应用BP网络校正的卡尔曼滤波器

当目标作机动飞行时,由于未知机动引起的估计误差的影响,卡尔曼滤波器的跟踪性能将会严重下降。提出了一种应用BP神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,BP网络可以辨识非线性机动,修正卡尔曼估计值,改善跟踪效果。同时还研究了BP网络的自适应算法。对两个变加速机动目标的跟踪结果表明,经过BP网络校正的卡尔曼滤波器不会发生误相关,跟踪的精度较高。     

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。     

适于惯导系统初始对准的神经网络实时算法研究

通常卡尔曼滤波器被用于解决惯导系统的初始对准问题。由于卡尔曼滤波的运算时间与系统阶次的立方成正比 ,所以当系统阶次较高时 ,滤波器会失去实时性。而神经网络具有函数逼近性能 ,实时性又好。为此 ,本文研究了一种基于扩展卡尔曼滤波原理的权值更新多层神经网络学习算法 ,对此算法进行了详细的推证 ,并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性 ,既真正获得了与扩展卡尔曼滤波器相同的对准精度 ,又大大提高了系统的实时性     

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。     

基于最优估计神经网络的惯导系统初始对准研究

本文研究了一种基于卡尔曼滤波原理权值更新的多层神经网络学习算法，对此算法进行了详细的推证，并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性，既可获得与卡尔曼滤波器相同的对准精度，又提高了系统的实时性。从而得到了利用神经网络解决惯导系统初始对准问题的一种有效算法。     

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。     

模糊自适应卡尔曼滤波技术研究

提出了一种基于模糊自适应卡尔曼滤波技术的组合导航的新方法。这一方法主要应用于自主式机动飞行器。用模糊逻辑自适应控制器对卡尔曼滤波器的噪声方差进行“在线”修正,将卡尔曼滤波器调整到最优状态,从而提高组合导航系统的精度。通过对ＧＰＳ/ＩＮＳ组合导航系统的仿真,验证了模糊自适应卡尔曼滤波器比常规卡尔曼滤波器具有更高的精度。该方法的研究对飞行器的导航与制导具有重要意义。     

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。     

基于BP神经网络的飞行器参数辨识与自适应控制

针对跨域空间飞行器气动参数非线性严重和具有大不确定性等特点,提出一种基于BP神经网络的飞行器离线参数辨识与在线自适应控制的方法.首先,临近空间飞行器进行风洞试验吹风得到的气动参数是典型的输入输出非线性系统,运用BP神经网络算法进行离线训练建立气动数据的辨识模型;其次,根据气动数据的辨识模型计算实时舵效变化参数,飞行器控制的增益根据舵效变化完成在线自适应调节,实现飞行器的自适应姿态控制;最后,进行数学仿真验证,结果表明,将BP神经网络应用于飞行器姿态控制中,能够实现控制参数的自适应调整,说明BP神经网络具有优良的逼近性能,最终提升了飞行器姿态控制系统的性能,提高了智能化设计水平.     

一种应用于星光观测导弹姿态确定的强跟踪滤波算法

为提高基于星光观测的导弹姿态确定系统的非线性滤波器性能,对更具自适应能力的强跟踪扩展卡尔曼滤波器进行了研究。针对一般强跟踪扩展卡尔曼滤波算法的自适应能力有限的缺点,推导了一种能根据每一个状态噪声的变化来调解误差方差阵中相应的渐消因子的强跟踪滤波算法,根据其在导弹姿态确定中的应用特点对其进行了优化;并将其应用到基于星光观测的导弹姿态确定仿真中以验证算法的效果;仿真实验说明算法的速度、精度和可靠性能够满足基于星光观测的导弹姿态确定的需要。     

基于模糊自适应卡尔曼滤波的INS/GPS 组合导航系统算法研究

针对车载组合导航系统量测噪声统计特性随实际工作条件的不同而变化的特点,提出了一种基于模糊自适应卡尔曼滤波的车载INS/GPS组合导航算法。该方法通过监视理论残差与实际残差的比值是否在一附近,应用模糊推理系统不断的调整量测噪声协方差阵的加权,对卡尔曼滤波的量测噪声协方差阵进行递推在线修正,使其逐渐逼近真实噪声水平,从而使滤波器执行最优估计,提高导航系统的精度。对车载组合导航系统的仿真结果表明,这种算法对时变的量测噪声具有较强的自适应性,进而精度比常规卡尔曼滤波也大为提高,是一种可行的车载组合导航算法。     

Laser radar based relative navigation using improved adaptive Huber filter

An improved adaptive Huber filter algorithm is proposed to model error and measurement noise uncertainty in this work. The adaptive algorithm for model error is obtained by using an upper bound for the state prediction covariance matrix with augment of chi-square statistical hypothesis test in case of filter deteriorated by wrong residual information. The measurement noise is estimated at each filter step by minimizing a criterion function which was original from Huber filter. A recursive algorithm is provided for solving the criterion function. The proposed adaptive filter algorithm was successfully implemented in radar navigation system for spacecraft formation flying in high earth orbits with real orbit perturbations and non-Gaussian random measurement error. Simulation results indicated that the proposed adaptive filter performed better in robustness and accuracy compared with previous adaptive algorithms.     

