一种基于NGA-QPF的航天器姿态估计方法

针对航天器姿态确定中的非线性非高斯的滤波问题,提出一种基于遗传算法的粒子滤波的航天器姿态估计方法。该方法将姿态四元数作为采样粒子进行粒子滤波,并将小生境遗传算法（NGA）引入粒子滤波算法中,以改善粒子滤波的性能;用遗传算法单独进行陀螺偏差估计,以减少粒子滤波的状态维数。该姿态估计方法保持了四元数的归一化性质,通过引入小生境遗传算法解决了重采样阶段的粒子退化问题,并且由于单独估计陀螺偏差避免了粒子滤波状态的扩展。该方法能够在较少粒子的情况下实现高效率高精度的定姿,仿真结果说明了方法的有效性。     

Efficient particle filtering for road-constrained target tracking

The variable-structure multiple-model particle filtering approach for state estimation of road-constrained targets is addressed. The multiple models are designed to account for target maneuvers including "move-stop-move" and motion ambiguity at an intersection; the time-varying active model sets are adaptively selected based on target state and local terrain condition. The hybrid state space is partitioned into the mode subspace and the target subspace. The mode state is estimated based on random sampling; the target state as well as the relevant likelihood function associated with a mode sample sequence is approximated as Gaussian distribution, of which the conditional mean and covariance are deterministically computed using a nonlinear Kalman filter which accounts for road constraints in its update. The importance function for the sampling of the mode state approximates the optimal importance function under the same Gaussian assumption of the target state.     

基于混合滤波的无线传感器网络融合跟踪方法

 针对无线传感器网络(WSN)中的多传感器融合目标跟踪,提出一种混合滤波算法,称为无迹混合集中式粒子滤波(UM CPF)。该算法使用了一个混合的粒子传播方案。在使用集中式粒子滤波(CPF)对WSN中的节点测量信息进行融合时,粒子滤波器中的一部分粒子使用从无迹变换(UT)获得的高斯分布作为建议分布进行粒子传播,而剩余的另一部分粒子则简单地使用状态转移先验分布进行粒子传播。WSN中的融合跟踪仿真结果表明,和纯粒子滤波算法CPF相比,在仿真速率相当的情况下,混合滤波算法明显提高了跟踪精度和稳定性。     

连续变速颤振试验的自适应粒子滤波算法

连续变速颤振试验的采集信号通常为非平稳信号,其频率和幅值随时间变化,尤其在亚临界状态下, 变化程度十分剧烈。常用的非平稳信号时变参数建模分析方法,在信号非平稳程度较高的情况下难以对信号 的模态进行准确地分析和跟踪。为了解决这一问题,结合信号非平稳度量计算方法,提出一种改进的自适应粒 子滤波算法,并通过仿真实验数据对所提算法在高非平稳度情况下的跟踪性能进行验证。结果表明:与一般粒 子滤波算法相比,本文方法在高非平稳度情况下具有更高的跟踪精度。     

抗差自适应分步滤波算法在PPP/INS组合导航中的应用

针对常规抗差自适应滤波算法在PPP/INS组合导航应用中存在难以准确识别和分离观测粗差及运动异常对定位结果影响的问题，基于分类因子自适应滤波原理,提出了一种抗差自适应分步滤波算法。该算法首先执行第一步滤波,对状态模型异常信息进行隔离，仅对观测粗差进行诊断和抗差处理；然后在第一步滤波的基础上，执行第二步滤波，对状态模型异常进行诊断和自适应处理。算法分析表明，抗差自适应分步滤波算法可以准确地识别和分离观测粗差和运动异常扰动。实验结果表明，抗差自适应分步滤波算法能够进一步增强滤波算法抵抗观测粗差和运动异常扰动对滤波结果的影响，提高PPP/INS组合导航系统定位结果的稳定性和可靠性。     

一种新的目标跟踪特征融合方法

在粒子滤波目标跟踪框架下,给出一种基于颜色直方图和边缘直方图的新特征融合算法．该算法是一种通过颜色和边缘直方图的特征波和熵实现特征之间粒子数重分配的方法。通过实验比较本文算法与单特征跟踪算法的跟踪误差,结果表明本文方法较传统依靠单一特征进行目标跟踪的粒子滤波方法,在运算时间增幅不明显的情况下,实现了更为准确的目标跟踪,并可稳定的应用于运动背景下的动目标跟踪、背景光照变化下的多目标跟踪以及多目标发生相互遮挡等情况。     

