鲁棒EKF在脉冲星导航系统中的应用

针对脉冲星导航系统的滤波问题,传统的扩展卡尔曼滤波(EKF)算法存在不能克服系统模型存在不确定性参数以及乘性噪声等缺陷,提出一种鲁棒EKF算法。首先,分析了状态预测误差方程和估计误差方程,利用统计学原理,得到了状态预测方差矩阵和状态估计方差矩阵计算等式。由于系统模型存在不确定性参数,状态预测协方差矩阵和状态估计协方差矩阵无法计算;因此,利用4个重要矩阵不等式,分析并找到预测方差矩阵和状态估计方差矩阵的上界。最后,利用状态估计误差协方差矩阵上界设计状态增益矩阵,使得状态估计协方差矩阵的迹最小。将该算法对脉冲星导航系统进行仿真,仿真结果验证了所提算法的有效性。     

基于EKF的天线罩误差斜率多模型估计方法

 提出一种新的滤波器结构,利用基于扩展卡尔曼滤波(EKF)的多模型(MM)算法,对天线罩误差斜率进行估计,降低天线罩误差对雷达自寻的导弹的影响,提高系统性能。在三维坐标下,创建包含导弹运动方程、目标运动方程、弹目相对运动方程的滤波模型。采用EKF算法,对包含天线罩误差的非线性观测方程进行线性化处理;依照多模滤波的思想,对天线罩误差进行离散建模,构建伪观测方程,更新模型概率,得到天线罩误差斜率的估计值;将斜率估计结果代入EKF,得到滤除天线罩误差影响的系统状态量估计结果并形成制导指令。仿真结果表明,所提方法可以有效地估计天线罩斜率,提高系统制导精度。     

一种基于模型误差预测的UKF方法

UnscentedKalman滤波器（UKF）对本质非线性系统具有估计精度高、收敛速度快和容易实现等优点,但是对系统的模型误差比较敏感。针对这一问题,提出了一种基于模型误差预测的UKF方法,称为PUKF（PredictiveUnscentedKalmanFilter）。它利用非线性预测滤波器（NPF）的模型误差预测过程,能够对不准确的系统模型进行实时修正,弥补了UKF方法的不足。仿真结果表明,相对于原始的UKF方法,新方法从滤波精度、收敛速度和收敛的稳定性等几个方面,显著提高了非线性滤波的性能。PUKF可适用于模型不确定、非线性较强系统的滤波。     

网络攻击下无人机信息物理系统的自适应状态估计

针对网络攻击下无人机信息物理系统(CPS)的安全状态估计问题,提出了一种基于自适应方差极小化的递推状态估计器(AVMRE)。通过将针对控制输入和传感器数据的恶意攻击分别建模为状态和量测方程中的未知干扰项,建立了未知干扰解耦状态递推估计器,实现滤波误差中的量测未知干扰解耦,利用滤波残差设计自适应调整因子对估计误差上界进行极小化,应用最小方差估计准则求解出算法中的量测增益反馈矩阵。同时引入事件触发机制,使得系统在保持一定估计精度的情况下节省通信资源。此外,给出了滤波误差指数有界性的充分条件。无人机飞行模型仿真验证了本文算法相比传统算法的有效性和优越性。     

基于混合粒子滤波的激光惯导系统误差的补偿

针对激光陀螺捷联惯导系统在动态尤其是高动态环境下的姿态误差显著增大的问题,提出了一种基于改进高斯混合粒子滤波的纯方位跟踪算法。算法基于混合粒子的卡尔曼滤波和粒子滤波的特点,用有限的高斯模型来近似后验状态密度、系统噪声和观测噪声的分布通过EM的算法设计实现模型的降阶,一定程度上克服了EM算法迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间边界的缺点,从而改善了粒子携带信息的衰减问题。通过仿真与试验结合,在纯动态应用环境下的姿态与定位精度补偿效果,与传统Kalman滤波相比,算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。     

