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。     

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。     

基于扩展H_∞滤波的单站无源目标跟踪

针对无源定位与跟踪系统可观测性弱,目标初始状态估计精度低的特点,提出了一种基于扩展H∞滤波的单站无源目标跟踪方法。将扩展H∞滤波算法对被动声纳平台获得的目标方位数据进行目标运动分析,以实现较高精度的水下仅测角目标定位和跟踪,并采用雅克比矩阵来近似处理系统的非线性测量方程。扩展H∞滤波对噪声的不确定性具有鲁棒性,保证滤波算法的数值稳定性,提高跟踪的精度和可靠性。理论分析与仿真结果表明,扩展H∞滤波跟踪速度快,性能稳定,估计精度明显优于扩展卡尔曼滤波(EKF),用于水下运动目标跟踪是可行的。     

自适应SVD-UKF算法及在组合导航的应用

提出一种新的自适应奇异值分解Unscented卡尔曼滤波(UKF)算法.该算法利用自适应因子平衡动力学模型信息与观测信息的权比,控制动力学模型误差对导航参数解的影响.用奇异值分解阵(SVD)的迭代计算代替协方差矩阵的迭代变换,提高了协方差矩阵的数值稳定性.将新算法应用于组合导航系统进行计算仿真,结果证明,新算法具有良好的鲁棒性,能有效改善滤波性能,提高组合导航系统的精度.     

改进的粒子滤波在列车组合定位系统中的应用

为了克服粒子退化现象,将奇异值分解Unscented卡尔曼滤波（SVD-UKF）和粒子滤波相结合,利用SVD-UKF得到粒子滤波的重要性分布,提出了一种改进的粒子滤波算法。该算法将最新观测信息引入到状态估计中,不但使估计精度优于常规的粒子滤波,而且继承了奇异值分解数值稳定性好的优点,因而具有较强的鲁棒性。将该算法应用到列车组合定位系统,与经典粒子滤波进行仿真比较,结果表明,提出的改进粒子滤波算法导航定位精度高,算法稳定性好。     

H∞滤波和自适应卡尔曼滤波在消除重力异常畸变中的对比研究

为了有效地消除重力异常畸变对海洋重力仪测量精度的影响，得到更高精度的重力异常测量值，根据随机过程理论，分析了重力异常状态方程，并对H∞滤波算法和自适应卡尔曼滤波算法进行了理论对比分析，将其应用到消除重力异常畸变系统中。为了避免滤波发散，自适应卡尔曼滤波采用降阶的Sage—Husa算法。理论分析和仿真实验表明：H∞滤波算法和自适应卡尔曼滤波算法都具有较好的滤波收敛特性，并能在一定程度上有效地消除重力异常畸变对重力异常测量精度的影响，但自适应卡尔曼滤波的性能优于H∞滤波。     

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。     

基于UT变换H_∞滤波的舰船导航系统高度阻尼方法

舰船导航系统发展水平直接关系到全舰作战效能,而高度阻尼是其中的一个重要问题。为解决纯惯导高度通道发散问题,设计了INS/GPS三阶组合高度阻尼网络,并结合滤波算法对影响测高精度的各主要误差源进行阻尼。基于欧拉平台误差角概念,建立了适用于任意失准角误差条件下的非线性误差模型。结合H∞理论和UT变换,推导出一种具有较强鲁棒性的基于UT变换H∞滤波算法。最后,通过数学仿真验证了舰船导航系统高度阻尼效果。仿真结果表明,基于UT变换H∞滤波的舰船导航系统高度阻尼方法能够有效地抑制高度通道发散,高度阻尼精度与外观测信息精度相当。     

多渐消因子卡尔曼滤波及其在SINS初始对准中的应用

针对卡尔曼滤波在系统模型失配和未知干扰情况下鲁棒性差的特点,对于一类线性模型提出了多渐消因子卡尔曼滤波算法。该算法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,可以在线自适应地调整多个渐消因子,从而对多个数据通道进行渐消,即使当滤波达到稳态时仍然可以调整滤波增益,使得该算法对模型失配和未知干扰有较强的鲁棒性。将该算法用于噪声统计不准确的SINS初始对准,数值仿真表明,当系统模型存在不准确情况时,新方法对航向误差角的估计精度较单渐消因子卡尔曼滤波和常规卡尔曼滤波分别提高了70%和43%,证明了该算法的有效性。     

