高斯粒子滤波器及其在非线性估计中的应用

为了解决非线性、非高斯系统估计问题,讨论了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。在符合高斯假设和一定的粒子数的情况下,谈算法可以获得近似最优解。与粒子滤波算法相比,其优点是不需要重采样步骤和不存在粒子退化现象。在滤波精度、运算时间等方面与扩展卡尔曼滤波、Unscented滤波、高斯厄米特滤波及一般的粒子滤波进行了比较分析,仿真结果表明该算法性能优于其他算法。     

∞滤波在GPS／INS组合导航系统中的应用研究

提出了ＧＰＳ／ＩＮＳ位置、速度、姿态组合方法，并把线性时变离散系统的Ｈ∞滤波应用于组合系统。由于ＧＰＳ存在多路径误差ＳＡ误差等原因，难以确定准确的噪声统计模型。Ｈ∞滤波对噪声的不确定具有鲁棒性，所以用于组合系统能取得高于Ｋａｌｍａｎ滤波的效果。文中对基于ＭｏｔｉｏｎＰａｋ惯性组件和三个Ｊｕｐｉｔｅｒ ＧＰＳ接收肌组成的组合系统进行了实验研究。实验结果表明，Ｈ∞滤波取得了较好的效果，特别是位置精度有     

H∞滤波在GPS/INS组合导航系统中的应用研究

提出了 GPS/ INS位置、速度、姿态组合方法 ,并把线性时变离散系统的 H∞ 滤波应用于组合系统。由于 GPS存在多路径误差及 SA误差等原因 ,难以确定准确的噪声统计模型。H∞ 滤波对噪声的不确定具有鲁棒性 ,所以用于组合系统能取得高于 Kalm an滤波的效果。文中对基于Motion Pak惯性组件和三个 Jupiter GPS接收机组成的组合系统进行了实验研究。实验结果表明 ,H∞ 滤波取得了较好的效果 ,特别是位置精度有较大的提高     

GPS/INS组合导航系统的鲁棒滤波研究

卫星定位／惯性导航(GPS／INS)系统可形成优势互补而使短期和长期精度都有保证。GPS／INS组合导航系统通常使用Kalman滤波进行信息融合来削弱或消除系统噪声和测量误差,然而使用Kalman滤波要求系统动态模型精确和噪声的统计参数已知。但实际中构造精确的系统动态模型是十分困难的,并且噪声的统计参数也很难事先精确预知。对H∞问题进行了理论上的分析,构造了H∞滤波来提高系统对参数不确定的鲁棒性。仿真结果表明H∞滤波对模型的不确定性的鲁棒性比应用Kalman滤波的方法有较大的提高。     

基于自适应滤波的车载DR系统研究

ＧＰＳ／ＤＲ组合系统是一种低成本、高可靠性的车载导航设备ＤＲ（Ｄｅａｄ ｒｅｃｋｏｎｉｎｇ）是其最重要的组成部分。文中分析研究了ＤＲ自适应卡尔曼滤波模型及其滤波算法，设计了基于自适应滤波的车载ＤＲ系统，描述了系统的结构。实际跑车结果表明，采用机动加速度均值和方差的自适应滤波算法，可以大大提高系统的动态跟踪能力，特别是在车辆做大机动行驶时，跟踪效果尤为明显。     

发射系下SINS/GPS/CNS组合导航系统联邦粒子滤波算法

传统的扩展卡尔曼滤波(Extended Kalman filter, EKF)算法应用于未来高超、空天飞行器的组合导航系统时,因其模型线性化展开会导致模型不准确,从而引起导航精度下降;采用蒙特卡洛方法来实现递推贝叶斯估计问题的粒子滤波(Particle filter,PF)算法能有效避免引入线性化误差,具有一定的优势。据此,针对高超、空天飞行器在发射过程中通常需要直接获得发射惯性系下的高精度导航参数的需求,提高发射惯性系下弹载组合导航系统滤波算法的精确性就尤为重要,PF滤波算法无需对非线性系统进行线性化展开即可直接实现对非线性系统的状态误差估计。为此,本文将PF滤波算法引入空天飞行器SINS/GPS/CNS多信息融合组合导航系统,设计了发射系下基于联邦滤波器的PF滤波算法,实现了对组合导航系统状态参数的直接建模估计。算法仿真结果表明,相较于发射系下SINS/GPS/CNS组合导航系统联邦EKF滤波算法,PF滤波算法有效提高了组合导航系统滤波精度。     