基于RVM回归误差补偿的航空发动机分布式控制系统多步预测控制

针对具有随机有界双侧时延的航空发动机分布式控制系统,提出了一种基于多步预测和关联向量机(RVM)回归误差补偿的控制方案.首先建立航空发动机分布式控制系统(DCS)的神经网络非线性自回归滑动平均(NARMA)模型,利用当前的系统输出和控制量对N步之后的系统输出进行预测;其次用改进的RVM回归多步预测算法估计NARMA模型的的预测误差,并对预测结果进行误差补偿;最后利用补偿之后的预测值和设定值对控制参数进行滚动优化,设计系统的神经网络逆控制器实现系统的自适应控制.仿真结果证明该控制策略能够避免随机有界双侧时延对控制系统的影响,实现对设定值的稳定跟踪,且控制器具有较好的实时性和鲁棒性.低压转子转速阶跃响应的稳态绝对误差小于0.04%,响应时间小于0.3s.      

一种改进的高超声速滑翔目标跟踪方法

针对临近空间高超声速滑翔目标跟踪问题，提出一种基于反向传播神经网络修正改进迭代扩展卡尔曼滤波(Back Propagation Neural Network-aided Improved Iterative Extended Kalman Filter, BP-IIEKF)的目标轨迹跟踪方法。在雷达站坐标系下建立目标运动模型和量测模型。引入阻尼因子修正IEKF算法中的协方差预测矩阵，并定义算法的代价函数，给出迭代终止条件，保证了算法收敛精度，减小状态的观测更新误差，提高了目标状态估计精度。利用BP神经网络修正滤波结果，补偿系统滤波误差，进一步提高了跟踪精度。仿真结果表明所提算法对高超声速滑翔目标具有更高的跟踪精度。     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

基于CKF的联合扩维误差配准算法

误差配准是多传感器信息融合的基础。为解决机载多平台多传感器的误差配准问题,研究并提出了一种基于容积卡尔曼滤波(CKF)的联合扩维误差配准算法。在算法实现中,首先采用状态矢量维数扩展方法建立非线性滤波框架下的系统误差配准模型,其次根据误差配准模型对各传感器的测量系统误差及各平台的姿态角系统误差进行估计,最后通过CKF滤波实现对状态预测值的修正,改善系统误差对滤波精度的影响。仿真结果表明,所提出的算法能够有效融合利用多传感器的测量信息,实现对多传感器系统误差及目标状态的实时联合精确估计。     

Rao-Blackwellized粒子概率假设密度滤波算法

针对多目标跟踪（MTT）,提出一种新的基于随机集的滤波算法,称为Rao-Blackwellized粒子概率假设密度滤波算法（RBP-PHDF）。算法运用Rao-Blackwellized思想,通过挖掘分析“混合线性/非线性模型”的结构,采用序列蒙特卡罗（SMC）方法预测与估计概率假设密度（PHD）迭代式中各个目标的非线性状态,并利用非线性状态粒子中包含的信息,使用卡尔曼滤波器（KF）对线性状态进行预测与估计。以更好地估计PHD进而提高各目标状态估计精度。分析与MTT仿真的结果表明,在相同的仿真条件下,与现有序列蒙特卡罗概率假设密度滤波算法（SMC-PHDF）相比,RBP-PHDF在降低粒子维数、减少计算量的同时,有效提升了估计精度。     

Design of a practical tracking algorithm with radar measurements

The extended Kalman filter (EKF) has been widely used as a nonlinear filtering method for radar tracking problems. However, it has been found that if cross-range measurement errors of the target position are large, the performance of the conventional EKF degrades considerably due to nonnegligible nonlinear effects. A new filtering algorithm for improving the tracking performance with radar measurements is developed based on the fact that correct evaluation of the measurement error covariance is possible in the Cartesian coordinate system. The proposed algorithm may be viewed as a modification of the EKF in which the variance of the range measurement errors is evaluated in an adaptive manner. The filter structure facilitates the incorporation of the sequential measurement processing scheme, and this makes the resulting algorithm favorable to both estimation accuracy and computational efficiency. Computer simulation results show that the proposed method offers superior performance in comparison to previous methods. Moreover, our developed algorithm provides some useful insight into the radar tracking problem     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于PnP的自适应线性卡尔曼滤波位姿估计求解方法。将PnP位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