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。     

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。     

联邦滤波器的滤波稳定性研究

首先证明了联邦滤波器中各局部滤波器实际上滤波不相关,然后通过使用集中式滤波器的滤波稳定性定理,来分析联邦滤波器的滤波稳定性。仿真实验首先根据上述方法证明了联邦滤波器的滤波稳定性,然后通过改变滤波初始值的方法对上述方法的执行结果进行了实验验证。     

惯导系统初始对准的非线性滤波算法

本文推导了方位误差角比较大时惯导系统初始对准的误差方程,在这个误差中包含了非 线性的部分。在方位误差角较小时,可将非线性的对准方程简化为线性的对准方程。用卡尔曼 滤波对线性系统进行仿真,用扩展卡尔曼滤波、迭代滤波、二次滤波对非线性系统仿真。比较仿 真结果可见,扩展卡尔曼滤波可大大提高方位对准的精度,而迭代滤波、二次滤波在方位角上 又比扩展卡尔曼滤波的精度高。     

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。     

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。     

基于矢量观测确定卫星姿态的两种非线性滤波算法

在确定卫星姿态确定的状态估计法中，经典的扩展卡尔曼滤波（EKP）和新提出的非线性预测滤波（NPF）这两种实时滤波算法各有优缺点。通过大量仿真计算，对这两种滤波算法在不同情况下进行了多角度的对比分析，旨在寻求它们各自的适用条件。结果表明：当模型误差较大甚至非线性或测量误差较大时，NPF滤波效果好于EKF：当状态变量的初始估计误差较大时，EKF滤波效果好于NPF：当需要估计真实模型误差时，只能用NPF。     

基于简化无迹Kalman滤波的非线性SINS初始对准

传统的小干扰失准角模型只适合于小失准角情况下的初始对准,对于处于大失准角下的舰船或飞机的对准必须寻求不做任何线性假设的非线性模型和非线性滤波方法。针对以上问题,建立了基于四元数的姿态误差方程,给出了基于复杂噪声模型的UKF算法,在该算法的基础上假设量测方程为线性,得出简化的UKF算法,避免了重采样、多次求解量测预测方程、计算量测预测方差等一系列繁杂过程。基于以上理论建立了适合简化UKF算法的非线性滤波模型,在大失准角、小失准角下与常规Kalman和EKF算法做对比仿真,结果表明,在小失准角下三种方法效果相当,但在大失准角下简化UKF和EKF显示出了处理非线性模型的优势,对准速度和精度都好于常规Kalman算法。由于EKF线性化造成的高阶截断误差使得对准精度略低于简化UKF。     

粒子滤波在惯导系统非线性对准中的应用

首先介绍了粒子滤波中自举滤波的原理和算法，说明该算法可用于处理非线性系统的状态估计问题。进而列出了捷联惯导系统速度误差方程和姿态误差方程，并将其用于惯导系统非线性对准。最后，通过对仿真结果的分析，指出通过结合粒子滤波和传统的扩展卡尔曼滤波，可以得到一种精度优于卡尔曼滤波，而计算量小于粒子滤波的非线性滤波方法。     

基于单向无迹卡尔曼滤波的飞机姿态算法

针对扩展卡尔曼滤波方法在飞机姿态滤波中存在的线性化误差大、需要解繁琐的Jacobian矩阵等问题,将一种新型卡尔曼滤波方法——单向无迹卡尔曼滤波应用于载有低精度、高噪声传感器的低成本飞机姿态滤波系统,并在精度及计算量上与EKF和容积卡尔曼滤波进行了比较。利用实测飞行数据进行实验,结果表明:相对于EKF,SUKF实现容易,且使姿态滤波精度提高到二阶;相对于CKF,SUKF计算简单,比CKF减少约33%的计算量。     

基于加窗傅立叶变换的SR-CT滤波反投影重建

SR-CT(Synchrotron Radiation Computed Tomography同步辐射X射线计算机断层扫描)实验中,原始投影图像存在噪声,从而影响了滤波反投影重建图像的质量.为提高重建图像质量,提出了一种基于加窗傅立叶变换滤波改进重建图像质量的方法.通过对原始投影图像噪声和滤波反投影算法的讨论,对利用该方法提高重建图像质量的可行性进行了分析.利用加窗傅立叶滤波方法对两组SR-CT实验得到的投影图像分别进行了处理,抑制了原始投影图像的噪声,提高了重建图像的质量.实验的结果验证了该方法的有效性.