基于置信度加权的组合导航数据融合算法

 针对联邦滤波融合算法中由于模型量测噪声统计特性未能被准确描述导致其子滤波器误差变大，进而导致联邦滤波估计出现偏差的问题，为了改进联邦滤波融合方法，将模糊自适应卡尔曼滤波方法和置信度加权方法与联邦滤波融合方法相结合，应用于组合导航系统。该方法首先将模糊自适应卡尔曼滤波方法应用于各子滤波器，使其能够跟踪真实量测噪声统计特性。然后通过模糊方法计算得到各子滤波器的置信度，进而得到联邦滤波器的置信度，再由得到的置信度对各子滤波器及联邦滤波器输出进行加权，得到最终的全局输出。对车载组合导航系统的仿真结果表明，这种算法对量测噪声具有较强的自适应性，能够抑制置信度低的子滤波器在融合系统中所占的权重，提高联邦滤波融合算法的精度，是一种可行的车载组合导航数据融合算法。     

一种基于模糊遗传算法的多传感器多目标跟踪数据关联算法

基于模糊遗传算法发展了一种新的数据关联算法。数据关联的静态部分靠一个模糊遗传算法来得出量测组合序列和S-D分配的m个最优解。在数据关联的动态部分，将得到的S-D分配的m个最优解在一个基于多种群模糊遗传算法的动态2D分配算法中依靠一个卡尔曼滤波估计器估计出移动目标各个时刻的状态。这一基于分配的数据关联算法的仿真试验内容为被动式传感器的航迹形成和维持的问题。仿真试验的结果表明该算法在多传感器多目标跟踪中应用的可行性。另外，对算法发展和实时性问题进行了简单讨论。     

非线性系统在线模糊建模的快速算法

对于复杂、病态、非线性动态系统,基于模糊集合的模糊模型,利用模糊推理规则描述动态系统的特性,是一种有效方法。讨论了利用模糊方法实现非线性系统的建模方法。首先,利用在线模糊竞争学习方法划分输入变量的模糊空间,然后利用卡尔曼滤波算法辨识模糊模型的参数。仿真结果表明了该方法的实用性和有效性。     

基于加速度计和角速率陀螺的超小无人直升机姿态控制系统

设计了一种基于加速度计和角速率陀螺的超小型无人直升机姿态控制系统；由卡尔曼滤波算法融合加速度计和陀螺数据，实时估计最优的直升机姿态信号；根据最优的姿态反馈信号，飞行控制系统采用参数自整定的模糊PID控制方法得到舵机控制信号，从而实现了超小型无人直升机的姿态控制。     

一种基于卡尔曼滤波的定位解算性能评估新方法

对基于卡尔曼滤波的定位解算性能进行评估是提高卫星导航系统性能的有效途径。而传统的评估方法受人为主观性因素影响较大,提出了一种对数最小二乘模糊层次分析(FAHP)方法和模糊综合评价(FCE)方法相结合的性能评估方法。推导了模糊权重向量的唯一性确定条件,并将对数最小二乘FAHP方法确定的模糊权重向量去模糊化,使得权重向量可直接利用FCE方法进行加权综合,形成优势互补。以基于卡尔曼滤波的定位解算性能评估为实例,通过比较分析表明,所提出的对数最小二乘FAHP-FCE评估方法计算得到的权重向量优于基于程度分析的FAHP方法和基于先验规则挖掘的FAHP方法,使其更适合于对基于卡尔曼滤波的定位解算算法进行性能评估。     

车载组合导航中的自适应滤波技术研究

针对现有的自适应卡尔曼滤波算法结构繁杂,采用了一种自适应卡尔曼滤波的车载SINS/GPS 组合导航算法,并与常规卡尔曼滤波算法作了比较。仿真结果表明,这种算法具有结构简单、实时性好和抗野值等的优点,不失为一种实用而有效的滤波方法。     

UKF-WNN及其在准定常失速气动力建模中的应用

提出一种利用无轨迹卡尔曼滤波估计小波网络参数的算法,该算法可克服算法存在的收敛速度慢、计算量大、局部极小等缺点。以飞机的准定常失速现象的气动力建模为应用背景,分别运用BP算法,扩展卡尔曼滤波算法和无轨迹卡尔曼滤波算法训练小波网络。仿真结果表明,无轨迹卡尔曼滤波算法较之BP算法和扩展卡尔曼滤波算法具有更快的训练速度和更高的预测精度,可以胜任复杂的非线性气动现象的建模任务。     

