基于凸优化技术的多目标鲁棒滤波组合导航方法

Kalman滤波在组合导航中的应用已很广泛,但是,在系统不确定情况下,误差出现发散,精度下降,采用的基于Riccati方程的H∞滤波技术对系统噪声的不确定性则具有一定的鲁棒性,但性能参数选取仅能凭经验而无系统的方法,给工程实践带来一定困难.根据现代控制理论最优控制理论思想,使用凸优化技术设计鲁棒混合H2/H∞滤波器融合高精度的GPS和CNS量测信息,解决系统不确定性问题,通过在惯性/卫星/天文组合系统中的半物理数据仿真进一步对混合H2/H∞滤波和H∞滤波算法进行了比较.仿真结果表明,真实器件噪声情况下,鲁棒混合H2/H∞滤波算法明显具有良好的精度.     

GPS/INS组合导航中两步自适应滤波方法

GPS/INS组合导航实际应用中存在系统模型偏差、噪声模型不确定等问题,导致卡尔曼滤波器无法实现最优滤波效果,严重时甚至导致滤波发散。渐消卡尔曼滤波器和自适应卡尔曼滤波器通过引入单渐消因子和单自适应因子可以部分解决上述问题,但是不足在于单因子只能进行整体调整,不能精确调整各个通道。针对此问题,本论文提出一种2步自适应卡尔曼滤波算法,构造基于残差协方差估计的多重渐消因子和自适应因子对各个通道精确调整,克服动态环境下跟踪性差的局限性。实验结果表明,改进后的自适应卡尔曼滤波算法可以精确调整各通道,增强系统的定位精度、跟踪性能和鲁棒性。     

基于BP神经网络的自主定轨自适应Kalman滤波算法

针对Sage Husa自适应滤波方法存在的窗函数开窗大小选择问题,提出一种基于BP神经网络学习估计系统协方差矩阵的自适应Kalman滤波算法。该算法以Kalman滤波预测残差向量作为网络输入,通过网络分段离线学习确定预测残差向量与预测残差协方差矩阵间的非线性关系,自适应地估计Kalman滤波系统协方差矩阵。将其应用到自主定轨系统,仿真结果表明利用本文算法自主定轨60天星座平均URE误差小于1.9米,且能够快速跟踪到系统噪声的突变,较Kalman滤波方法和Sage Husa自适应滤波方法具有更好的性能。     

一种新的强跟踪H∞滤波方法研究及应用

针对常规H∞滤波跟踪机动过程能力较弱的问题,提出了一种新的强跟踪H∞滤波算法,该滤波算法具有较好的姿态跟踪能力,并保持了H∞滤波模型简单、鲁棒性好的优点.文中通过研究基于强跟踪H∞滤波方法的GPS/INS对准,实现空中机动条件下的惯导系统初始对准.对该算法进行仿真验证,测试结果表明,采用基于H∞的强跟踪滤波可以较好地提...     

飞行器视觉导航的H∞滤波

提出了用H∞滤波估计飞行器视觉导航参数.由安装在飞行器上的摄像机获取地面图像,结合飞行器的动力学和运动学方程,构成了一个非线性Kal-man滤波模型.针对非线性模型线性化引入误差以及随机噪声建模不准确的问题,设计了H∞滤波器对组合系统进行滤波估计,并与推广Kalman滤波进行比较.仿真结果表明,H∞滤波的性能优于推广卡尔曼滤波.     

一种抗野值自适应滤波算法及在MEMS-SINS/GPS中应用

针对噪声统计特性不准确以及量测信号中出现的野值对滤波的不利影响,提出一种基于Kalman滤波的抗野值自适应滤波算法。该算法通过对估计误差的实时监测来调整渐消因子或进行抗野值计算,使滤波器在统计特性不准确或存在野值干扰的情况下仍为最优估计。将其应用到MEMS-SINS/GPS组合导航系统中,仿真结果表明该算法能有效降低统计特性不准确及野值给系统造成的不利影响。     

