R-T-S平滑算法与抗差Kalman在数据后处理中的应用

为了提高组合导航系统后处理精度和数据稳定性,将R-T-S最优固定区间平滑算法引入数据后处理中,在前向Kalman滤波的基础上,进行了后向R-T-S最优固定区间平滑处理,并针对GPS观测值中存在异常的问题,将抗差Kalman滤波算法引入数据后处理中,并对该算法进行实物仿真。结果表明,与传统Kalman滤波相比,R-T-S平滑算法不仅可以提高位置、姿态精度,而且在卫星信号失锁的情况下精度也得到显著改善,并且在不丢星的时刻,抗差Kalman滤波可以有效处理GPS信号中的异常观测值,遏制滤波发散,是一种有效的数据处理方法。     

对脉冲型数据的一种数字滤波技术

本文提出了一种用于处理动态实验脉冲型数据的数字滤波技术，首先，识别和剔除数据中的野值并加以补正，然后使用最小二乘法１５点二阶算式对数据进行滤波，对于脉冲幅值较大的数据可多次滤波，以得到更新近于真实值的数据，用数字滤波技术作动态点估算，对测量数据具有频域滤波和数据平滑化功能，其特点是简单，实用，应用性强，算例表明，对于脉冲型数据和混有高频噪声的动态测量数据的滤波效果是良好的，给出了原数据的有用信息和     

基于改进的UPF雷达组网数据融合方法

传统粒子滤波方法(PF)中,粒子权值仅参考当前观测值,由于观测随机误差的影响,降低了粒子权值的准确性。本文提出一种新的粒子权值确定方法,利用目标运动方程向后外推目标状态,综合利用外推的目标状态以及历史观测数据,降低了观测随机误差的影响,改进了粒子权值的准确性,从而提高了粒子滤波性能。采用改进的粒子滤波方法处理多雷达测量数据,仿真结果表明,改进的粒子滤波方法可以很好地实现多雷达测量数据的融合处理,提高了目标外弹道定位精度,可以应用在飞行器跟踪测量的数据融合处理中。     

引信多普勒频率的线性稳健拟合

由于体目标效应影响引信多普勒频率数据经常包含误差(尤其是野值),给飞行试验结果分析带来困难。针对该问题,提出一种用于去除误差的线性稳健拟合方法。首先,建立引信多普勒频率数学模型并对多普勒频率进行线性转换;然后,在分析线性稳健拟合的M估计法及其权重函数的基础上,给出多普勒频率线性稳健拟合的方法及步骤;最后,对拟合方法及其精度进行仿真验证。仿真结果表明:多普勒频率仅含随机误差时,经一次稳健拟合精度就很高。同时,包含多个野值时,经2次稳健拟合和1次野值修正也可达到较高精度。结论是经线性稳健拟合后的引信多普勒频率可用于飞行试验引战配合结果分析以及脱靶量估算。     

数据中的野值剔除方法

本文提出二种野值剔除方法,一种用于实时处理,另一种用于事后处理。前者是在首先找到五至七个正确观测量的基础上,利用递推滤波中的预报残差这个统计量进行逐个判别;后者是在找到五个正确观测量的基础上,主要利用y_(K+1)、y_(K+2)……y_(K+5)、y_(K+l)、y_(K+s)(6≤l相似文献   

色噪声数据多项式平滑的若干问题

一、引言在数据平滑的初步分析中,一般均假设观测值随机误差是序列不相关的(白噪声数据)。但仔细观察后可以发现,电子跟踪设备获取的观测数据的随机误差实际是序列相关的(色噪声数据)。随着对数据处理质量要求的日益提高,如何设计平滑色噪声数据的数值滤波器、如何估算该滤波器的输出输入方差比以及怎样合理地使用它等,显然是人们关心的问题。有关白噪声数据多项式平滑,国内已有不少文章和书籍对此作了详尽的论述和介绍,在外测数据处理等实践中也得到了广泛的应用,但有关色噪声数据的平滑问题则较少看到,在     

基于自适应扩展卡尔曼滤波的载波跟踪算法

精确的载波相位测量是精密测距中一个很重要的研究点。针对传统扩展卡尔曼滤波(EKF)的固定设计在先验信息不充分和动态变化环境中存在的不足,提出了一种基于自适应扩展卡尔曼滤波(AEKF)的载波跟踪算法。该算法通过实时监测滤波器新息或残差的动态变化,以修正状态噪声方差和观测噪声方差,进而调整滤波器增益,控制状态预测值和观测值在滤波结果中的权重。理论分析和仿真结果表明,本算法充分利用了观测信号的统计特性,克服了传统扩展卡尔曼滤波算法的不足,能够获得更好的载波跟踪性能。     

