随机系统的后验椭球条件滤波方法

针对在随机系统中存在着不确知的控制输入,且系统的状态以及随机干扰的分布和参数未知情况下,基于后验椭球逼近的原理,提出了随机系统的后验椭球条件滤波方法,以保证所求解的椭球序列是包含着系统状态估值域的最小椭球序列.该方法是当先验统计信息不足时,尤其当系统状态及随机干扰的分布形式未知时,是解决随机系统状态估计的有效途径之一.      

结构随机跳变系统的条件滤波新方法

提出了不完全状态及控制信息的结构随机跳变系统的滤波方法，解决了结构随机跳变系统在控制入与状态的观测互为相关情况下，系统的状态以及不确知的控制输入的最优估计问题。并以线性高斯情况为例进行了数字仿真，证明了该方法的有效性。     

提高卫星自主导航精度的滤波算法和仿真

如何实时准确地对系统误差进行估计和校准提高基于“地-日-月”测量的卫星自主导航精度的一个重要途径。针对这一问题,将系统误差作为新增的状态向量,设计了轨道参数状态与系统误差状态解耦估计的两步滤波算法,该算法在估计轨道参数的同时校准系统误差,数学仿真结果表明,采用文章所提出的滤波算法可以将自主导航的位置精度从10km(3σ)量级提高到300m(3σ)左右。     

一种基于二元估计与粒子滤波的故障预测算法

假设对象系统的故障演化过程可以由一个含有未知缓变参数的状态空间模型加以描述,则故障预测问题就可以转化为一个在已知当前系统信息的条件下,对系统未来某一时刻的状态变量的估计问题.针对该问题的求解提出了一种基于二元估计和粒子滤波的故障预测算法.算法的实施分为两个主要阶段:在状态估计阶段,采用两个并联的粒子滤波器迭代估计当前时刻对象系统故障演化模型状态和未知参数的后验分布.在状态预测阶段,对当前时刻故障演化模型状态的后验分布进行迭代采样,以采样样本粒子来近似估计未来时刻的状态变量的先验分布密度.在上述计算结果的基础上,结合相应的故障判据,算法采用计算对象系统未来时刻故障概率的方法预测其剩余使用寿命.仿真实验中将本文提出的算法与基于联合估计的故障预测算法进行对比,实验结果证明了所提算法的有效性.      

适用于时变不确定系统的并行模型自适应估计

摘要： 针对受到潜在模型不确定性影响的系统,设计一种并行模型自适应估计(PMAE)算法.以往基于不确定性系统模型设计的滤波算法,在模型精确的情况下,性能往往不及传统卡尔曼滤波（KF）.为了解决该问题,设计基于多个并行滤波器的自适应状态估计算法,其中一个滤波器为KF,用于在未出现模型不确定性的情况下,对系统进行最优状态估计;另一个滤波器为扩维卡尔曼滤波（AKF）,用于在出现模型不确定性的情况下,对不确定性模型参数进行辨识.以空间目标监视为例,分析算法的性能.仿真结果表明,利用PMAE算法能够自适应地对两个并行滤波器进行切换和折衷,从而有效应对模型中存在不确定性和不存在不确定性两种情况.     

自识别自校准Kalman滤波方法

在导航滤波、故障诊断等许多工程领域中,受环境因素影响、模型和参数的选取不当等原因,系统状态方程中往往含有未知输入(系统误差),传统的Kalman滤波方法无法消除这种未知输入的影响,导致产生较大的滤波误差。为此,提出一种自识别自校准Kalman滤波方法,并分别对线性系统和非线性系统进行了详细讨论,给出了相应的公式和滤波步骤。该方法能够自动识别状态方程中有无未知输入,当有未知输入时,则能自动估计未知输入,并对它进行补偿和修正。大量实例计算和仿真模拟表明,与传统方法相比,本文方法能够有效提高状态估计精度,且计算简单,便于工程应用。     

基于URTS平滑建议分布函数的PF算法设计及应用

为改善基于Unscented Kalman滤波建议分布函数的粒子滤波状态估计的性能,将Unscented Kalman滤波与RTS（Rauch-Tung-Striebel）固定区间平滑算法融合,产生了一种新的建议分布函数--Unscented RTS平滑建议分布函数。该函数首先实施Unscented Kalman滤波,之后对此滤波结果进行RTS固定区间平滑,以此产生预测样本。以此新建议分布函数得到的预测粒子的精度较通常的以Unscented Kalman滤波方法作为建议分布函数时得到的预测粒子的精度将大为提高,进而提高相应的粒子滤波算法--PF URTS的状态估计精度。新算法的可行性和有效性在GPS/DR组合导航数据处理中得到了应用验证。     

基于混沌的改进粒子群优化粒子滤波算法

针对基本粒子滤波(PF)算法存在的粒子退化和重采样引起的粒子多样性丧失,导致粒子样本无法精确表示状态概率密度函数真实分布,提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量,将产生的变量映射到优化变量的区间提高粒子质量,并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO-PF)的性能进行仿真比较。结果表明:该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化粒子滤波,改善了算法的精度和跟踪性能。      

基于卡尔曼滤波和ABS控制输入的车速估计

在现有的轮速估计算法基础上,研究了一种基于参数自适应卡尔曼滤波和ABS(Anti-lock Braking System)控制输入的车速估计算法.该算法首先以四轮轮速为输入,利用ABS控制状态信息估计车辆的制动减速度,然后综合减速度和轮速信息分别估计左、右侧的参考车速.使用自适应卡尔曼滤波针对不同的滑移状况更新协方差矩阵,并采用真实的ABS制动试验数据检验所提出的算法,结果表明:该算法在各种路面条件下都能估计得到合理的参考车速.      

