一种提高GNSS测速精度的自适应Kalman滤波算法

在卫星导航系统动态定位中,采用基于瞬时多普勒观测量的最小二乘法确定速度,当载体高机动时,多普勒误差迅速增大,从而导致测速精度大幅度降低。针对该问题,提出一种同时实现动态模型自适应修正和观测模型自适应更新的Kalman滤波算法。算法采用滑动窗方式来建立实时更新的动态模型参数,使当前统计模型自适应地跟踪载体的动态特性。此外,算法提出观测模型的自适应更新方法,通过设置载体状态判决门限,高、中机动时仅进行受动态应力影响小的伪距更新,低机动下添加精度较高的伪距率更新。通过Sprient GSS8000模拟器产生的动态场景验证表明,相对于最小二乘法和常规Kalman滤波算法,提出的自适应Kalman滤波算法能够全面提高载体在多种运动状态下的测速精度。     

基于模糊自适应卡尔曼滤波算法的多传感器信息融合

联合滤波器各子系统量测噪声统计特性发生变化时,标准卡尔曼滤波算法由于无法实时检测和调整,使得估计误差增大,最终导致融合后估计误差随之增大.本文针对该问题提出使用模糊自适应滤波代替标准卡尔曼滤波,形成模糊自适应联合卡尔曼滤波信息融合算法.新算法应用模糊推理系统不断的在线调整量测噪声协方差阵的加权系数,使模型量测噪声逐渐逼...     

基于卡尔曼滤波器的高动态GPS载波跟踪环

为解决传统锁相环( PLL)在高动态环境下对全球定位系统(GPS)信号的跟踪精度问题,将自适应渐消滤波和二级卡尔曼滤波相结合研究了一种新的自适应二级卡尔曼滤波算法,并且提出了一种利用新息协方差计算渐消因子的方法,通过自适应渐消因子在线调节误差协方差矩阵补偿不完整信息的影响,使滤波器在系统模型不完整或者噪声统计特性不准确时仍接近最优.基于自适应二级卡尔曼滤波算法提出了一种高动态GPS载波跟踪环的设计方案.仿真结果表明,提出的方案较传统PLL的跟踪精度有显著提高,频率跟踪精度提高到9.28Hz.     

基于鲁棒非线性卡尔曼滤波的自适应SLAM算法

针对传统非迹卡尔曼滤波算法缺乏在线自适应调整能力,在噪声模型出现误差时滤波精度下降的问题,提出了一种基于鲁棒无迹卡尔曼滤波的同步定位与地图创建算法。该算法引入了一个多维观测噪声尺度因子,能根据观测噪声统计特性的实际变化情况对每种传感器的噪声模型做出自适应调整,使其逼近真实噪声水平,进而将滤波增益调整到一个适当值,实现滤波器的最优估计。SLAM仿真实验结果表明,在噪声统计特性发生变化的情况下,该算法相比其它几种SLAM算法具有更好的自适应能力,估计精度更高,鲁棒性更强。     

基于自适应算法的月球引力常数和J_2系数确定

针对月球引力场自主确定过程中测量噪声统计特性未知导致扩展卡尔曼滤波精度低、易发散的问题,提出了一种自适应扩展卡尔曼滤波算法。该算法通过采用改进的噪声估计器,对滤波过程中未知测量噪声统计特性进行实时估计和修正,有效地提高了扩展卡尔曼滤波器的稳定性,减小了状态估计的误差。通过与蒙特卡洛仿真,扩展卡尔曼滤波的结果比较,自适应扩展卡尔曼滤波算法加强了滤波的稳定性,并且明显提高了月球探测器轨道的确定精度、月球引力常数精度和月球J2项摄动系数精度。     

强机动条件下的弹载深组合ARCKF滤波方法研究

针对弹道导弹飞行中GNSS/SINS深组合导航系统呈现的强机动、非线性特性,引入了基于三阶球面-径向准则的容积卡尔曼(CKF)非线性滤波方法。同时,提出了一种自适应抗差容积卡尔曼滤波(ARCKF)算法,该算法运用抗差M思想,调节量测噪声阵,以抵御系统观测异常扰动,采用自适应因子对协方差阵进行调节,进一步处理动态扰动引入的误差。实验结果表明,该滤波算法有效提高了组合导航的动态性能,在加速度达到60g的强机动仿真环境中,仍能保持较高的导航精度和跟踪性能。     