基于自适应SRCKF的空间非合作目标实时轨道确定

针对天基测角对非合作目标跟踪定轨的动力学模型简化误差问题,提出一种基于非线性预测滤波和SRCKF(Square Root Cubature Kalman Filter,平方根容积Kalman滤波)的自适应滤波方法.采用考虑地球J2摄动影响的轨道动力学模型作为状态方程,在跟踪滤波过程中,用NPF(Nonlinear Predictive Filter,非线性预测滤波)对动力学模型进行实时修正,利用SRCKF对修正后的动力学模型进行状态估计.将该方法应用于高轨航天器对非合作低轨目标的实时测角定轨任务中,进行数字仿真,仿真结果证明,该方法相比传统的滤波方法具有更高的精度、更强的鲁棒性和稳定性.     

自校准扩展Kalman滤波方法

提出一种自校准扩展Kalman滤波(SEKF)方法,针对3种含有未知输入(如未知系统误差、突风、故障等)的不同的非线性系统模型,分别给出了滤波递推算法.在导航、信号处理、故障诊断等领域的许多非线性工程中,传统的扩展Kalman滤波(EKF)方法无法消除未知输入的影响,在滤波过程中往往产生较大误差甚至发散.提出的SEKF方法能够对这种未知输入进行补偿和修正,从而提高滤波精度.数值仿真算例表明:SEKF的滤波误差均值和标准差分别减少到传统EKF的1/12和1/4,有效地改善了滤波精度.并且该方法计算简单,便于工程应用.      

A novel optimal data fusion algorithm and its application for the integrated navigation system of missile

For Inertial Navigation System(INS)/Celestial Navigation System(CNS)/Global Navigation Satellite System(GNSS) integrated navigation system of the missile, the performance of data fusion algorithms based on the Cubature Kalman Filter(CKF) is seriously degraded when there are non-Gaussian noise and process-modeling errors in the system model. Therefore, a novel method is proposed, which is called Optimal Data Fusion algorithm based on the Adaptive Fading maximum Correntropy generalized high-degree...     

基于自适应粒子滤波的涡扇发动机故障诊断

针对涡扇发动机非线性、非高斯的特点,提出了一种自适应的粒子滤波算法用于涡扇发动机气路部件突变故障的诊断.为了减小算法的计算量并且保证滤波精度,分析了滤波精度和样本数目的关系,提出根据滤波过程中状态的方差自适应地调整粒子数,在保证一定的滤波精度下可以有效地减少滤波过程中使用的粒子数,提高了算法的实时性.同时,引入扩展卡尔曼滤波(EKF)用于更新粒子,产生重要概率密度函数,在一定程度上避免了粒子的退化.通过某型涡扇发动机的仿真分析表明:改进的算法相比标准粒子滤波算法用于涡扇发动机气路部件故障诊断时,参数估计的方均根误差减小了50%左右,且算法的计算量减小了30%.     

欠观测条件下的扩展增量 Kalman 滤波方法

建立欠观测条件下的非线性增量量测方程,并给出其线性化方法,在此基础上提出一种欠观测条件下的扩展增量Kalman滤波(EIKF)模型及其递推算法.工程实际中,由于环境因素的影响、测量设备的不稳定性等原因往往带来未知的系统误差,传统的扩展Kalman滤波(EKF)无法对这种未知的系统误差进行补偿和校正,结果产生较大的滤波误差,甚至导致发散.提出的扩展增量Kalman滤波方法能够成功地消除测量的系统误差,从而有效地提高非线性滤波的精度.该方法计算简单,便于工程应用.