采用自适应级联滤波算法对拟合的资源信息流进行滤波降噪预处理,提取滤波输出的资源信息流的关联维特征,通过资源负载均衡控制和信道自适应均衡算法实现资源调度改进。仿真结果表明,采用资源调度算法进行资源调度系统的软件设计,提高了资源调度的信息配准能力和抗干扰能力,计算开销较小,技术指标具有优越性。     

最优控制在车载惯性平台稳定回路中的应用

在分析车载惯性平台数学模型的基础上,针对平台的扰动特性，提出了稳定伺服回路的一种改进型线性二次高斯 (LQG) 控制方法。该方法在反馈中加入了积分项，可以消除稳态偏差，并且依据滤波器收敛性的判据，分别利用Sage Husa自适应滤波算法和强跟踪Kalman滤波器进行状态估计,既保证了估计精度，又具有跟踪突变状态的能力。仿真和实验表明：该方法在一定程度上降低了对系统模型误差和噪声统计特性误差的要求。     

一种提高共聚焦显微镜信噪比算法的研究

基于共焦显微镜的成像特点,建立了Kalman滤波算法的理论模型,把Kalman滤波方法引入到系统中,提出一种基于图像像素的Kalman滤波算法,并实现了实时化的Kalman滤波器。实验结果表明:该算法能够有效地提高共焦显微镜信噪比,但是以牺牲时间为代价,提高系统分辨率的根本方法还是要着重考虑优化成像系统光路和探测电路。     

一种自适应滤波中步长因子调节的算法

本文在研究时变信道的自适应匹配中,采用了多途信道的横向滤波器模型(MA模型),为求滤波器权系数应用的是最小均方误差滤波方法。在最小均方误差滤波中无论是采用最徒下降法(Steepst Descent Method),还是最小均方算法(LMS Algorithm),在叠代方程中都要引入步长因子μ.以往对μ的取值只推导出一个范围0<μ<1/λ_max,λ_max为采集信号自相关矩阵的最大本征值,且在叠代过程中是一个常数。但究竞取多大值?取小了自适应叠代方程收敛慢,取大了误差能量函数产生振荡,甚至发散。为寻找一种快速收敛的自适应滤波方法,以适应信道的时变特性时发现,对叠代步长因子μ作自适应调节,会使收敛速度有明显提高。