基于AR模型的MEMS惯导随机误差分析方法

由于微机械惯性器件(MEMS)捷联惯导系统的惯组误差和漂移较大,在较短的时间内也会由于器件误差积累和模型算法误差引起很大的导航偏差。采用Allan方差法分析了MEMS陀螺的随机误差,并对陀螺中主要的5项随机误差系数进行辨识。辨识结果显示,角度随机游走在随机误差中占主要部分。针对MEMS陀螺的实测数据,运用时间序列方法对其随机误差进行分析,并建立了AR模型,试验结果表明,根据所建立的AR(1)模型,采用Kalman滤波方法可以减小其随机误差,滤波后的陀螺输出精度可提高3倍。     

光纤陀螺随机漂移的实时滤波方法研究

在光纤陀螺捷联惯导系统的初始对准过程中,光纤陀螺的随机漂移是影响对准精度的重要因素。通过离线的建模和滤波,能够在一定程度上抑制光纤陀螺随机漂移的影响,但由于受环境因素及光纤陀螺重复启动性能的影响,离线建立的模型通常不具备普适性,无法实现初始对准中随机漂移的在线滤波。为了解决这一问题,论文研究了随机漂移的实时滤波方法,包括基于ARMA模型的Kalman实时滤波方法和基于滑动数据窗的小波实时滤波方法,并对两种方法进行了改进。最后,进行了光纤陀螺捷联惯导系统的初始对准试验,研究了两种滤波方法对对准精度的影响,试验结果表明两种在线滤波方法均能够在较大程度上提高初始对准的精度,而且小波实时滤波方法的精度和实时性均优于基于ARMA模型的Kalman实时滤波方法。
     

ARMA建模及其在Kalman滤波中的应用

提出了一种补偿惯性传感器随机误差的自回归滑动平均(ARMA)建模方法,在该方法中,首先,将时间序列平稳性检验的轮次法和样本方差变差系数相结合,以确定合适的建模样本长度;其次,将惯性传感器的随机误差看成是真实状态叠加白噪声,通过对观测数据做滤波处理,给出了求解模型参数的算法;随后,构建一组符合ARMA(6,4)模型分布的有色噪声,基于准确建立的ARMA(6,4)模型和AR(2)近似模型构建Kalman滤波器,以研究建模精度和Kalman滤波输出之间的关系;最后,探讨了基于状态可观测度分析的模型降阶方法,在保证精度情况下提高模型计算的实时性,便于建模方法在工程实际中的应用。通过对某型号加速度计的随机误差进行处理,高阶模型及降阶模型的滤波残差标准差分别降为原始随机误差标准差的1/66和1/28,说明方法是有效的。     

一种基于Kalman滤波的跟踪控制方法

为了降低无线电测控系统跟踪过程中随机误差分量的影响,提高伺服分系统跟踪精度,提出一种基于Kalman滤波的跟踪控制方法,将Kalman滤波器估计得到的目标角位置与天线实时角位置之间的角误差作为伺服分系统位置环路输入,驱动天线跟踪目标。对基于"当前"模型的Kalman滤波算法进行改进,利用UD因式分解和野值剔除算法防止Kalman滤波过程的不稳定。仿真和实测结果表明,改进的Kalman滤波算法具有很好的数值稳定性,基于Kalman滤波的跟踪控制方法具有较高的静态跟踪精度。     

自适应卡尔曼滤波在激光陀螺信号处理中的应用

各种随机噪声是激光陀螺误差的主要来源。为了减小激光陀螺的随机误差，建立了激光陀螺随机漂移数据的时间序列模型，设计了基于激光陀螺随机漂移数据时间序列模型的经典卡尔曼滤波器，对激光陀螺随机漂移数据进行了卡尔曼滤波，并针对经典卡尔曼滤波的不足，利用简化Sage—Husa自适应滤波算法对激光陀螺漂移数据进行处理，取得了较好的结果。滤波结果表明，简化的Sage—Husa自适应滤波优于经典卡尔曼滤波，并验证了简化的合理性。     

对日观测卫星无陀螺姿态确定算法研究

研究了两种无陀螺姿态确定算法:Kalman滤波算法和二阶差分算法。基于某对日观测卫星,将“陀螺 太阳导行镜”组合Kalman滤波算法与以上两种无陀螺定姿算法进行了仿真比较。结果表明,Kalman滤波算法和二阶差分算法均能较好地实现对日观测卫星三轴姿态角和姿态角速度的估计。     

激光陀螺随机误差的非参数建模与滤波

陀螺随机误差是影响惯导系统导航精度的重要方面.减小随机误差影响的有效方法是对随机误差进行建模并采用合适的滤波器进行滤波.为了更好地描述激光陀螺漂移的非线性,提出应用一类非参数ARMA模型--FARMA(p,q,d)模型(函数系数自回归滑动平均模型)对激光陀螺漂移数据进行建模.同时提出应用粒子滤波技术进行滤波,并采用交叠式Allan方差法辨识滤波前后随机误差噪声参数.仿真结果表明,应用该模型能较好的反映激光陀螺漂移的非线性;粒子滤波技术能有效抑制随机误差,5个误差项系数的减少均在29%以上.     

