基于参数辨识α-β-γ滤波的自适应调整跟踪窗算法

针对传统a-β-γ滤波器受跟踪精度与收敛速度之间的矛盾以及系数固定的影响而难以跟踪强机动性目标的局限性,设计了一种基于参数辨识的自适应的a-β-γ滤波跟踪器.该滤波器根据目标机动性的变化,利用跟踪误差调整模糊集系统的输出,在保证精度的前提下,得到自适应的系数值,使跟踪结果快速收敛,很好地解决了跟踪精度与收敛速度之间的矛...     

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.     

基于自适应联邦滤波的传递对准算法

为了提高传递对准的对准速度和对准精度,研究了基于自适应联邦滤波的"速度 姿态角"传递对准的算法,在状态变量中加入了安装误差角和挠曲变形角,在算法中进行了估计并补偿。为了保证滤波的实时性,采用联邦滤波的方法,分别建立了速度匹配子滤波器、姿态角匹配子滤波器和主滤波器的模型,给出了状态方程和量测方程。在子滤波器中利用模糊控制器对噪声特性进行了自适应调整以解决系统噪声和量测噪声是未知情况下滤波发散或者精度不高的缺点从而增强系统的鲁棒性。最后在载体匀速直线加三轴摇摆的运动模型下进行了仿真,结果表明该方法能够有效地估计安装误差角和部分挠曲变形角,并且能够以一定精度完成初始对准。     

组合导航系统多重衰减因子自适应估计算法比较研究

提出了多重衰减因子自适应估计卡尔曼滤波方法,用该方法对系统每个误差状态估计进行控制,提高滤波器的估计性能。仿真结果表明,新算法在系统噪声特性不准确的情况下,能够抑制卡尔曼滤波估计的发散,GPS/SINS组合导航精度比强跟踪滤波估计的精度高。这种算法推导形式简单,计算量小,适合在线运算。     

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。     

基于模糊卡尔曼滤波量测噪声自适应校正的方法研究

针对噪声的统计特性与实际不符时滤波器发散的现象，提出了一种适用于导航、制导以及其它控制系统的模糊自适应卡尔曼滤波器。基于模糊规则自适应改变测量噪声方差R，实现滤波器参数的在线改进，以缩小实际的滤波误差，提高滤波精度。     

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.     

H∞滤波在微惯性组合导航系统中的应用

基于微机电(MEMS)惯性仪表构成的微惯性测量装置(MIMU),其系统噪声特性不确定,影响了卡尔曼滤波器收敛过程,从而对MIMU/GPS组合系统性能产生不利影响.将鲁棒H∞滤波技术应用于该组合系统,确定了一种H∞滤波求解方法,给出了滤波器的推导步骤.该算法虽不具备最优滤波特性,但却具有更好的稳定性和鲁棒性.通过仿真实验,确定了H∞滤波器中的性能因子γ具体数值,使滤波器在可接受的估计精度下具有最佳鲁棒效果,它能在复杂的噪声环境下很好地估计出MIMU的主要误差,验证了H∞滤波对于噪声的不敏感程度和鲁棒性,提高了MIMU/GPS这类组合导航系统整体性能.     

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GPS/INS不同测量特性的自适应卡尔曼滤波算法

在GPS/INS组合导航系统中,针对现有自适应滤波算法对GPS测量噪声估计准确性、可靠性不高的问题,提出了一种基于GPS、INS不同测量特性的自适应卡尔曼滤波算法.该算法基于GPS和INS不同的测量性质,利用惯导系统的短期高精度性,获得对GPS测量噪声统计特性自适应估计.仿真结果表明,该算法能够在GPS测量噪声统计特性未知或发生变化的情况下,适时地跟踪GPS测量噪声,准确估计滤波系统的观测噪声协方差阵R,其滤波精度和鲁棒性明显优于改进的sage-husa自适应算法,特别是在采用低精度INS情况下,能够有效克服改进的sage-husa自适应算法滤波发散的现象.     