基于无味卡尔曼滤波的飞机防滑刹车模糊神经网络控制

根据对飞机刹车过程动力学分析与建模,本文提出了一种基于无味卡尔曼滤波(UKF)的模糊神经网络控制律。本控制律结合了无味卡尔曼滤波对机体速度的良好估计效果和模糊神经网络控制器对不同系统参数的适应能力,能够很好完成对最佳滑移率的追踪任务。Matlab仿真试验结果显示,基于无味卡尔曼滤波的模糊神经网络控制器可以准确的估计飞机滑跑时的速度,改善飞机防滑刹车系统性能,提高刹车效率。     

有色噪声作用下的INS/地磁组合导航算法研究

为了克服基本扩展卡尔曼滤波对噪声统计特性的约束,针对地磁测量噪声为有色噪声的特性,基于扩维卡尔曼滤波算法实现了惯性/地磁组合导航算法。分析了分布式组合导航方案的基本原理,在子滤波器观测信息为实测地磁场总强度信息条件下,基于巡航导弹巡航段飞行过程采用基本扩展卡尔曼滤波和扩维卡尔曼滤波算法进行了仿真分析。仿真结果表明,扩维卡尔曼滤波具有较好的稳定性和收敛性,解决了扩展卡尔曼滤波算法的发散问题。     

卡尔曼滤波算法的本质及直观理解

对低维卡尔曼滤波算法作了几何解释,这种解释对卡尔曼滤波有一种直观的理解,使人们对卡尔曼滤波有更本质的认识.     

基于Kalman滤波的变体飞行器T-S模糊控制

针对变体飞行器的跟踪控制问题,提出了一种基于Kalman滤波的T-S模糊控制方法。考虑飞行器系统状态不可测,引入惯导数据作为辅助信息,利用Kalman滤波算法融合飞控信息与惯导信息实现状态估计。由于变体飞行器在不同变形结构下气动特性变化较大,为便于控制器设计,采用小扰动线性化方法得到飞行器在不同平衡点处的局部线性模型,并通过状态反馈方法设计局部控制器,局部线性模型和局部控制器通过模糊集和模糊规则聚合成一个连续光滑的全局T-S模糊模型和T-S模糊控制器。通过综合Kalman滤波器与T-S模糊控制器得到一个基于Kalman滤波的T-S模糊控制器。仿真结果表明,该控制器在变形过程中能够实现状态估计,保证飞机的跟踪性能。     

基于模糊自适应卡尔曼滤波的大气数据辅助姿态算法

 针对中低精度航姿参考系统(AHRS)在机体机动时不能利用加速度计修正水平姿态,以及噪声统计特性随实际工作情况变化的问题,提出了一种基于模糊自适应卡尔曼滤波的大气数据辅助姿态解算的方法。首先,考虑大气数据系统和航姿参考系统的优势,利用真空速、攻角和侧滑角等大气数据信息对非重力加速度进行补偿,以辅助水平姿态解算;其次,基于模糊自适应卡尔曼滤波原理,对观测模型的参数进行估计和修正,以实现水平姿态的最优估计;最后,选取某型飞机的试飞数据进行仿真验证。仿真结果表明,该方法可使飞机的水平姿态估计精度达到1.3°,且在偏差较大时有明显的纠偏作用。因此,相对于无机动加速度补偿和常规卡尔曼滤波来说,该方法能够更好地进行姿态估计,具有一定的实用价值。     

一种新型模糊自适应Kalman滤波器在组合导航中的应用

针对光纤陀螺捷联惯导(FOG SINS)/GPS组合导航系统实际工作环境中,由于系统噪声与量测噪声模型发生变化而带来的滤波器发散的问题,提出一种新型模糊自适应Kalman滤波器(FSHAKF).通过引入IMU精度因子与GPS水平精度因子,构造模糊推理系统(FIS),实时更新自适应参数,有效地解决了传统Sage-Husa自适应滤波器(SHAKF)估计模型不准确、系统噪声与量测噪声无法同时估计以及滤波器长时间易发散的问题.仿真实验表明,本文提出的FSHAKF算法相较于SHAKF算法,估计精度得到明显提高,且避免了滤波器的发散.     