确定编队卫星相对轨道的容错UKF方法

针对相对轨道测量设备出现连续野值引起的滤波误差偏大及发散问题,提出了基于残差正交性检测的容错UKF算法.介绍了非线性滤波在相对轨道自差确定中发展历程和容错UKF的原理、滤波算法和计算流程.根据测量设备出现连续成片野值时残差序列服从以野值为均值的正态分布这一特性,提出了基于残差正交性进行野值检测的思路,通过加权一个以残差方差的迹为参数的活化函数,构造在线修正的uKF容错滤波器,抑制野值对新息序列正交性的影响.在STK软件设定两颗卫星的轨道根数,生成相对运动的位置和速度,通过坐标变换,加入正态分布的误差和连续野值,构造卫星问距离、仰角和方位角测量值.根据C-W相对运动方程和空间几何建立状态方程和测量方程,编制基于残差正交性检测的容错IJKF.滤波器的相对轨道确定程序.通过仿真计算,评估了连续野值对常规UKF和容错uKF轨道确定算法的影响,证实了容错UKF算法可以完成对连续野值的检测及在线修正功能,有较强的鲁棒性和稳定性,可以应用于工程实践.     

基于EKF容错滤波方法的编队卫星相对轨道自主确定

为避免因卫星测量野值导致的相对轨道估计与滤波精度下降,提出了一种基于残差正交性的扩展Kalman滤波（EKF）容错滤波算法的编队卫星相对轨道确定方法。根据卫星相对运动与相对位置量测方程,用残差序列方差的迹实现对野值的剔除及在线修正,保证滤波器有较强的鲁棒性、稳定性和精度。仿真结果表明：该法简单、有效,有较高的理论和工程应用价值。     

IMU/磁罗盘/GPS组合导航系统设计

设计了一个IMU/GPS/磁罗盘组合导航系统和相应导航算法,针对该系统的特点设计了特殊的静基座对准算法。根据系统元器件的特殊性和以往工作经验,采用渐消记忆Kalman滤波算法对IMU和GPS信息进行组合。跑车实验表明,该系统具有精度高,工作稳定等优点,达到了设计要求。     

UKF容错滤波方法在自主导航中的应用研究

地磁场向量可描述成卫星的位置函数，以地磁场强度向量为观测量，利用三轴磁强计的测量信息即可实现近地卫星的自主导航。但当测量值存在野值时，滤波会出现偏差、收敛变慢甚至发散。将UKF滤波容错方法用于磁测自主导航，构造出一种基于残差正交性判别的UKF（Unsend Kalman Fiher）容错滤波方法，来实现野值的实时修正和故障诊断，使滤波器具有较强的鲁棒性。仿真结果表明该方法有效。     

一种新的鲁棒PM滤波及其在组合导航中的应用

针对传统M估计滤波在处理系统尖锐野值时会出现不稳定或发散的特点,提出了一种新的基于映射统计野值检测的M估计(PM)滤波算法。该算法借鉴电力系统中GM估计野值检测与抑制方法,通过增加系统结构空间信息来提高鲁棒性,该算法不仅对受污染的高斯噪声具有鲁棒性,还能够抑制尖锐状态野值、结构野值等对系统的不利影响。将这种新的滤波算法应用于CNS/SAR/SINS组合导航系统中,仿真结果表明,与常规Kalman、M估计滤波相比,鲁棒PM滤波具有更强的结构抗差能力。     

基于LMI的H-/H∞故障检测观测器设计

针对系统模型的不确定性、未知输入扰动,为提高对干扰鲁棒性、待检故障敏感性及降低设计的保守性,提出了一种H-/H∞故障检测观测器设计方法,通过无损procedure将非凸约束问题转化为线性矩阵不等式(LMI)约束,采用Schur补引理将H-/H∞故障检测观测器设计转化为凸优化问题的LMI表述;设计了自适应门限以减小故障检测过程中的误报、漏报率。故障检测观测器的设计是借助凸优化问题的数值计算,使设计过程便于实现。提出的算法使未知扰动的鲁棒性及待检故障的敏感性之间具有最优平衡。仿真验证表明,所提算法使残差具有快速的收敛性、较短的故障检测时间。     