航天靶场外测数据野值点的准实时诊断方法研究

野值点的检测与诊断在航天测控工程中有重要意义。本文根据测量数据序列容错滤波技术,建立了三组不但能用于事后高精度处理也可实时在线处理的野值点检测方法。仿真计算结果证实,这些方法不但能以100％准确率检出采样序列中孤立型的野值点,还可快速有效地检出存在于序列中的各野值斑点,准确率达到98％以上(与斑点长度和滑动窗长度有关)。     

用雷达观测值进行非线性估算

本文探讨了雷达测量模型方程的非线性,并研究了这些非线性对滤波和平滑精度的影响。我们导出了一种简单的算法,用这种算法,可以有效地减小非线性所产生的影响。该方法以如下的次序处理雷达观测值:方位、俯仰、距离。用方位残差估算俯仰残差,然后用方位和俯仰的综合结果估算距离残差。用这种算法所得的估算精度与推广卡尔曼滤波法(EKF)的估算精度相比较,可证明前者优于后者。而且,采用这种算法时,其计算复杂度并不超过推广卡尔曼滤波法的计算复杂度。     

机动目标跟踪的具有固定延时的平滑IMM滤波算法

在跟踪机动目标的交互式多模型自适应滤波算法(IMM)基础之上介绍了一种基于状态的扩充具有固定延时的平滑IMM算法(IMMF-LS).蒙特卡洛仿真结果表明IMM具有明显的综合多模型的优点,IMMF-LS的跟踪精度明显高于IMM算法.     

随机集的概率假设密度粒子滤波

多目标跟踪问题中,当目标数已知时,可以用概率数据互联(PDA)或联合概率数据互联(JPDA)算法。而当目标数未知或随时间变化时,需要对不同目标数的跟踪进行比较。可以把目标集看作随机集进行讨论,目标数N是随机变量。随机集的跟踪通过有限集统计(FISST)理论来完成。文中讨论了用粒子滤波实现跟踪随机集的方法。实验表明,在杂波环境下,粒子滤波可以稳健跟踪目标状态和目标数。     

基于聚类模糊系统的动态数据野值剔除方法

针对影响遥测参数处理和分析的野值问题,提出了基于聚类法实时设计模糊系统实现动态数据野值辨识和剔除的新方法。该方法能够自适应跟踪不同变化特性的遥测参数,基于聚类法实现模糊系统的动态建模并获得预测值与观测值的残差序列,再按照狄克松准则实现野值的快速剔除。对实测数据的仿真实验表明：该方法能够显著降低动态建模的复杂度,快速跟踪信号变化,方法可行且有效。     

高精度惯性导航系统动态基准设计方法研究

为了有效评估高精度惯性导航系统的动态精度,获取更高精度的动态基准导航参数是关键.提出了一种针对高精度惯性导航系统的动态基准设计方法,对固定区间平滑滤波的算法原理进行了研究,并在不改变外测信息采样周期的前提下,对算法进行了改进,以提高固定区间平滑滤波对导航系统误差估计的平滑度.经仿真数据和实测数据验证,改进后的固定区间平滑滤波算法能有效提高惯性导航系统导航精度,平滑后的导航参数可作为评价高精度惯性导航系统动态精度的基准.     

基于UKF的实时弹道解算参数稳健设计

在基于UKF(Unscented Kalman Filter,无迹卡尔曼滤波)的实时弹道解算应用中,外部环境不稳定的影响以及观测过程中野值的存在,使得基于经验参数设置的滤波易于发散.因此,需要针对指定型号调节和设置滤波器参数的取值,使其克服上述现象.针对这一问题,提出了基于理论弹道先验的参数稳健设计方法,对滤波器参数最优值进行预测.从滤波器的架构出发,梳理出影响滤波器性能的相关参数,结合稳健设计思想,外设计部分基于理论弹道先验信息,通过模拟弹道特征点构造弹道观测模型;而内设计部份,构造模型的测元数据进行正交试验,判断参数的显著性,获取相应的最优参数取值,从而为实时解算弹道的参数设置提供指导.实际数据试验结果表明,该方法可显著提高滤波器的实算稳健性和收敛性能.     