基于双滤波器结构的基带信号预处理滤波模型

对于级联式INS/GPS深组合导航系统,用修正后的惯导解算信息和星历信息计算的载波NCO控制量精度无法满足载波跟踪的要求,通常利用基带信号预处理滤波器的估计结果直接闭合载波环。传统的基带信号预处理滤波模型采用的是单一滤波器,因滤波器状态的相互耦合和滤波算法本身的限制,滤波估计的精度很难实现载波跟踪。基于双滤波器结构的基带信号预处理滤波模型,在传统单一滤波器基础上,新增一个3维滤波器用于闭合载波环,仿真结果表明了该方法的有效性。     

基于状态反馈的卡尔曼滤波组合导航算法

在卡尔曼滤波算法的基础上,提出一种导航误差状态估计的新方法。该方法选取SINS和GPS三个方向上的速度差和位置差作为观测量,根据惯性器件和GPS的精度确定噪声强度,同时建立反馈控制与卡尔曼滤波相结合的滤波器,最终得到误差状态的估计值。仿真结果表明,新型滤波器不仅解决了卡尔曼滤波发散的问题,而且使得误差估计精度得到了极大的提高,从而为组合导航系统的误差估计技术找到了更有工程应用价值的方法。     

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。     

集群无人机定位信号的自适应GM-CBMeMBer滤波算法

针对集群无人机导航定位信号通信过程中,易混入实际随机噪声,而传统GM-CBMe MBer滤波算法处理会导致滤波器发散的问题,提出了一种用于集群无人机定位信号的自适应GM-CBMe MBer滤波算法。首先,构建对应的数学模型,通过观测模型和量测模型对信号进行跟踪、滤波。在此基础上,利用随机有限集和衰减因子实现对噪声的动态处理和进一步预测,结合预测值进行迭代更新,直到滤波过程结束。同时,引入高斯项的剪枝合并来提高滤波精度。实验结果表明,改进算法与传统算法相比较,在集群无人机定位航迹上的杂波点有所减少,总体平均误差降低了26.6%。同时,方法简单易行,便于工程实现。     

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。     

自适应卡尔曼滤波在惯导初始对准中的应用研究

本文研究了自适应卡尔曼滤波技术在惯导系统中的应用。在噪声统计特性未知或近似已 知的情况下,采用常规卡尔曼滤波会导致较大的状态估计误差,甚至使滤波发散;而自适应卡 尔曼滤波在估计状态的同时,利用观测数据带来的信息,可在线估计噪声的统计特性,从而不 断地改进滤波器的设计,由此得到的滤波估计比常规卡尔曼估计精度更高。本文采用Ｓａｇｅ 和 Ｈｕｓａ 自适应滤波算法,结合惯导初始对准,给出了计算机仿真。仿真结果进一步证实在噪声统 计特性不确切知道的情况下,自适应卡尔曼滤波的估计精度高于常规卡尔曼滤波的估计精度。     

模型预测前向神经网络算法及其在组合导航中的应用

针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05 m/s,+0.05 m/s]和[-5 m,+5 m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。     

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。     

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。     

载波平滑伪距紧组合导航系统鲁棒自适应滤波算法

传统惯性/卫星紧组合导航系统采用载波相位平滑伪距可以有效提高伪距观测量精度,但平滑伪距后观测量噪声不符合白噪声特性而导致卡尔曼滤波器容易发散;同时由于周跳的存在会更加严重影响滤波器的稳定性。针对上述问题,分析了平滑伪距噪声特性并建立了噪声模型,在此基础上设计了鲁棒自适应滤波算法对观测噪声进行实时估计和补偿,结合抗差估计理论进行滤波以减小观测量噪声水平和模型不确定对滤波器带来的影响。理论分析和仿真结果表明,在复杂环境下,基于载波相位平滑伪距的鲁棒自适应紧组合导航系统定位精度提高了一倍以上。