基于H∞与Kalman联合滤波的二次快速传递对准方法研究

将H∞滤波用于舰载导弹捷联惯导系统（SINS）的动基座传递对准。仿真研究结果表明，在测量噪声强度较小时，H∞滤波方法的显著特点是估计速度优于Kalman滤波，其估计精度略低于Kalman滤波。为提高动基座传递对准的快速性，将精对准分为两次进行。第一次精对准利用日。滤波估计速度快的这一优点，通过速度匹配进行水平对准，第二次精对准采用Kalman滤波通过速度加姿态变化量匹配进行航向对准。仿真结果表明，在测量噪声强度较小时，第一次对准可在2秒钟之内完成，第二次对准可在7秒钟之内完成。两次传递对准可在9秒钟之内完成。     

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。     

故障检测中的一种鲁棒自适应阈值方法

对于一类带有模型不确定性、噪声干扰的线性系统，研究了其故障检测中的阈值设计问题。建立了残差与模型不确定性、噪声、控制输入、故障之间的关系；提出了基于信号L2范数与系统H∞范数的鲁棒自适应闯值设计方法；针对其检测率低的问题，进一步基于概率鲁棒的思想，对模型不确定性与残差引入了截尾高斯分布这一“软边界”描述方式；在此基础上所设计的阈值兼顾了检测率和虚警率两方面的要求，考虑了模型不确定性与噪声的影响，能够跟随控制输入信号的变化，具有较好的鲁棒性和自适应性。     

H∞滤波与粒子滤波在SINS传递对准方面的比较研究

为提高传递对准的精确性和鲁棒性,将H∞滤波和粒子滤波运用到SINS动基座传递对准,并对H∞滤波和粒子滤波应用于传递对准的鲁棒效果进行了比较。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,粒子滤波精度优于H∞滤波。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粒子滤波。     

自适应渐消EKF方法及其在卫星跟踪中的应用

针对在系统不能确切建模或模型误差随时间改变等场合下,传统扩展卡尔曼滤波方法及其改进算法估计误差较大甚至引起滤波发散等问题,将基于新息序列对状态噪声协方差矩阵实时估计的方法引入到渐消EKF中,提出了一种自适应渐消扩展卡尔曼滤波方法,推导了相关公式并详细给出了新方法的计算流程。采用单星对卫星仅测角被动定轨跟踪的例子对算法性能进行了对比分析。仿真结果表明,与传统EKF方法及其改进算法相比,该方法在估计精度、滤波收敛速度以及对初始状态误差的适应性等方面,显著提高了非线性滤波器的性能。     

基于融合状态递推的非线性联邦滤波器故障检测算法

传统的联邦滤波器故障检测算法一般是针对线性系统模型提出的,现在非线性条件下对算法进行推广,推导了针对非线性模型的状态χ~2故障检测算法,并对其进行改进,提出一种基于融合状态递推的新型联邦滤波故障检测算法。该算法利用联邦滤波器的全局最优融合状态通过状态递推器获得融合状态递推,再由各子系统通过非线性滤波得到的状态估计与融合状态递推之间的残差构造检验量,进行故障检测。由于全局最优融合状态的精度要高于局部滤波值,故相比于传统联邦故障检测法,该算法的检测灵敏度更高;最后设计了一组仿真实验,验证了该检测算法的有效性。     

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。     

动态测量数据的高保真容错Q-滤波算法

针对航天器遥测和跟踪数据非平稳、噪声干扰、数据散乱、野值多、真实信息往往被随机误差淹没等问题,提出一组新型滑动容错滤波算法,称Q-滤波容错算法。 采用原始数据滑动四分位滤波和滤波残差四分位过滤补偿相结合的方式,实现各种带野值、非平稳、强噪声干扰和超低信噪比的采样数据序列剔除野值、削弱扰动和提取信号。理论分析、仿真计算和飞行数据应用实例证实了该Q-滤波算法有强容错能力和提取采样数据本真变化的能力,可以从被噪声淹没和低信噪比的非平稳采样数据序列中或者在采样数据变化形态杂乱的情况下,高保真地准确提取测量对象的真实变化信息。