Geometrical entropy approach for variable structure multiple-model estimation

The variable structure multiple-model(VSMM) estimation approach, one of the multiple-model(MM) estimation approaches, is popular in handling state estimation problems with mode uncertainties.In the VSMM algorithms, the model sequence set adaptation(MSA) plays a key role.The MSA methods are challenged in both theory and practice for the target modes and the real observation error distributions are usually uncertain in practice.In this paper, a geometrical entropy(GE) measure is proposed so that the MSA is achieved on the minimum geometrical entropy(MGE) principle.Consequently, the minimum geometrical entropy multiple-model(MGEMM) framework is proposed, and two suboptimal algorithms, the particle filter k-means minimum geometrical entropy multiple-model algorithm(PF-KMGEMM) as well as the particle filter adaptive minimum geometrical entropy multiple-model algorithm(PF-AMGEMM), are established for practical applications.The proposed algorithms are tested in three groups of maneuvering target tracking scenarios with mode and observation error distribution uncertainties.Numerical simulations have demonstrated that compared to several existing algorithms, the MGE-based algorithms can achieve more robust and accurate estimation results when the real observation error is inconsistent with a priori.     

Exact Bayesian and particle filtering of stochastic hybrid systems

The standard way of applying particle filtering to stochastic hybrid systems is to make use of hybrid particles, where each particle consists of two components, one assuming Euclidean values, and the other assuming discrete mode values. This paper develops a novel particle filter (PF) for a discrete-time stochastic hybrid system. The novelty lies in the use of the exact Bayesian equations for the conditional mode probabilities given the observations. Therefore particles are needed for the Euclidean valued state component only. The novel particle filter is referred to as the interacting multiple model (IMM) particle filter (IMMPF) because it incorporates a filter step which is of the same form as the interaction step of the IMM algorithm. Through Monte Carlo simulations, it is shown that the IMMPF has significant advantage over the standard PF, in particular for situations where conditional switching rate or conditional mode probabilities have small values     

自适应滤波算法在SINS/GPS组合导航系统中的应用研究

以SINS/GPS组合导航系统为应用背景,对具有代表性的Sage自适应滤波和渐消卡尔曼滤波进行了研究,分析了这些方法在SINS/GPS组合导航应用中存在的问题,提出了适合工程应用的改进方法。改进的Sage自适应滤波主要对系统状态噪声协方差阵利用状态误差进行估计,更符合SINS/GPS组合导航系统的实际情况,提高了滤波稳定性。改进的渐消卡尔曼滤波采用矩阵因子的形式直接对状态预测协方差阵各分量进行不同程度的调节,使调节更趋合理。此外,改进算法增加了对观测粗差的处理,降低了观测粗差对滤波结果的影响。最后,用实际跑车试验验证了改进方法的有效性。     

基于离线状态监测的复杂装备预知维修决策及优化

基于免疫粒子群优化算法,对可进行离线状态监测故障呈现渐发特性的复杂装备预知维修决策问题进行了研究。分析了维修决策的必备条件,包括研究对象的前提假设、决策内容、剩余维修时间预测以及维修相关费用;将复杂装备维修决策问题转化为带有约束条件的目标函数求最小解的问题,并构建了数学模型;运用结合粒子群优化算法明确方向性搜索和免疫系统多样性保持能力优势的免疫粒子群算法,对模型进行求解;通过某航空机电设备的实例应用验证,该方法可以有效地解决复杂装备预知维修决策的问题,结果与实际情况基本一致。     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

卫星导航接收机自主完好性监测算法研究

针对航空导航定位高可靠性的要求和GPS接收机观测噪声分布的特点,研究将粒子滤波算法应用于接收机自主完好性监测（RUM）中.通过粒子滤波算法对状态进行精确估计,利用对数似然比建立一致性检验统计量进行故障检测与隔离.对算法进行了数学建模,描述了完整的RAIM算法详细流程.通过实测数据对提出的RAIM算法进行验证,结果表明：粒子滤波算法在非高斯测量噪声情况下可以对GPS接收机状态进行精确的估计,利用对数似然比建立的一致性检验统计量能有效地检测并隔离故障卫星,验证了该算法应用于GPS接收机自主完好性监测的可行性和有效性.     

混合线性/非线性状态空间模型的边缘Rao-Blackwellized粒子滤波法(英文)

本文提出了边缘 Rao-Blackwellized 粒子滤波器(marginal Rao-Blackwellized particle filter, MRBPF)算法,算法融合了 Rao-Blackwellized 粒子滤波器(Rao-Blackwellized particle filter , RBPF)算法和边缘粒子滤波器(marginal particle filter, MPF)算法。算法中状态被分为线形和非线性两部分,分别用 MPF 和卡尔曼滤波器(Kalman Filter)进行估计。地形辅助导航(terrain aided navigation, TAN)的仿真结果表明,与 RBPF 相比,提出算法的非线性状态估计的误差均方根(root mean square error, RMSE)和误差方差分别降低了约 29%和 96%,独立粒子数提高了约80%,获得了更好的收敛结果。分析表明,现有RBPF是MRBPF的一个特例。     