光纤陀螺输出信号的自适应滤波

噪声是影响光纤陀螺零漂指标的主要因素。为了降低光纤陀螺输出信号中的噪声含量,提高光纤陀螺的零漂指标,本文设计了一种自适应滤波器,用于光纤陀螺输出信号的数字滤波。设计的自适应滤波器采用基于最小均方误差准则的LMS算法,该算法的滤波准则是最小均方误差,采用递推的方法实现。设计的自适应滤波算法在数字闭环光纤陀螺中进行了实验,结果表明,设计的自适应滤波器能够降低陀螺输出数据中的白噪声,有效地提高了光纤陀螺的零漂性能。     

基于自适应KF动态虚拟陀螺数据融合算法的研究

微机电系统(MEMS)陀螺与光纤陀螺相比，传感器的精度较低。为了提高MEMS陀螺的精度，通过组合多个相同陀螺实现虚拟陀螺的功能，同时提高虚拟陀螺的静态和动态性能。通过分析陀螺的Allan方差，并考虑陀螺之间的相关性，建立陀螺的测量模型;使用自回归(AR)模型建立预测模型，对卡尔曼滤波(KF)算法进行优化;搭建多MEMS陀螺仪硬件平台，获取数据并实时计算，融合多陀螺数据输出最优估计值，使用高精度转台分别在静态和动态条件下测试滤波效果。实验结果表明:静态条件下虚拟陀螺误差的方差可降低为单个陀螺的1/94，动态条件下降低为单个陀螺的1/18。基于自适应KF的虚拟陀螺可以显著提高精度。     

GPS/速率陀螺组合Kalman滤波姿态确定算法研究

建立了GPS／速率陀螺组合姿态估计系统的模型，研究比较了三种典型的Kalman滤波姿态确定算法：状态扩充法、量测量求差法和时变噪声估计跟踪自适应滤波算法。给出了某航天器采用GPS／速率陀螺组合姿态确定的仿真计算结果，并对结果进行了分析。结果表明，与传统Kalman滤波算法比较，时变噪声跟踪自适应滤波算法和量测量求差滤波算法能较好地消除GPS测量中相关时变噪声的影响，提高姿态确定的精度；而且时变噪声跟踪自适应滤波算法能很好地消除由于噪声统计性能的不确定性对Kalman滤波的影响，提高姿态确定系统的性能。     

硅微陀螺阵列信号处理技术研究

() 摘 要:基于一种新的硅微陀螺随机漂移模型和被测角速度的随机游走模型,建立硅微陀螺阵列随机漂移过程的Kalman滤波方程。通过数据融合方法,在选择合适的陀螺间互相关系数的基础上,可以将硅微陀螺的静态漂移从52.1度/小时降低为0.465度/小时。利用同类多传感器的数据融合和被测量动态信号的差分技术,可以实时辨识出硅微陀螺的随机漂移,通过已被检测出的动态信号的进一步Kalman滤波,最终可将被测信号的信噪比提高11dB.
     

MEMS陀螺仪随机漂移误差研究

降低MEMS陀螺仪的随机漂移误差是提高陀螺仪性能的主要方法之一。基于随机序列时序分析法的基本原理，在对MEMS陀螺仪的初始测量数据采用均值估计法进行预处理后，对去除渐进项后的残差信号进行AR（1）建模，并依据该模型对残差信号进行了Kalman滤波，有效提高测量精度。通过对残差信号进行Allan方差的分析，分离出了陀螺仪随机漂移中的主要随机误差源。通过对具体测量数据的处理结果表明，经过这样的处理，陀螺仪噪声的零偏稳定性和速率随机游走分别提高了4倍和7倍。     

高精度3D雷达组网实时误差配准算法

对制导雷达组网实时误差配准算法进行了研究。建立了基于大地坐标系(ECEF)的实时Kalman(ECEF-Kalman)滤波算法和模型,并进行了仿真验证。结果表明:此算法能有效地估计系统误差,配准效果明显优于实时Kalman滤波算法。     

一种基于Kalman滤波的双电机消隙天线跟踪控制系统

首先本文给出了天线跟踪控制系统组成及原理框图，阐述了系统闭环工作流程；其次，针对天线跟踪目标过程中，跟踪接收机输出的目标与天线波束中心角误差受随机误差分量的影响，采用Kalman滤波算法对获得的实时角位置数据进行滤波处理；然后，对天线跟踪控制系统进行了建模，给出了系统动力学模型，对采用的双电机消隙设计方案进行了仿真；最后，通过挂飞试验验证了系统工作的可靠性。     

