有色噪声补偿下降阶系统状态的最优估计

在大型空间结构的控制系统设计中,降阶系统的状态估计是非常重要的环节,它直接关系到控制器的性能。针对B.Friedland的工作,本文提出了有色噪声补偿模型,在恒等变换下显式地消去了有色噪声项,利用正交投影定理仅对感兴趣的状态分量导出了无偏、最小方差估计。这组递推估计式与采用增广状态方法相比,不仅在处理容量、计算效率上有很大改进,而且是标准Kalman滤波方程的推广。注意到原系统与降阶系统之间的内在联系,本文采用随机系统分析方法,给出了在高斯、马尔可夫假设下,有色噪声模型特征参数的在线识别技术。数字仿真表明,对偏差补偿起主要作用的是有色噪声补偿模型中的驱动白噪声项,这是对B.Friedland工作的发展。     

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。     

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。     

斜下降飞行状态的旋翼桨 涡干扰噪声高效计算方法及降噪

将旋翼涡系理论与旋翼噪声计算方法相结合,建立了一个新的适用于桨-涡干扰(Blade-vortex interaction,BVI)噪声简化计算的方法。一方面,为推导桨-涡干扰噪声的解析表达式并简化运算过程,气动计算采用了基于实验的Beddoes修正涡系模型,噪声计算则使用Farassat 1A声学公式的载荷噪声项,并通过紧致源假设,实现了旋翼BVI噪声的解析推导;另一方面,为了分析直升机飞行参数对旋翼桨-涡干扰噪声的影响,将旋翼的飞行姿态与直升机旋翼气动计算模型相结合,建立了受飞行参数影响的BVI噪声声压计算模型。然后,进行了相关的算例计算,并与可得到的实验数据进行了对比,验证了所建立方法的有效性。在此基础上,应用该方法研究了桨-涡干扰状态下飞行参数对桨盘入流、桨-涡垂直间距这两个重要参数的影响,着重计算分析了斜下降飞行时出现强BVI噪声辐射的飞行航迹角和前进比范围,得出了有意义的结论。     

非线性输出误差模型的两阶段递推辨识算法

输入非线性系统的输出误差模型在实际工业生产中是一类常见模型,针对含有色噪声的输出误差模型提出基于辅助模型的两阶段递推增广最小二乘算法。根据辅助模型思想和分解技术,将复杂的非线性辨识系统分解为系统模型和噪声模型子系统,再根据最小二乘思想分别辨识,其中噪声信息向量中存在的不可测噪声项用其估计值代替。最后与递推增广最小二乘算法在参数估计精度和收敛速度的比较,验证算法在此类模型应用的有效性,仿真结果表明该算法精度高,收敛速度快,计算量小。     

容错导航系统的一种联合滤波器结构及其算法

本文提出了一种采用联合卡尔曼滤波器结构的容错导航系统的滤波算法。这种在多处理机环境下并行处理的分布式滤波算法有效地解决了具有多子系统的容错导航系统的实时要求。主滤波器的状态联合算法保证了获得系统最优公共状态估值。基于联合滤波器结构,水文提出了容错导航系统的故障检测与隔离(FDI)算法,将故障检测隔离决策归结为各子系统的状态估值与基于系统特性及先验噪声模型的状态估值之间的均值一致性检验问题。FDI算法决策并隔离发生故障的子系统对整个系统性能的影响。基于公共状态量的概念,简化了FDI算法的计算。     

基于分布式Kalman滤波和BP神经网络组合的静电陀螺漂移辨识方法

提出一种新的方法,把分布式Kalman滤波(DKF)方法与后向传播神经网络(BPNN)技术相结合,用于静电陀螺漂移的模型辨识.首先,为了消除测量噪声影响,将同一个静电陀螺带有噪声的多次测量数据集映射到一个虚拟的传感器网络中,然后采用具有嵌入式紧致滤波功能的DKF对映射数据进行滤波预处理.在此基础上,将预处理结果转换为用于训练神经网络的输入数据和输出数据,然后采用BPNN辨识静电陀螺漂移.实验表明,该方法可有效用于陀螺漂移的模型辨识.     

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。     

桨尖下反对旋翼BVI噪声特性的抑制分析

基于计算流体力学(Computational fluid dynamics,CFD)方法,分析研究了新型下反桨尖对前飞状态旋翼桨/涡干扰(Blade-vortex interaction,BVI)噪声特性的影响。首先,通过求解Navier-Stokes方程获得准确的噪声声源信息,湍流模型采用一方程S-A模型。采用双时间法进行时间推进,为了提高流场的收敛速度,在伪时间方向上使用高效的隐式LU-SGS格式推进,并采用并行算法进行加速。然后,在获得的可靠声源信息基础上,采用基于FW-H方程的Farassat 1A公式求解噪声。对有试验结果的算例进行了对比计算分析,验证了本文噪声预测方法的有效性。在此基础上,针对具有典型BVI噪声特征的前飞斜下降状态,开展了不同下反角度桨尖新型旋翼噪声辐射特性的计算分析,通过噪声辐射球的对比结果表明,选择适当的下反桨尖,可以有效地降低前飞斜下降状态下旋翼BVI噪声,从而达到较好的旋翼噪声抑制效果。     