面向再入目标跟踪的估计与辨识联合优化算法

准确的弹道系数辨识和精确的目标状态估计是再入目标高精度跟踪与高可靠识别的关键。一方面,状态估计的误差会造成模型参数(弹道系数)的辨识风险;另一方面,模型参数的辨识偏差又会导致模型失配从而降低目标状态的估计精度。因此,需要实现再入目标的状态估计和参数辨识的联合优化。针对再入目标弹道系数未知情形,提出了一种基于期望最大化(EM)框架并采用粒子滤波(PF)平滑器实现的PF-EM联合优化算法。在E步基于粒子平滑器得到目标状态的后验平滑估计,M步采用数值优化算法更新上一次迭代的弹道系数,通过E步和M步的不断迭代,以保证状态估计和弹道系数辨识的一致性。算法仿真对比表明:所提算法的状态估计和参数辨识精度均优于传统的状态增广算法。     

The Marginal Rao-Blackwellized Particle Filter for Mixed Linear/Nonlinear State Space Models

In this paper, the marginal Rao-Blackwellized particle filter （MRBPF）, which fuses the Rao-Blackwellized particle filter （RBPF） algorithm and the marginal particle filter （MPF） algorithm, is presented. The state space is divided into linear and non-linear parts, which can be estimated separately by the MPF and the optional Kalman filter. Through simulation in the terrain aided navigation （TAN） domain, it is demonstrated that, compared with the RBPF, the root mean square errors （RMSE） and the error variance of the nonlinear state estimations by the proposed MRBPF are respectively reduced by 29% and 96%, while the unique particle count is increased by 80%. It is also found that the MRBPF has better convergence properties, and analysis has shown that the existing RBPF is nothing more than a special case of the MRBPF.     

一种地理围栏内无人机航迹跟踪方法

针对UTM体制中无人机在地理围栏内的飞行监视问题,提出一种约束状态相关模态转换混合估计算法(CSDTHE)。采用随机线性混杂系统模型对无人机运动状态进行建模,利用CV、CT和CA三种模态描述无人机的飞行状态,以构建地理围栏内无人机运行的通用模态转换模型框架。利用飞行模态改变点(FMCP)定义相关模态转换参数,设计模态转换条件,生成模态转换概率矩阵,从而建立与状态相关的模态转换模型。运用约束卡尔曼滤波(CKF)方法对直线阶段和转弯阶段的无人机运动速度分别施加等式约束,并通过仿真实验验证了CSDTHE算法对无人机跟踪的有效性。     

基于混合系统粒子滤波和二元估计的故障预测算法

针对一类故障预测问题提出了一种基于粒子滤波的故障预测算法。在算法的状态估计阶段,采用混合系统粒子滤波和二元估计算法同时估计对象系统故障演化模型混合状态和未知参数的后验分布。在算法的状态预测阶段,在一定的假设条件的前提下,将混合模型连续状态变量的预测问题转化为一个基本状态空间模型的状态预测问题。通过对连续状态变量当前时刻的后验分布进行迭代采样从而获得其未来时刻的先验分布。在算法的决策阶段,在获取的故障演化模型连续状态变量分布基础上,结合一定的故障判据近似计算出对象系统剩余寿命分布。故障预测仿真实验结果证明了算法的有效性。     

鲁棒EKF在脉冲星导航系统中的应用

针对脉冲星导航系统的滤波问题,传统的扩展卡尔曼滤波(EKF)算法存在不能克服系统模型存在不确定性参数以及乘性噪声等缺陷,提出一种鲁棒EKF算法。首先,分析了状态预测误差方程和估计误差方程,利用统计学原理,得到了状态预测方差矩阵和状态估计方差矩阵计算等式。由于系统模型存在不确定性参数,状态预测协方差矩阵和状态估计协方差矩阵无法计算;因此,利用4个重要矩阵不等式,分析并找到预测方差矩阵和状态估计方差矩阵的上界。最后,利用状态估计误差协方差矩阵上界设计状态增益矩阵,使得状态估计协方差矩阵的迹最小。将该算法对脉冲星导航系统进行仿真,仿真结果验证了所提算法的有效性。     

航空发动机状态变量模型的QPSO寻优混合求解法

针对航空发动机控制和故障诊断中的状态变量模型求解存在的系数矩阵精度不高的问题,结合阶跃响应法和拟合法的基础上,提出了一种基于量子粒子群寻优（QPSO）求取发动机状态变量模型的混合求解法。QPSO优化算法求解A,C矩阵使得状态变量模型和非线性模型在动态过程具有较好的吻合,阶跃响应法求取B,D矩阵保证了模型稳态响应一致。利用混合求解法建立了某型涡轴发动机在某一稳态工作点下的小偏离状态变量模型。仿真结果表明,这种方法不仅增强了状态变量模型的求解精度,相对于单纯的拟合法缩短了求解时间,精确的状态变量模型为进一步的故障诊断和控制系统设计提供了条件。