机动目标状态估计器算法研究

基于战斗机航迹准稳态运动状态假设,研究了机动目标状态估计器算法.该算法通过选取虚拟测量变量和状态变量,以及假设目标处于航迹准稳态运动状态,把含有9个变量的非线性滤波和预测问题转化为1个三阶和3个二阶的线性滤波和预测问题.在综合控制系统中的仿真结果表明,该算法计算量小,滤波精度好,能够满足综合控制需求.      

基于SINS/CNS组合导航系统的多模型自适应估计算法

针对单一模型滤波器在未知或不确定的系统参数下适应性较差的问题,提出了一种新的基于多模型自适应估计(multiple model adaptive estimation,MMAE)的滤波方法。该方法利用改进的卡尔曼滤波代替传统的卡尔曼滤波,比如扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)。EKF和UKF被用来作为多模型自适应估计的子滤波器,从而实现对非线性系统的状态估计。同时,还将该方法应用于基于弹道导弹模型的组合导航中实现了系统仿真。仿真结果表明,与传统的EKF和UKF算法比较,改进的滤波方法可以解决传统模型滤波器适应性差的问题,并提高系统的导航精度。     

无线定位扩展卡尔曼滤波算法的优化

设计了一种蜂窝系统无线定位中使用的扩展卡尔曼滤波(EKF)算法,对其性能进行了仿真. 通过仿真结果分析,寻找出算法优化方法. 优化方法综合了到达时间(TOA)信号测量方差和雅可比矩阵计算出预测误差,然后对算法估计出的用户位置进行修正. 仿真结果显示,优化后定位估计性能比优化前的算法性能有显著改善.      

基于挂钩力模型的拖挂式房车同步制动控制

为了提升拖挂式房车制动时牵引车与房车的制动同步性能,结合纵向挂钩力观测器提出一种制动协调控制方法。分析牵引车-房车直线制动运动学特性,考虑电磁制动器机电耦合特性以及球头挂钩柔性连接特性,建立牵引车-房车直线协调制动模型;采用牵引车速度/加速度等低成本传感器所获得的信号数据,基于卡尔曼滤波算法,设计了拖挂式房车纵向挂钩力估计器;引入终端滑模变结构控制算法,建立纵向挂钩力估计值与目标值误差动力学方程,使纵向挂钩力准确跟随目标值,并在此基础上开发了拖挂式房车制动同步控制器。仿真和实车测试结果均表明,所提出的估计方案能准确跟踪拖挂式房车的纵向挂钩力;与其他常规方法相比,所采用的控制方法使得牵引车与房车在制动期间最大挂钩力值小于3 kN,有效保证两者制动的稳定性。      

基于随机与区间分析的状态方程不确定性比较

基于现代控制理论中状态方程的求解算法,对具有参数不确定性的控制系统采用非概率区间分析方法与随机控制理论进行研究。首先明确实际工程应用中不确定性的概念和影响,分别建立了区间值和随机过程2种描述方法,求解系统的响应区间,并分为与初始条件和输入相关的零输入和零状态两部分不确定量。根据区间数学中的区间函数扩张原理和概率统计理论中的切比雪夫不等式,从数学证明和数值计算2个方面,分别用非概率区间分析和概率统计方法求解不确定系统的响应,并对二者进行比较,分析其相容性。结果表明,在由概率统计信息得到不确定性变量的区间向量为系统输入的情况下,非概率区间分析方法得到的响应区间包含由随机控制理论得到的响应区间。     

导航卫星的地面站定轨算法

导航星座轨道的长期保持是星座导航系统运营管理的重要组成部分,而现有的导航卫星地面定轨算法又存在精度不高或计算量大不适合工程应用的问题。为此,研究了单向、被动测量模式的导航卫星地面定轨算法。基于单向伪距观测,将导航卫星钟差参数作为状态量,推导了滤波算法的状态方程、测量方程,并最终建立了滤波器模型。以不同轨道面的4颗GPS导航卫星为例进行了2天的仿真试验,考虑卫星的可见性仿真中加入了测量中断,并设计在测量恢复后重启滤波算法。仿真结果表明,4颗卫星的轨道位置估计精度可以达到米级,钟差随机偏差的估计精度可以达到纳秒级,并且在滤波中断后重启滤波器,仍然可以达到此估计精度,表明此定轨算法具有收敛性和稳定性。     

发射系下的SINS/CNS/GNSS组合导航UKF滤波算法

弹载系统的组合导航系统模型常建立在发射惯性坐标系下，且捷联惯性/天文导航/卫星导航（SINS/CNS/GNSS）是一种目前研究较多的组合模式。该组合导航系统的状态方程具有强非线性的特点，常用的滤波方法为扩展卡尔曼滤波（EKF）。为了提高组合导航系统的精度及可靠性，对该组合导航系统的无迹卡尔曼滤波（UKF）模型进行了设计，直接将姿态、位置与速度参数作为状态的一部分，利用CNS及GNSS提供的姿态与位置构成量测方程，并详细给出了姿态样本点的生成、均值及方差的生成过程。仿真结果表明，相对于EKF算法，采用UKF算法后各导航参数的精度可提高约20%~30%，并且系统的实时性也可以得到保证。