自适应增量 Kalman 滤波方法

提出自适应增量Kalman滤波(AIKF)的概念和定义,建立自适应增量Kalman滤波模型及其分析方法,给出主要的计算步骤.传统自适应Kalman滤波(AKF)方法能够对事先未知的系统噪声和量测噪声的统计量进行有效的估计.但是,传统自适应Kalman滤波方法也无法对由于环境因素(如深空探测)的影响、测量设备的不稳定性等原因产生的未知时变测量系统误差进行补偿和校正,从而产生较大的滤波误差,甚至导致发散.提出的自适应增量Kalman滤波方法不但能够对系统噪声和量测噪声的统计量进行估计,而且还能成功消除这种测量系统误差,有效地提高滤波精度.该方法计算简单,便于工程应用.      

自适应滤波技术的研究

应用常规卡尔曼滤波器(KF)要求知道系统精确的数学模型和系统噪声与量测噪声的统计特性,才能获得理想的滤波效果,否则可能产生发散现象。人们越来越倾向于利用自适应滤波(AKF)技术来解决发散的问题。针对AKF技术的研究现状,本文探讨一种结构简单、实时性较强、工程上比较实用的AKF算法。仿真结果表明,这种算法具有较强的自适应性,为一种实用而有效的滤波方法。     

局域增强系统级联双频平滑技术研究(英文)

针对电离层误差时间梯度和空间梯度对局域增强系统的不利影响,提出使用级联双频平滤波方法解决此问题。级联双频平滤波先使用一个双频平滑滤波器精确估计电离层误差,利用得到的估计值修正码伪距观测量中的电离层误差,再使用一个双频平滑滤波器削弱噪声。这样,电离层误差被完全从平滑过程中移出,由L2码观测量引入的附加的噪声也被压制。基于中国民航新航行系统实验室的局域增强系统测试平台所采集的数据对级联双频平滤波的有效性和基于级联双频平滤波的局域增强系统的精度进行了分析。结果表明级联双频平滤波技术可以同时消除电离层误差时间梯度和空间梯度导致的平滑滤波残差和差分校正残差,并具有较低的滤波噪声。     

固体发动机ICT断层图像去噪技术

由于受扫描电子设备、光电转换过程和重建算法的影响,固体发动机经ICT系统检测生成的灰度断层图像中含有多种噪声,严重影响了检测人员对发动机内部缺陷的诊断。为此,利用图像滤波技术对断层图像进行有效的处理,去除图像中的噪声,突出缺陷信息。在理论分析均值滤波、中值滤波、维纳滤波和小波变换滤波这4种滤波方法的基础上,分别将这4种方法应用到固体发动机ICT断层图像去噪中,经对比。得出维纳滤波在较好的保存缺陷信息的同时,有效的去除了噪声,是最适用于固体发动机缺陷检测需求的图像去噪方法。     

序贯结构的Sage-Husa自适应滤波及其应用

在分析已有的Sage-Husa自适应滤波算法的基础上,本文首先推导了两种量测噪声自适应估计方法的等价性。为充分利用组合系统中已知的部分量测噪声参数,提高滤波稳定性和精度,研究了基于序贯结构的Sage-Husa自适应滤波算法;当组合系统测量噪声参数均为已知时,为降低算法复杂度,提高Sage-Husa自适应滤波的鲁棒性,加入协方差匹配的方法对序贯结构的Sage-Husa自适应滤波算法进行改进;通过在序贯结构下采用相应的信息融合策略,充分利用组合系统的输出信息。将两种算法分别应用于MIMU/GPS/磁强计组合系统中,基于跑车实验的离线数据分析表明,第一种滤波算法的滤波稳定性较标准自适应算法在滤波稳定性上有明显提高;第二种改进的滤波算法既降低了算法复杂度,又提高了抗野值效果,有效保持了组合系统在干扰状态下的导航精度。     

飞行器气动力参数辨识的一种实用滤波误差方法

提出了一种观测噪声相对于过程噪声较小情况下气动参数识别的实用滤波误差方法，方法不要求已知系统过程噪声和观测噪声方差阵，计算量小，具有一定的应用价值。     

光纤陀螺噪声对惯导系统精度影响的小波分析

针对当前典型光纤陀螺捷联惯导系统,研究了低动态条件下光纤陀螺输出信号的噪声特性,运用小波多尺度变换方法进行了噪声各频段分量对导航精度影响的深入研究及仿真分析,然后采用小波阈值去噪方法进行了实测数据滤波的有效性验证。结果表明,光纤陀螺噪声的低频段部分是影响导航定位误差的主要因素,而对陀螺高频段噪声的滤波措施对导航精度影响甚微。     

结构随机跳变系统的自举滤波方法

针对在结构随机跳变系统的滤波中存在的“基础结构失真”问题,提出了一种对系统结构的非线性、系统状态和噪声的分布形式不再限制的滤波新方法。并就该方法的性能同目前广泛应用的滤波方法做了仿真比较,仿真结果证实了该方法的有效性及其优良性能。     

多渐消因子Kalman滤波器在SINS初始对准中的应用(英文)

针对系统模型和统计信息不能精确已知的条件下Kalman滤波无法给出最优解这一问题,单一渐消因子Kalman滤波算法对于简单的系统是有效的,但是对于复杂的多变量系统,仅仅利用单个的渐消因子是不够的。本文提出了一种多渐消因子滤波算法,通过利用开窗法计算新息序列协方差的无偏估计获得渐消因子矩阵。利用渐消因子矩阵调节一步预测均方误差矩阵k|k1P,对不同的滤波通道提供不同的渐消速率。将该方法应用于SINS的初始对准中,仿真和试验结果表明:当真实系统噪声统计特性同设定参数不一致时,对准精度明显高于其他滤波算法。其对不确定性噪声具有较低的敏感度,对系统参数具有较好的滤波效果。因而,在实际应用中具有重要的参考价值。     

基于自适应容积卡尔曼滤波方法的涡扇发动机气路部件故障诊断

针对涡扇发动机气路部件故障诊断中参数存在不同的噪声统计特性,提出了一种自适应平方根容积卡尔曼滤波(ASRCKF)器的自适应滤波方法.该方法直接利用基于3阶容积积分方法近似发动机的非线性统计特性,用于替代非线性无迹卡尔曼滤波方法的系统模型,避免了滤波过程参数选取的问题;采用移动窗口法对噪声协方差矩阵进行自适应估计,提高了算法对不同统计特性噪声的自适应能力和滤波精度.通过对发动机气路部件健康参数蜕化过程仿真结果表明:ASRCKF方法相比平方根容积卡尔曼滤波(SRCKF)方法,精度提高40%~50%,对不同噪声信号具有更好的适应能力.