基于GPS测量数据的卫星在轨轨道预报算法研究

为提高微小卫星的在轨轨道预报能力,针对常用的低轨近圆卫星轨道,根据解析的轨道动力学模型,基于无奇点变量的拟平均要素法,用Kalman滤波技术给出了一种卫星解析星历参数在轨估计算法,用GPS测量信息对相关星历模型参数进行在轨估计。给出了算法流程。先由外部标志判断滤波器初始化状态,若需初始化,则可基于GPS测量数据,或地面上注星历参数,或上次滤波所得星历参数进行;若初始化已完成,则对星历模型参数进行Kalman滤波,得到更新的星历参数。给出了滤波算法中轨道预报、残差计算、量测计算和UD分解的计算模型。仿真结果表明:对轨道高度450km以上的近地圆轨道,7d内的预报精度优于20km。算法具自启动(自初始化)、收敛性佳、对测量数据的采样要求不严格等优点,实用性好。     

基于低成本陀螺和倾角仪的姿态估计

针对动中通测控系统中低成本陀螺和倾角仪的姿态估计和陀螺误差校正问题,提出一种利用UKF（Uncented Kalman Filter）滤波器对载体姿态角进行估计,然后利用互补滤波器对陀螺漂移进行估计的算法。该算法通过设计三维完全可观测UKF滤波方程和陀螺误差校正模型对姿态角和陀螺漂移分别进行估计,有效避免了利用卡尔曼滤波进行姿态估计和陀螺漂移误差估计时由于误差模型不准确而产生的发散问题,同时降低了滤波器维数。试验中姿态角估计误差在1°以内,x轴陀螺漂移估计误差为0.0148°/s,y轴陀螺漂移估计误差为0.0017°/s,试验结果表明该算法能有效提高姿态角估计和陀螺漂移估计的精度。     

基于低成本MEMS传感器的皮卫星融合定姿算法研究

基于低成本低精度的MEMS陀螺、太阳敏感器、磁强计组合,设计了Unscented Kalman融合滤波算法.同时考虑到可能的故障模式,提出了仅依赖磁强计的备份滤波算法.在姿态参数选取上,采用修正罗德师里德参数来描述卫星姿态,降低了滤波器的维数,避免了采用四元数时解算状态误差协方差参数的奇异.利用MEMS陀螺采集的随机噪声数据进行半物理仿真,仿真结果表明:该融合算法能有效对卫星姿态进行实时估计,在个别敏感器失效的情况下,同样能实现较高的精度,满足普通任务的要求.该算法具有工程实现意义,是对低精度MEMS敏感器在低成本皮卫星上应用的有益探索.     

迭代IMM机动目标被动单站跟踪算法

单站无源定位初始估计误差大、可观测性弱,并且可以得到的观测量受限,对机动辐射源的单站被动定位一直是一个难题。针对单站无源定位以及机动跟踪的特点,为改善IMM(Interacting multiple model)算法在单站无源定位中的性能,对IKF(Iterated Kalman Filter)进行改进,将改进的IKF和IMM结合,提出基于迭代的IMM算法。该算法对IMM算法中模型滤波器的输出进行迭代运算,并在滤波迭代中引入交互,从而减小模型滤波误差,改善模型滤波融合效果。对本文方法和IMM方法的仿真比较表明,本文方法在出现大的估计误差时可以得到比IMM更好的跟踪性能。     

中心差分Kalman滤波方法在X射线脉冲星导航中的应用

由于脉冲星脉冲到达时间的测量需要较长时间,基于传统的扩展Kalman滤波的X射线脉 冲星定轨方法精度较低。为此,提出了将中心差分Kalman滤波应用于X射线脉冲星导航中, 利用中心差分Kalman滤波替代扩展Kalman滤波,通过结合航天器轨道动力学模型和脉冲星观 测信息进行定轨。仿真结果表明,中心差分Kalman滤波方法的定轨精度高于扩展Kalman滤波 方法。     

陀螺与星敏感器组合定姿及陀螺漂移估计

研究基于PI滤波估计陀螺角速率漂移的陀螺与星敏感器组合定姿算法,首先推导了陀螺角速率漂移与姿态偏差四元数之间的关系,并基于姿态偏差四元数和PI滤波估计陀螺角速率漂移;接着给出了分别基于J2000惯性系和轨道坐标系的星敏感器与陀螺组合定姿算法和姿态偏差四元数求解方法;最后进行了工程应用方式分析和仿真验证。本文基于PI滤波的组合定姿算法简单,易于工程实现,并已通过在轨考核验证。