基于变分贝叶斯的自适应鲁棒滤波算法

针对组合导航姿态估计中,观测同时受到野值与时变观测噪声影响的问题,构造一种基于变分贝叶斯的自适应鲁棒滤波算法。该算法可以有效地解决自适应与鲁棒滤波策略的矛盾,利用变分贝叶斯近似估计变换的观测噪声,在变分贝叶斯的滤波框架内,利用Huber滤波鲁棒化方法处理连续野值。在组合导航姿态估计试验中,验证了该算法具有良好的自适应与鲁棒性,并能够保持较高的估计精度。     

鲁棒Kalman滤波及其在水下组合导航中的应用

在水下捷联惯导(SINS)/多普勒计程仪(DVL)组合导航系统中,当外部辅助信息受到野值等非高斯噪声污染时,选取调节因子γ为固定值将会降低基于Huber方法的鲁棒Kalman滤波(HRKF)算法的精度和鲁棒性。针对此问题,提出了一种基于马氏距离(MD)算法的调节因子自适应的鲁棒Kalman滤波(HRAKF)算法。首先利用MD算法对正常/异常的观测量进行辨识;进而建立γk递推关系式,并根据量测噪声特性对γ值进行实时调整;最后利用γk求取Huber权函数,并对量测噪声阵进行修正。选取8000s船载实测数据,分别利用Kalman滤波(KF)、HRKF及HRAKF算法进行水下组合导航半物理仿真试验。试验结果初步表明:在观测量受到野值或混合高斯分布噪声污染时,相较于KF和HRKF,HRAKF可实现更高精度、更加稳定的组合导航。     

用于气动导数辨识的试飞数据处理方法研究

飞行试验的测量环境十分复杂,未经处理的试飞数据直接用于飞机的气动导数辨识会降低辨识精度,甚至导致辨识的迭代过程发散或收敛到错误值。提出一套从野值剔除、数据平滑、时延修正到相容性检验的试飞数据处理方法,并将其应用到真实试飞数据的气动导数辨识中,通过对比分析数据处理前后的辨识过程和辨识结果,验证了本文提出的数据处理方法在改善辨识过程收敛特性和提高辨识精度上的有效性。     

确定近地卫星轨道的滤波理论

本报告介绍弘贤多用途轨道统计处理系统(KOSMOS)的数学说明及其在确定近地卫星轨道中的应用。数学说明包括时间、坐标、卫星动力学、摄动及其差分方程、雷达跟踪方程和轨道统计确定理论问题。为估计用于轨道确定的各种滤波理论方法的精度,我们利用KOSMOS程序做了广泛的仿真研究。从胜浦、增田和冲绳跟踪站所产生的距离和距离变化率观测数据,我们发现,利用推广序贯处理和状态噪声补偿法(SNC)可以获得同观测精度相当的准确度。我们给出的证据还表明,对于一组足够密的观测数据来说,通过动力学模型补偿法(DMC)按推广序贯处理可以获得非模型的加速度。同时还指出,DMC补偿法可以提高卫星状态的估算精度。但是,必须付出增加处理时间的代价,该补偿法的处理时间约为SNC补偿法的两倍。此外,还介绍了U—D协方差的因式分解法,并利用这种方法研究了观测数据的类型和精度的影响以及错误仿真观测噪声大小的影响。     

多目标跟踪的概率假设密度粒子滤波

在多目标跟踪中,当目标数很大时,目标状态的联合分布的计算量会非常大。如果目标独立运动,可用各目标分别滤波来代替,但这要求考虑数据互联问题。文章介绍一种可以解决计算量问题的方法,只需计算联合分布的一阶矩——概率假设密度(PHD),PHD在任意区域S上的积分是S内目标数的期望值。因未记录目标身份,避免了数据互联问题。仿真中,传感器为被动雷达,目标观测值为距离、角度及速度时,对上述的PHD滤波进行了粒子实现,并对观测值是否相关的不同情况进行比较。PHD粒子滤波应用在非线性模型的多目标跟踪,实验结果表明,滤波可以稳健跟踪目标数为变数的情况,得到了接近真实情况的结果。     

外弹道测量数据野值的递推辨识

动态测量数据中野值是导致滤波发散的主要原因之一。在目前的靶场外测数据处理中,尚无特别行之有效的野值辨识和剔除手段。本文以“新息”为基础,提出了基于卡尔漫滤波方法的野值辨识和剔除方法,有效地解决了滤波发散问题。而且可同时进行野值的剔除与状态估计,极大地提高了计算速度和数据处理的精度。经仿真计算证明,该方法是实用有效的。