AR与ARMA有色噪声的生成方法

基于自回归与自回归滑动平均模型。讨论了两种有色噪声的软件生成方法，可使输出序列无起始瞬为现象，给定功率谱函数结构时采用递推算法。给定滤波器系数时采用步降法。分别给出了滤波器的两种设计流程。通过设置滤波器的初始状态，使得在白噪声激励下滤波器的输出序列稳定，无起始瞬变现象。     

Vehicle State and Parameter Estimation Based on Dual Unscented Particle Filter Algorithm

Acquisition of real-time and accurate vehicle state and parameter information is critical to the research of vehicle dynamic control system. By studying the defects of the former Kalman filter based estimation method, a new estimating method is proposed. First the nonlinear vehicle dynamics system, containing inaccurate model pa rameters and constant noise, is established. Then a dual unscented particle filter （DUPF） algorithm is proposed. In the algorithm two unscented particle filters run in parallel, states estimation and parameters estimation update each other. The results of simulation and vehicle ground testing indicate that the DUPF algorithm has higher state estimation accuracy than unscented Kalman filter （UKF） and dual extended Kalman filter （DEKF）, and it also has good capability to revise model parameters.     

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。     

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。     

基于序列图像的非合作目标自主导航及验证

针对空间自旋或章动运动的非合作目标运动感知与估计问题,给出了一种基于序列图像的运动测量与状态估计方法。所给出的方法由两部分组成:(1)采用立体视觉测量目标三个非共线的特征点,建立目标参考系并实现相对姿态的测量;(2)采用目标运动学和动力学方程,推导了扩展卡尔曼滤波器,实现目标角速度和惯量比的估计。最后,分别给出了数学仿真和物理试验:(1)利用数学仿真验证了所给出的卡尔曼滤波估计算法在不同目标运动情况下的收敛性;(2)利用机械臂模拟目标的自旋运动,利用双目相机采集目标运动图像,试验结果验证了所给出的运动测量与状态估计方法可以连续的给出目标角速度的精确估计。     

一种新的鲁棒非线性卡尔曼滤波

Huber方法是一种基于l1/l2联合范数的估计方法,该方法可以实现估计的鲁棒性,同时尽量不损失滤波精度和效率.基于Huber估计的无味卡尔曼滤波虽提高了无味卡尔曼滤波的鲁棒性,但这种方法用统计线性回归模型来近似非线性的观测模型,损失了无味变换的精度.从Huber方法的数学意义出发,对观测信息(观测值或观测噪声)进行重新构造,然后对精确的非线性观测方程进行标准的无味卡尔曼滤波,这种新的基于Huber方法的无味卡尔曼滤波无需对非线性观测方程进行线性近似,在保持鲁棒性的前提下提高了滤波精度.通过一个具有混合高斯分布观测噪声的简明实例,验证了新算法在鲁棒性、滤波精度以及估计一致性方面的优势.     

A FAST KALMAN FILTER FOR INTEGRATED GPS/INS BASED ON U D FACTORIZATION

研究了基于Ｕ－Ｄ分解的快速Ｋａｌｍａｎ滤波算法,并将它应用到一个２１状态的ＧＰＳ／ＩＮＳ组合导航系统工程实现中。常规的Ｋａｌｍａｎ滤波器已广泛应用于ＧＰＳ／ＩＮＳ组合系统,但由于系统建模误差和计算舍入误差,Ｋａｌｍａｎ滤波器在工程应用中会出现发散现象。为了解决这个问题,本文推导了一个基于Ｕ－Ｄ的扩展Ｋａｌｍａｎ滤波器。此外,由于高阶组合系统计算量大,导致基于Ｕ－Ｄ分解的滤波器在实时应用中有困难,为此,本文提出了一种快速的滤波算法来节省计算时间。文中设计了一条近于实际的飞机航迹来仿真。结果表明,本文所提的滤波算法能有效地克服组合系统滤波器发散问题,并减少计算时间近６９％。     

一种新的雷达组网实时误差配准算法

雷达组网系统首先要解决误差配准问题，来准确地估计和消除系统误差。本文研究了异地雷达组网误差配准问题，在考虑随机量测噪声影响的基础上，提出了一种实时Kalman滤波(RTKF)误差配准算法，然后针对多条配准航迹，给出了该算法的扩展形式，即ERTKF误差配准算法，并对两种算法进行了性能分析。仿真表明两种算法能有效地对雷达系统误差进行估计，尤其是当系统偏差发生变化时，配准效果明显优于实时质量控制(RTQC)配准算法。     

BeiDou B1I/B3I Signals Joint Tracking Algorithm Based on Kalman Filter

Dual-frequency satellite positioning receivers are widely used because they can eliminate ionospheric delay and solve the full-circumference ambiguity quickly. However,in traditional dual-frequency receivers,the relevance of dual-frequency signals are not considered,and,with no improvement imposed to the tracking loop,two independent tracking loops are used to achieve the tracking of dual-frequency signals. In this paper,the Bei Dou dual-frequency signals joint tracking algorithm based on Kalman filter is proposed for the tracking of Bei Dou B1I and B3I dual-frequency signals. Taking the relevance of B1I and B3I signals into consideration,the algorithm adds a Kalman filter between the phase detector and carrier loop filter of the traditional dual-frequency independent tracking loop. The output results of the phase detectors of the B1I and B3I branches are then combined and filtered by the Kalman filter,and the results are input to the carrier loop filters of the corresponding branches. Proved by experiments,the algorithm not only enables the loop to enter a stable tracking state quickly,but also reduces the noise bandwidth of the two loop filters by about 10 Hz with the same tracking performance obtained.