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。     

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.     

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。     

基于权值矩阵的模糊自适应卡尔曼滤波在组合导航中的应用

针对自主驾驶车辆长时间导航精度要求难以满足的问题,建立了GPS与微惯性导航系统的组合导航滤波模型,在位置观测的同时引入姿态信息,提高了导航精度。在此基础上提出了基于权值矩阵的模糊自适应卡尔曼滤波算法,该算法通过模糊控制器自适应地改变每个观测量的权值,得到权值矩阵引入卡尔曼滤波器实现自适应滤波。仿真和实验结果表明,所提出的权值矩阵模糊卡尔曼滤波性能优于衰减因子自适应卡尔曼滤波,特别是在GPS信号失真及噪声先验统计特性不可知的情况下,其定位精度能够保证在1m之内。     

一种新型自适应联邦滤波方法在战术导弹导航系统中的应用

为满足复杂的环境下战术导弹导航系统的高可靠性导航的要求,对战术导弹的多传感器组合导航进行了研究.提出了一种基于新型自适应联邦卡尔曼滤波的巡航导弹SINS/GPS/EC组合导航方法,根据联邦滤波的分散滤波结构,分别建立了各滤波器的模型,进行了仿真试验验证.仿真结果表明,采用新型自适应联邦卡尔曼滤波算法的导航精度比采用集中卡尔曼滤波算法提高幅度不大,略高一些,但从自适应联邦卡尔曼滤波器的容错性比集中卡尔曼滤波器好得多,便于各导航子系统的故障检查和隔离.本文设计自适应联邦SINS/GPS/EC滤波器的在子系统较多的组合导航设计中具有高可靠性、低计算量、低成本和小体积等优势,具有工程应用价值.     

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INS/GPS组合导航的自适应模糊卡尔曼滤波

针对组合导航系统量测噪声统计特性随实际工作条件的不同而变化的特点,提出了一种基于模糊自适应卡尔曼滤波的INS/GPS组合导航算法。该方法通过监视理论残差和实际残差的协方差一致程度,应用模糊系统不断调整滤波器的增益系数,对卡尔曼滤波器进行在线自适应控制,最终实现最优估计。通过对INS/GPS组合导航系统的跑车试验,结果表明该方法在高噪声环境中具有良好的信息融合能力,能有效跟踪研究对象的状态变化。进一步表明该方法是有效、实用的。     

广义联邦滤波器的全局最优性

基于分散化滤波算法和信息分配原理,建立了广义联邦滤波器设计理论。证明了联邦滤波器当其主滤波器和局部滤波器的维数都相同时,其全局滤波和集中卡尔曼滤波等价,是最优的;同时提出当主滤波器维数和局部滤波器维数不相同时,达到全局滤波最优的解析补偿方法,其附加计算量小,并可作为一种性能指标用于子系统的软故障检测。在组合导航系统中运用此方法对非公共状态信息进行补偿,仿真结果验证了该方法的有效性。     

组合导航中模糊自适应Kalman滤波算法分析

以SINSiGPS组合导航系统为背景，在对Kalman滤波原理和工程应用进行深入分析的基础上，总结了该方法的不足，提出了应用神经网络和模糊推理技术对系统噪声、观测噪声和其相关阵进行直接调控的方法。该方法根据新息和新息方差的变化，实时调整自适应因子，间接改变Kalman滤波器的当前观测量和过去信息的比例关系。仿真结果表明，该算法对模型和噪声干扰有较强的自适应性，能够有效抑制滤波发散，在不损失原有精度的前提下，提高了系统的鲁棒性。     

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。     

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。     

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%。     

光电跟踪模型噪声卡尔曼滤波算法

为减小滤波性能对跟踪目标状态空间模型噪声的敏感性,提出一种基于新息同时更新系统噪声方差和测量噪声方差方法,并将其与非线性卡尔曼滤波类算法相结合,构成一类适用于光电跟踪目标的自适应非线性卡尔曼滤波算法.同时将此方法应用到非线性测量光电跟踪系统中,并与扩展卡尔曼滤波和U卡尔曼滤波进行性能对比.仿真实验结果证明该方法可以实时调整系统噪声方差和测量噪声方差,有效地避免由于系统模型噪声统计特性不准确所带来的滤波性能下降的问题,而且其性能明显优于扩展卡尔曼滤波和U卡尔曼滤波.     

基于交互式多模型MSCKF的双目视觉/惯性里程计算法

针对复杂环境中双目视觉/惯性里程计系统模型不固定和量测噪声易发生变化的问题,提出了基于滤波器估计的紧耦合视觉惯性里程计(VIO)信息融合方法.将交互式多模型(IMM)估计与多状态约束卡尔曼滤波(MSCKF)算法相结合提出一种交互式多模型多状态约束卡尔曼滤波(IMM-MSCKF)算法.该算法以MSCKF为模型匹配子滤波器...     

联邦滤波器理论研究

应用矩阵理论和信息分配原理导出集中卡尔曼滤波、分散化滤波和联邦滤波之间的等价关系，证明联邦滤波器的全局滤波精度和集中卡尔曼滤波的滤波精度相同，并用信号流程图直观清晰地说明联邦滤波比分散化滤波结构更简单，计算量小。提出一种动态最优信息分配系数确定的方法，该方法使联邦滤波局部滤波器的设计也成为最优，并从理论上证明其具有最高的软故障检测灵敏度。     

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。     

对"联邦滤波器信息分配系数的优选算法"一文的商榷

介绍了联邦滤波算法和信息分配原理，指出《中国惯性技术学报》第11卷第6期“联邦滤波器信息分配系数的优选算法”一中存在一些问题，说明使用该优选算法进行信息分配，可能使主滤波器方差阵失去正定性；将联邦滤波用于GPS姿态测量，实验表明动态选择信息分配因子，相对于固定信息分配因子的算法并没有明显优势。     

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...