一类基于改进的当前统计模型的目标跟踪算法研究

提出了一种基于改进当前统计模型的交互式多模型算法。在交互式多模型中,利用滤波过程中的新息和新息协方差的变化,对当前统计模型(CS)的机动频率自适应调整,使模型更适应实际。经理论分析Singer,CS模型的先验假设条件,提出了一种改进的匀速运动(CV)模型,以适应目标弱机动的情形,弥补CS模型在目标弱机动时跟踪精度不高的缺点。理论分析和仿真结果验证了提出算法的有效性。     

基于容积滤波的自适应相对导航算法

针对激光交会雷达测量方程的非线性问题,将容积滤波算法应用于航天器相对导航中;并考虑测量噪声统计特性不准确以及测量信息偏差等工程因素,针对激光交会雷达测量参数类型不同的特点,提出了一种基于容积滤波的自适应相对导航算法。该算法通过自适应调整量测协方差阵,能有效降低统计特性不准确等测量异常给导航系统造成的不利影响。仿真结果表明该自适应导航算法在激光交会雷达测量值存在噪声统计特性不准确等情况下时仍可保持较高的导航精度。     

一种自适应协方差矩阵旋转变换卡尔曼滤波算法及其应用

在被动方式下对目标进行跟踪 ,由于系统的可观性较弱 ,很容易引起状态误差协方差矩阵的过早跳变而导致系统发散。为此 ,本文研究了一种新的卡尔曼滤波算法 -自适应协方差矩阵旋转变换卡尔曼滤波算法 ,并将其应用于水面目标被动跟踪。由于该算法的协方差更新采用状态滤波值计算雅可比矩阵 ,因而具有更好的一致性。仿真结果表明 ,该算法可以克服观测模型线性化误差带来的不良影响 ,改善由于观测噪声的统计特性不能精确已知而导致的滤波不稳定问题 ,具有良好的鲁棒性、快速性和精确性。     

多星座组合导航自适应信息融合滤波算法

针对多星座卫星组合导航,提出了一种双重自适应联合卡尔曼滤波算法,采用描述机动载体运动的"当前"统计模型,首先建立一种基于载体加速度方差自适应的动态定位卡尔曼滤波模型,并分别对GPS,GLONASS和GALILEO系统设计相应的自适应子滤波器,然后采用有重置的联合自适应滤波器对各个子滤波器进行数据融合处理,各子滤波器的信息分配系数根据各卫星导航系统输出的几何精度因子(GDOP)进行自适应调节.通过对GPS/GLONASS/GALILEO多星座组合导航系统的仿真,分析对比了加权平均滤波、常规联合滤波和本文提出的双重自适应滤波.结果表明:该双重自适应算法有效提高了组合导航系统的精度和可靠性,能更好地适应于量测噪声不断变化的卫星组合导航系统.     

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。     

用于多策略机动目标跟踪的基于模糊理论的改进IMM算法

针对多种机动策略实时机动目标,为解决标准交互式多模型(IMM)算法的模型集冗余、算法量过大和实时性不高等问题,以提高机动目标滤波精度,保证目标跟踪系统性能,对基于模糊自适应理论的交互式多模型算法进行了研究。对标准IMM算法改进包括加速度预估、模型集合设计、模糊自适应推理设计,以及条件滤波输出四部分,通过加速度预估获得更准确的模型集,采用提前模型筛选获得更优的匹配效果并减少了计算量。给出了处理模型及滤波过程流程。对三维机动目标的仿真结果表明:与标准IMM算法相比,设计的基于滤波算法对以多种机动策略实时机动的目标有更好的实时性和跟踪性能。     