基于U-D分解滤波的GPS动态用户导航算法研究

本文将数值稳定性好、计算量小的序列U-D分解滤波算法应用到状态方程为线性、观测方程为非线性的GPS动态用户导航系统中。文中建立了高动态用户数学模型,推导了以伪距为观测量的系统测量方程。在给定飞机航迹的情况下,对系统进行了数字仿真。仿真结果表明,U-D分解滤波算法能更有效地适合动态用户GPS导航系统。     

上升段飞行器目标的视频图像跟踪

粒子滤波是一种基于贝叶斯估计理论和蒙特卡罗理论的实时目标跟踪方法，具有较为灵活的并行化跟踪方式，能够较好地维持跟踪目标的假设状态，具有较好的跟踪效果和鲁棒性。上升段飞行器目标飞行视频图像跟踪是火箭等目标飞行监控的重要阶段，但现阶段对飞行器上升段的视频图像跟踪主要依靠人工手动操作云台控制器，实现视频图像中的飞行器跟踪，跟踪图像存在跟踪滞后、画面抖动等现象，跟踪效果受人为因素影响较大。本文提出一种基于粒子滤波方法的上升段飞行器目标视频图像跟踪方法，建立飞行器目标粒子滤波跟踪模型实现对飞行器目标的识别和跟踪，在识别和跟踪的基础上建立云台控制模型，通过对云台的智能控制获得飞行器上升段的高质量图像。采用火箭发射的视频图像作为模型验证的实验数据，检验飞行器目标的跟踪效果。     

一种改进的UGPF算法及其在导航问题中的应用

通过对高斯粒子滤波(GPF)算法的分析与总结,提出了一种基于无味卡尔曼滤波(UKF)方法的改进GPF算法(改进UGPF算法).该方法主要利用UKF获取更优的重要性抽样函数,同时优化GPF滤波的算法流程结构.最后通过二维目标跟踪过程中位置导航参数估计问题,对该算法进行了仿真分析,所得结果验证了该算法的有效性.     

Motycka估算方法中滤波位置改变对最大瞬时畸变值预测的影响

将Motycka方法中脉动压力滤波改为瞬时畸变滤波可减少其估算机时。本文从理论上建立了上述两种滤波位置所获得的瞬时畸变的随机统计参数和最大值之间的关系,用计算所得结果进行了验证。验证表明可用瞬时畸变滤波方法替代脉动压力滤波方法去估算最大瞬时畸变值。     

基于Morlet小波滤波提高系统参数识别精度的方法

提出了一种基于连续小波变换的时频域滤器对信号滤波,不会引起相波方法,用于频响函数估计前的信号预处理.采用Morlet小波构造一种FIR滤波位失真.提出了一种改进的小波基以满足瞬态激励情况的时频域分辨率要求.采用GARTEUR飞机模型构造仿真算例,对仿真数据添加白噪声.仿真结果表明,系统参数识别精度明显改善,滤波后获得的阻尼估计误差较滤波前下降了30%.     

基于自适应容积粒子滤波的车辆状态估计

针对车辆状态估计中由模型的强非线性、噪声的非高斯分布等相关因素导致估计精度下降甚至发散的问题,本文提出了基于自适应容积粒子滤波(Adaptive cubature particle filter,ACPF)的车辆状态估计器。首先基于非稳态动态轮胎模型,构建高维度非线性八自由度车辆模型。其次利用自适应容积卡尔曼滤波(Adaptive cubature Kalman filter,ACKF)算法更新基本粒子滤波(Particle filter,PF)算法的重要性密度函数,以完成自适应容积粒子滤波算法设计。利用车载传感器信息,运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。搭建Simulink-Carsim联合仿真平台进行了算法的验证,结果表明该算法状态估计精度高于传统无迹粒子滤波(Unscented particle filter,UPF)算法,且算法运算效率高于UPF算法,而传统PF估计值发散。研究结果为实现车辆动力学精准控制提供了理论支持。     

