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.     

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。     

自适应Kalman滤波在SINS初始对准中的应用

为了提高捷联惯导系统的对准精度和收敛速度,提出了一种基于Sage-Husa自适应滤波算法的初始对准方法。针对方位小失准角的情况,推导出精对准误差模型和自适应Kalman滤波方程。常规Kalman滤波算法,在噪声统计特性已知的情况下,使用比较方便;多数情况下,噪声统计特性是处于未知状态,从而引入自适应Kalman滤波算法。它利用观测到的数据自动进行噪声统计特性的在线估计和修正,使系统达到最佳的滤波效果。通过仿真验证,该自适应滤波算法有效地提高了收敛速度和对准精度。     

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.     

自适应惯性组合导航系统研究

本文研究惯性／位置组合导航技术，给出在线估计未知噪声统计参量的自适应卡尔曼滤波算法（ＡＫＦ）。首先建立组合导航系统直线飞行段和机动飞行段数学模型，并给出相应滤波算法，仿真结果证明了组合导航估计算法的可行性。所得结论对惯导／地形匹配、惯导／ＧＰＳ组合导航的研制有实用意义     

基于模糊鲁棒自适应CKF算法的MEMS-IMU姿态估计

针对微机电惯组（MEMS-IMU）受到状态突变干扰、存在未知量测噪声等情况下,传统滤波算法无法准确估计系统姿态问题,提出了一种基于模糊鲁棒自适应容积卡尔曼滤波（FRA-CKF）的姿态估计算法。通过分析滤波新息序列的统计特性,根据χ2检验原理设置了修正门限和修正边界,构造了容积卡尔曼滤波、鲁棒修正和自适应修正的隶属度函数,制定相应的模糊修正准则,使算法兼顾自适应性和鲁棒性。仿真及静、动态实验验证了所提出算法的有效性。静态实验结果表明,所提出的滤波算法相比CKF算法,航向角估计的均方根误差降低了80%,提高了滤波的精度和稳定性。     

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。     

捷联惯导系统传递对准两种滤波方法比较研究

将H∞滤波方法用于捷联惯导系统（SINS）空中动基座传递对准，并对卡尔曼滤波和H∞滤波应用于传递对准的鲁棒效果进行了比较研究。仿真结果表明，在有色噪声和白噪声强度较小时，两种滤波方法的滤波精度差别不大，但当有色噪声和白噪声强度较大时，卡尔曼滤波精度优于H∞滤波。换言之，卡尔曼滤波对于噪声的不确定性是具有一定的鲁棒性的，并且就估计精度而言，其鲁棒性优于H∞滤波，但H∞滤波的估计速度优于卡尔曼滤波。     

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.     

惯导与GPS组合系统中实时自适应卡尔曼滤波技术的研究

—针对现有的自适应卡尔曼滤波算法实时性不强、结构繁杂，本文研究了在惯导与ＧＰＳ组合系统中应用一种修正的自适应卡尔曼滤波算法，并与常规卡尔曼滤波算法作了比较。仿真结果表明，这种算法具有结构简单、高效率和精度高等优点，不失为一种实用而有效的滤波算法。     

CNN/Kalman技术在组导中的应用研究

经典的卡尔曼滤波器要求假设系统的动态模型和观测模型的噪声统计特性已知，而组合导航系统的噪声具有非先验性。为了解决这一问题，提出了一种新型复合神经网络(CNN)辅助卡尔曼滤波器(Kalman)。仿真试验结果表明：该辅助算法的精度与一般卡尔曼算法相比提高了2倍，收敛时间缩短近200s，并有效地克服了传统神经网络学习速度慢、泛化能力弱的缺点，使系统具有自适应能力以应付动态环境的扰动。     

神经网络辅助卡尔曼滤波技术在组合导航系统中的应用研究

考虑到组合导航系统的噪声具有非先验性，而传统的卡尔受滤波器要求假设动态模型和观测模型的噪声统计特性已知，提出了用前向神经网络来辅助调节卡尔受滤波器，使其具有自适应能力以应付动态环境的扰动。仿真研究表明：该算法优于标准卡尔曼滤波器。     

一种带速度观测量的GPS动态定位自适应卡尔曼滤波算法

提出了一种应用于GPS动态定位滤波的自适应卡尔曼滤波算法,此自适应滤波器算法简单,与常规滤波器相比,可实现快速有效地提高GPS定位精度。计算机仿真实例表明应用该算法具有良好的效果。     

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。     

量测噪声自动加权Kalman滤波

从Kalman滤波技术的稳定性出发,分析了Kalman滤波算法的实质及容量发散的原因。提出在Kalman滤波中引入了系统量测噪声协方差阵（R）的计算,并对其加权,从而影响滤波增益,抑制发散。推算舰位／GPS组合导航的应用仿真表明：量测噪声自动加权Kalman滤波算法对系统模型误差和量测噪声协方差误差具有良好的自适应性。     

基于模糊逻辑控制的舰船组合导航自适应卡尔曼滤波器

双天线GPS提供的载体姿态信息与惯性导航系统信息进行融合可提高组合导航系统的性能。由于在实际应用中,GPS接收机可能会受到某种干扰无法提供舰船航向信息,从而降低传统卡尔曼滤波器的性能。因而提出了一种新的基于模糊逻辑控制的自适应卡尔曼滤波器。改进后的卡尔曼滤波器使用两个模糊逻辑控制器来调整两个系统的组合模式,并且根据卡尔曼滤波器的内部状态、GPS工作状态和舰船运动状态来计算卡尔曼增益。通过使用INS和GPS的实测数据验证,这种基于模糊逻辑控制的自适应卡尔曼滤波器能有效的提高INS/GPS组合导航系统的性能。     

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。     

AN ADAPTIVE OPTIMAL KALMAN FILTER FOR STOCHASTIC VIBRATION CONTROL SYSTEM WITH UNKNOWN NOISE VARIANCES

In this paper, an optimal criterion is presented for adaptive Kalman filter in a control system with unknown variances of stochastic vibration by constructing a function of noise variances and minimizing the function. We solve the model and measure variances by using DFP optimal method to guarantee the results of Kalman filter to be optimized. Finally, the control of vibration can be implemented by LQG method.     

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。