带渐消因子的Quadrature卡尔曼滤波

为了解决无源传感器机动目标跟踪系统非线性较强、传统的跟踪滤波方法不稳定容易发散的缺陷,提出了一种带渐消因子的QKF（FQKF）算法。该算法通过引入时变渐消因子来实时调整状态预测误差协方差阵、量测预测误差协方差阵及状态预测误差和量测预测误差之间的互协方差阵,利用公式推导得出渐消因子实际上是对状态传播积分点和量测传播积分点进行渐消,进而达到实时调整滤波器增益矩阵的目的。并通过算法的机理分析和仿真实验表明FQKF算法具有强跟踪滤波器（STF）的优良性能,能够克服QKF算法的缺陷,对于无源传感器机动目标跟踪中系统的突变状态具有较强的跟踪能力,较QKF算法稳定性有所提高,并且计算量适中。     

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。     

基于自适应采样滤波器的临近空间飞行器姿态确定

为提高临近空间飞行器的姿态估计精度和稳定性,研究了捷联惯性导航系统与星敏感器组合定姿方法和滤波融合算法.首先给出了临近空间飞行器的高精度姿态确定方案及其模型,然后针对一般采样型滤波器自适应能力有限的缺点,推导了一种能在线自适应估计过程噪声和量测噪声协方差阵的自适应采样滤波算法,该算法融合了自适应估计和非线性滤波各自的优点,不仅能对姿态确定系统的非线性滤波问题进行高精度估计,而且估计结果具有较强的鲁棒性,最后进行了仿真实验.实验结果表明本文方法达到10角秒的定姿精度,其滤波精度和稳定性均满足临近空间飞行器的定姿要求.     

时变噪声系统的自适应强跟踪滤波器研究

在目标跟踪过程中,强跟踪滤波可以对目标的突变状态进行较好的跟踪,但由于系统噪声和观测噪声协方差阵是时变的未知量,采用固定数值将会影响目标跟踪的精度,所以需要对两种噪声特征进行在线估计.应用噪声有限记忆自适应算法改进强跟踪滤波,在线自适应估计噪声协方差阵,并提出基于时变噪声系统自适应强跟踪滤波的目标预测算法,提高了对目标状态的估计精度.利用自主研发的全自主足球机器人进行目标跟踪的仿真,结果验证了该算法的有效性.     

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。     

一种基于简化自适应SCKF的目标跟踪算法

为降低传统自适应SCKF(Square-Root Cubature Kalman Filter)在目标跟踪过程中的计算负担,依据目标跟踪模型中状态方程通常为线性的特点,提出一种简化自适应SCKF算法。该算法在一步预测过程中,利用状态转移矩阵代替容积点,实现对状态变量和协方差矩阵的计算,达到降低运算复杂度的目的。通过对机动目标跟踪的仿真验证:相比于传统的自适应SCKF,提出的简化自适应SCKF不但能够保证跟踪精度,还能有效地提高运算效率。     

一种基于强机动的目标跟踪改进算法

针对传统目标跟踪算法鲁棒性较差等问题,提出了一种基于当前统计模型的无迹卡尔曼滤波交互式多模型(IMM-CS-UKF)融合算法。在交互式多模型算法框架内,计算当前统计模型的概率,提高了统计模型的目标加速度和自适应性。该算法结合了交互式多模型和无迹卡尔曼滤波算法,具有对不同机动模式目标的自适应跟踪能力和精度高等优点。仿真结果表明,该算法对以多种机动策略实时机动的目标具有较好的跟踪性能。     

高超声速滑翔飞行器多模型鲁棒跟踪方法

针对高超声速滑翔飞行器（HGV）具有机动能力强、机动样式多变、机动时机不确定等特点,提出了一种基于有向图变结构多模型的鲁棒跟踪（CHF-DSVSMM）方法。考虑到高超声速滑翔飞行器的跳跃滑翔运动特性,建立了包括自适应非零均值衰减震荡（ANMDO）模型、“当前”统计模型（CSM）等机动模型的模型集。针对固定结构多模型算法存在模型相互竞争、运算时间长的缺点,设计了基于有向图结构的切换准则自适应地改变模型集构成,提高模型匹配性。对于地基雷达探测中存在闪烁噪声的问题,采用容积Huber-based滤波方法进行状态估计。仿真结果表明,所提算法与现有方法相比具有更高的跟踪精度,并对闪烁噪声具有良好的鲁棒性。