基于自适应滤波的光谱畸变误差抑制方法

为降低天文光谱畸变误差对多普勒测速导航精度的影响,设计结合非线性Sage-Husa噪声估计器及抗差扩展卡尔曼滤波器(Robust Extend Kalman Filter,REKF)的自适应滤波算法。当系统模型可靠时,抗差滤波能够通过预测残差判断异常量测并降低其权重;当系统模型噪声先验信息不准确时,通过Sage-Husa噪声估计器估计系统噪声协方差阵Q阵,以保证抗差滤波的效果。此外,结合多普勒测速导航及X射线脉冲星导航进行组合导航,以提高位置估计精度。仿真结果表明,该算法能够在系统模型噪声先验信息不准确的情况下有效控制光谱畸变造成的量测误差对导航精度的影响。     

自适应滤波在磁暴期间地磁导航中的应用

对磁暴期间巡航导弹巡航段的地磁导航问题进行了讨论。针对地磁导航在磁暴期间常规卡尔曼滤波容易发散的问题,提出了一种基于Sage\|Husa自适应卡尔曼滤波的地磁导航算法。算法根据新息的变化自适应调整测量噪声矩阵,消除了磁暴影响,提高了滤波稳定性。仿真表明在选择合适的遗忘因子基础上,即使在磁暴最剧烈的时间段,采用自适应卡尔曼滤波仍能保证一定的精度,定位精度在200m以内,满足巡航导弹中程制导的精度要求。     

自适应广义卡尔曼滤波器在反辐射导弹中的应用

抗目标辐射源关机的能力是反辐射导弹的关键战术技术性能之一，采用增广状态的广义卡尔曼滤波（EKF）与Sage－Husa自适应滤波相结合的方法，解决了在被动雷达导引头测量存在常值偏差和随机噪声，且随机噪声方差未知情况下所测角度的滤波问题，从而在目标辐射源关机时刻较精确地建立起目标视线在惯导坐标系中的方位坐标（简称惯性基准），进而利用速度追踪法导引导弹攻击目标。给出了以某型导弹为背景的全空间弹道数学仿真结果。     

一种基于遗传RBF神经网络的智能容错滤波算法

针对组合导航中标准卡尔曼滤波容错性能不足的问题,提出一种基于遗传RBF神经网络的智能容错滤波算法,其基本思想是通过RBF网络自动调节滤波增益来控制不确定性噪声的影响,进而提高滤波容错性。在RBF神经网络中,隐层单元与核函数宽度的选取对网络的性能具有重要影响,进而利用自适应遗传算法对其隐层单元数及核函数宽度进行了优化,隐层单元中心和输出层连接权值分别由K-均值聚类和最小二乘算法确定,最后得到精度较高且结构优化的RBF网络。为检验方法的应用效果,以SINS/GPS组合导航系统为例进行了仿真验证,实验结果表明遗传RBF网络容错滤波算法能在满足导航精度和计算量增加较小的前提下,比标准卡尔曼滤波具有更强的容错能力,由此也说明了方法的有效性。     

基于模糊控制的组合导航算法

文章提出一种根据信号残差（新息）对导航信息进行自适应噪声协方差调整的算法,由此得到导航参数的最优状态估计。其中重点研究了模糊控制对滤波器的动态调整,建立模糊滤波控制的模型,并与传统卡尔曼算法进行比较。仿真结果表明,基于模糊控制器的卡尔曼滤波器很好地限制了数据的发散,并在很大程度上提高了系统的稳定性。     

利用增量相位和星光仰角增强XNAV

针对X射线脉冲星导航系统(XNAV)中过程噪声统计特性难以准确获取，对其不当假设导致滤波器估计性能不佳的问题，提出基于自适应差分卡尔曼滤波器(ADDF)的多信息融合算法。为了降低导航误差，在传统脉冲星计时观测的基础上，增加恒星星光仰角及两个时刻间的相位增量观测量，共同增强XNAV。首先，分别建立计时观测模型、相位增量模型及星光仰角模型；然后将多信息测量模型集成到卫星轨道动力学方程中，以建立ADDF滤波模型；最后对所提方法进行仿真验证。实验结果表明，在相同的初始状态和初始噪声误差条件下，与传统X射线脉冲星导航算法相比，多信息融合算法能将导航位置估计精度提高70%以上，位置估计误差降低到 200 m 左右，速度估计精度提高40%以上，且ADDF性能优于无迹卡尔曼滤波器。     

GPS/INS 组合导航系统降阶滤波器设计

本文研究了某型号飞机上ＧＰＳ／平台惯性组合导航系统中降阶卡尔曼滤波的设计方法。文中提出了一种降阶滤波器结构，并讨论了模型误差的伪随机噪声补偿方法。采用蒙特——卡洛分析法对降阶滤波器的实际误差进行了数字仿真，结果表明：本文提出的这种降阶滤波器能保证组合系统的导航精度，是一种具有实际使用价值的滤波器     

基于多圆交汇的天文定位与组合导航方法

惯性/天文组合导航系统具有全自主、抗干扰能力强等特点,在一些特殊的导航领域受到了人们的高度重视。本文研究了一种天文多圆交汇迭代定位算法,具有数值计算稳定,适合任意多颗导航恒星参与计算的优点,并能同时计算出对应的定位误差协方差阵;在此基础上,将捷联惯性导航系统与天文导航系统组合,构成了扬长避短的组合导航系统,采用扩展卡尔曼滤波算法实现捷联惯导与天文定位两者的信息融合。最后进行了仿真实验,其结果表明,该天文定位算法简单有效,定位误差模型准确,组合后的系统具有较高的精度。