序列图像背景重建方法

研究了基于Kalman滤波理论的有色噪声滤波,探讨了其在序列图像背景重建中的应用。首先针对光线变化对背景的影响,建立背景的二阶滤波方程和观测方程,然后给出有色噪声滤波模型,利用Kalman滤波器对背景进行预测更新。试验结果表明,该方法能迅速更新背景,对光线变化具有良好的适应能力。     

集模式分散滤波及其应用

把集模式的思想用到了分散滤波中，并针对有关文献中加权因子的选取存在的必须凭经验进行的问题、对集模式分散滤波的加权因子的确定提供了一种方法，即利用状态量的误差协方差的特征值平方来确定加权因子。利用本文介绍的集模式分散滤波方法对INS/GPS/TAN组合导航系统进行了仿真。仿真结果表明，本文介绍的滤波方法具有较高的精度，因而不失为一种可行的滤波方法。     

基于静态小波分解的机加工表面图象滤波

由于在机械加工过程中机械振动和噪声回波的相干性，机加工表面图象上会存在白噪声，为了削弱这些噪声的影响，提出了一种基于静态小波分解的自适应阈值滤波方法，该方法首先将机加工图象分解至静态小波域。然后在静态小波域中将噪声的小波系数收缩至零，将此算法应用于机加工图象噪声滤波，并与基于Mallat分解的滤波算法和另外三种典型图象滤波算法进行比较，结果表明，该方法不仅可以有效的去除噪声，而且还可以保持图象的精密纹理结构。     

基于图像处理的航空发动机叶片检测技术研究

提出了一种基于图像处理的航空发动机叶片检测方法。该方法首先对叶片进行校正和滤波,然后进行自适应均衡化图像增强处理,最后进行自动阈值的canny算子边缘检测,实验表明：该方法能够较好地检测出叶片裂纹,取得较好的检测效果。     

中值滤波的快速算法

提出了一种中滤波的快速算法，充分地利用相邻两次中值滤波窗口内数据的相关性。在运算过程中，通过对有序序列快速的对半查代和内插操作重构有序序列，从而得到各中值。本算法很大地提高了运算效率，计算机模拟表明该方法是有效的。     

自适应阵列天线中应用Kalman补偿算法的探讨

为了补偿在自适应阵列天线中应用Kalman算法时,由于模型误差和计算误差所引起的自适应阵列天线性能的损失,本文引入Kalman补偿算法,即自适应Kalman渐消记忆滤波算法及自适应Kalman参量识别滤波算法,获得了有益的结果。最后在上述两种算法的基础上,导出了一种新的算法,该算法具有上述两种算法的优点。     

简化的混合估计算法及其在GPS／SINS深组合中的应用

为解决GPS/SINS深组合导航系统滤波的非线性和噪声的不确定性的问题,针对深组合模型特点,设计了一种简化的基于U滤波的多模型混合估计滤波器。根据系统模型中状态方程是线性方程、观测方程是非线性方程的特点,提出了一种简化的U滤波算法(Ultra tight coupling unscented Kalman filter,UTCUKF),然后针对噪声变化建立了非线性模型,多模型混合估计滤波器的输出为各滤波器的概率加权融合,因此模型概率是根据噪声变化而调整的,从而也使系统输出对噪声变化具有一定自适应能力。最后进行了仿真,并与基于普通U滤波的多模型混合估计算法进行了比较。结果表明,本文算法的解算时间短,模型切换速度更快,而估计的精确度与同条件下的基于普通U滤波的多模型混合估计算法相当,更符合深组合系统高动态的要求。     

余度MEMS-IMU/GPS组合导航系统

对采用余度配置的MEMS-IMU/GPS组合导航系统进行了研究。分析了微小型组合导航系统的特点和误差模型,针对惯性/GPS伪距组合导航模式下,卡尔曼滤波器需要对量测方程线性化的缺点,提出了基于改进平淡粒子滤波的滤波算法。该算法采用权值控制参数决定粒子是否进入平淡卡尔曼滤波器,有效降低了滤波计算量,并和UPF算法精度相当。研究表明,改进平淡粒子滤波算法对系统性能有明显提高,在GPS信号受到遮挡、暂时不可用的情况下,具有较好的抑制误差作用,适合余度微惯性/GPS组合导航系统的应用。