Intelligent SINS/RDSS Integrated Algorithms for Land Vehicle Navigation

This is a discussion of the design of strap-down inertial navigation systems (SINS) and radio determination satellite service (RDSS) integrated navigation algorithms. The research aims at testing the effectiveness of artificial intelligence (AI)-aided Kalman filtering (KF) approaches for land vehicle applications. A back-propagation neural network (BPNN)-aided K*F algorithm and a fuzzy inference-based KF algorithm are presented in order to overcome the time delay of RDSS positioning provided by a double-star positioning system in China. Traditional KF causes biased solutions, and indeed, leads to filter instability easily since the time delay of RDSS positioning, in an active mode, is hard to be modeled and sometimes suffers from RDSS outages. Therefore, a fuzzy inference is used to correct the variance matrix of KE measurement noises adaptively; and a trained BPNN corrects the outputs of the Kalman filter. The algorithms proposed herein have been verified on real SINSIRDSS data. collected in land vehicle tests and are compared with other approaches. The results demonstrate that fuzzy inference-based KF algorithms improve the positioning accuracy to over 40 % better than KF algorithms, and BPNN-aided KF algorithms have the same precision as GPS which is the reference station In dynamic experiments without RDSS outages. The test results with RDSS outages indicate that the fuzzy inference-based KF is feasible but with positioning errors of hundreds of meters, so the BPNN-aided KF is designed to efficiently compensate for RDSS outages and improve system performance.     

An alternate algorithm for discrete-time filtering

The discrete-time Kalman filter is an optimal estimator for the states of a linear, stochastic system. It assumes that measurements are linear combinations of the states, and all disturbances are Gaussian. The influence diagram, a decision analysis tool that provides an algorithm for discrete-time filtering equivalent to the Kalman filter when the influence diagram represents Gaussian random variables, is discussed. The influence diagram algorithm is a factored form of the Kalman filter, similar to other factored forms such as the U-D filter. Compared with the Kalman filter, it offers improved numerical properties. Compared with other factored forms, it offers a reduced computational load     

基于超球体平方根无迹Kalman滤波算法的涡扇发动机气路部件故障诊断

研究了一种超球体平方根无迹Kalman滤波算法用来有效跟踪涡扇发动机气路部件发生渐变性和突变性故障的健康参数.该算法通过超球体单形采样来降低算法的计算量,采用测量残差协方差阵的平方根代替方差阵进行递推运算,提高了算法的计算效率和数值稳定性.分别采用扩展Kalman滤波算法、无迹Kalman滤波算法和超球体平方根无迹Kalman滤波算法对某型涡扇发动机进行仿真,结果表明:超球体平方根无迹Kalman滤波算法的滤波时间减少50%左右,能够实现渐变性和突变性故障中健康参数的准确估计,是一种有效的涡扇发动机气路部件参数估计和故障诊断方法.      

Efficient Approximation of Kalman Filter for Target Tracking

A Kalman filter in the Cartesian coordinates is described for a maneuvering target when the radar sensor measures range, bearing, and elevation angles in the polar coordinates at high data rates. An approximate gain computation algorithm is developed to determine the filter gains for on-line microprocessor implementation. In this approach, gains are computed for three uncoupled filters and multiplied by a Jacobian transformation determined from the measured target position and orientation. The algorithm is compared with the extended Kalman filter for a typical target trajectory in a naval gun fire control system. The filter gains and the tracking errors for the proposed algorithm are nearly identical to the extended Kalman filter, while the computation requirements are reduced by a factor of four.     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

改进的Sage-Husa自适应滤波算法在MEMS航姿参考系统中的应用

针对经典Kalman滤波和扩展Kalman滤波融合算法存在的计算量大、精度低、实时性差的缺点，引入了改进的Sage-Husa自适应扩展Kalman滤波算法。该算法对经典扩展Kalman滤波算法进行了自适应改进，并在此基础上利用加权渐消记忆法获取了遗忘因子，并通过预测残差得出了最优解。同时，用调整有偏增益估计的措施来保证系统噪声预测方差矩阵与噪声预测方差矩阵的对称性和正定性，对滤波器发散进行了有效的抑制，减少了算法的计算量。实验结果表明，该算法有效改善了可靠性、精确性及自适应能力。