用渐消卡尔曼滤波器防止捷联惯导系统滤波发散

为有效防止捷联惯导系统滤波发散,根据卡尔曼滤波原理研究了滤波发散的原因,引入了渐消卡尔曼滤波和遗忘因子。对常规卡尔曼滤波器和渐消卡尔曼滤波器的滤波进行的仿真结果表明,采用渐消卡尔曼滤波器在工程上可解决捷联惯导系统滤波发散。     

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.     

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。     

高超声速机动目标天基跟踪鲁棒性滤波方法

为解决高超声速滑翔飞行器(HGV)机动飞行过程中的跟踪问题,提出了一种基于机动观测器补偿的鲁棒扩展卡尔曼滤波方法。针对传统卡尔曼滤波器由于模型误差而无法稳定跟踪的问题,首先建立了HGV动力学模型和天基红外测量模型;随后,设计机动观测器对未知气动加速度进行在线估计;在此基础上,利用机动估计对扩展卡尔曼滤波中的预测步骤进行修正,克服了因模型误差而导致的滤波发散问题;最后,考虑到机动观测器的时延误差,在扩展卡尔曼滤波迭代过程中引入次优渐消因子,提高了滤波跟踪的鲁棒性。与强跟踪滤波、扩维卡尔曼滤波、交互多模型滤波等典型跟踪方法相比,所提方法可在不具备目标机动先验信息的情况下,以较低的计算耗时取得良好的稳定性和跟踪精度。     

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。     

多星座组合导航自适应联合卡尔曼滤波算法研究

针对多星座卫星组合导航,提出了一种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,直接从各卫星导航系统接收机输出的定位信息入手,将各种误差因素的影响等效为一个总误差,建立一种动态定位的自适应卡尔曼滤波模型。为了进一步提高滤波器的动态性能,通过引入调整系数、加权因子和自适应调节量对自适应滤波算法进行了改进,并分别对GPS、GLONASS和GALILEO系统设计了自适应子滤波器,然后采用联合滤波算法对各个子滤波器进行数据融合处理,最后对GPS/GLONASS/GALILEO组合导航系统进行了仿真验证,结果表明,该算法增强了滤波器的跟踪能力,改善了滤波效果,提高了定位精度。
     

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。     

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...     

非合作机动目标天基测角定轨研究

在对空间非合作目标天基测角卡尔曼滤波定轨中,目标机动会导致常规卡尔曼滤波器发散.提出一种无迹卡尔曼滤波(UKF)结合带次优渐消因子的无迹卡尔曼滤波(SFUKF)的滤波定轨方法,目标无机动时使用UKF,在目标机动时使用SFUKF,给出了目标机动的判断准则.仿真结果表明,此滤波方法在目标无机动时有较高的状态估计精度,在目标...     

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。     

基于BP神经网络组合导航融合算法

文章针对卡尔曼滤波算法的缺陷,建立了组合导航系统模型,提出了基于BP神经网络修正卡尔曼量噪权值的自适应卡尔曼滤波法,对量测噪声统计特性进行了自适应调整,并与传统卡尔曼算法进行计算机仿真比较。结果表明,基于BP神经网络的卡尔曼滤波器在一定程度上抑制了数据的发散,提高了导航精度。     

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。     

一种新的弹道导弹雷达跟踪算法

提出了一种新的名为Singer-IEKF的弹道导弹雷达跟踪算法.传统的弹道导弹跟踪方法,利用扩展卡尔曼滤波器进行非线性滤波,取Taylor展开的前两项,可能引入较大的线性化误差,导致跟踪精度不高.在分析弹道目标动力学特性的基础上对目标的运动模型采用基于J2校正的Singer模型来描述,并利用迭代的扩展卡尔曼对非线性的目标量测模型进行线性化.对新算法和扩展卡尔曼滤波算法进行Monte-Carlo仿真比较.仿真结果表明新算法的模型更准确,跟踪性能更好.     

一种新的弹道导弹雷达跟踪算法

提出了一种新的名为Singer-IEKF的弹道导弹雷达跟踪算法。传统的弹道导弹跟踪方法，利用扩展卡尔曼滤波器进行非线性滤波，取Taylor展开的前两项，可能引入较大的线性化误差，导致跟踪精度不高。在分析弹道目标动力学特性的基础上对目标的运动模型采用基于J2校正的Singer模型来描述，并利用迭代的扩展卡尔曼对非线性的目标量测模型进行线性化。对新算法和扩展卡尔曼滤波算法进行Monte-Carlo仿真比较。仿真结果表明新算法的模型更准确，跟踪性能更好。     

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。     

一种加速度干扰下的稳定被动定位跟踪算法

在研究一种具有误差自动解耦的观测域滤波的目标跟踪算法和自适应渐消EKF算法的基础上,提出一种匀速运动模型下,基于观测域的自适应目标跟踪算法。使用实测GPS导航数据进行数字仿真,结果表明：观测域的自适应目标跟踪算法在加速度扰动下,稳定性优于观测域滤波算法。     

一种多模型自适应联邦滤波器及其在INS/CNS/GPS组合导航系统中的应用

本文介绍一种基于多模自适应估计的联邦滤波器的原理和特点。设计了INS/CNS/GPS组合导航系统的联邦滤波算法 ,并首次将多模自适应估计方法运用到联邦卡尔曼滤波器中。此外 ,联邦滤波器算法中采用自适应调整信息分配系数的方法。仿真结果表明 ,与采用单一模型的联邦滤波算法相比 ,多模自适应方法与联邦滤波方法结合使用能大大提高导航系统的精度和可靠性。     

考虑量测滞后的INS/SAR组合导航非等间隔滤波算法研究

由于INS／SAR组合导航系统中图像匹配定位需要耗用不等的匹配计算时间，从而造成了量测的不等间隔频率输出和量测信息滞后。针对上述问题，采用常规的卡尔曼滤波算法难以获得高的滤波精度。本文首先分析了常规卡尔曼滤波器工作过程；然后在此基础上，提出了采用非等间隔并解决滞后的滤波算法以解决上述问题。本文利用系统状态转移矩阵的特性，设计了相应的非等间隔卡尔曼滤波算法，以解决非等间隔量测的问题；同时，在该非等间隔卡尔曼滤波算法的基础上，提出了解决量测滞后的方案。并通过协方差分析的方法对比分析了常规卡尔曼滤波器，非等间隔卡尔曼滤波器和解决滞后效应的滤波算法三种情况下的滤波精度。仿真结果验证了本文提出的算法具有较高的滤波精度。     

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.     

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。