基于遗传算法的多模型Kalman滤波算法 及应用研究

基于长航时无人机惯性/天文/卫星(INS/CNS/GPS)组合导航系统模型,针对复杂环境所引起的系统模型参数变化导致单一固定参数滤波器精度降低问题,提出了一种基于遗传算法的多模型自适应Kalman滤波算法,并与单一模型下的Kalman滤波器方法进行了比较.仿真结果表明,与采用单一模型的Kalman滤波算法相比,该方法不仅能大大提高导航系统的精度和可靠性,而且还可以较好地辨识出组合导航系统惯性器件噪声统计模型参数.      

自适应混合信息滤波算法及其在 相对导航中的应用

为解决相对导航模型中线性、非线性并存,及多传感器信息融合时基于Kalman滤波的导航算法计算复杂度较大的问题,提出一种混合信息滤波算法;考虑测量噪声统计特性不准确等工程因素,提出一种自适应混合信息滤波相对导航算法.理论分析及仿真验证表明,与基于Kalman滤波的传统导航算法相比,给出的混合信息滤波算法具有多传感器数据融合时计算复杂度低、便于工程实现的优点,且可以完成线性、非线性并存时的导航滤波任务;除上述特点外,在传感器测量噪声统计特性不准确的情况下,给出的自适应混合信息滤波相对导航算法可以通过自适应调整量测协方差阵的方式,使导航系统仍保持较高的精度.     

导航解算中的有色噪声及其协方差矩阵自适应拟合

使用Kalman滤波进行动态导航定位解算需要涉及函数模型和随机模型, 而在实际应用中, 精确的函数模型和随机模型很难直接给出, 因此, 动态Kalman滤波的精度和可靠性将会受到函数模型误差和随机模型误差的影响. 在假设观测噪声和动力学模型噪声主要是具有一阶自相关特性的有色噪声的基础上, 提出了一种基于移动窗口的有色噪声函数模型和随机模型的自适应拟合法. 给出了计算有色噪声估值和噪声协方差矩阵的表达式, 并利用实测数据验证了模型及算法的可行性和实用性. 计算结果表明, 该算法能有效抵制有色噪声对导航滤波结果的影响.      

基于新息正交的工业CT图像自适应缺陷识别

针对X射线投影图像的特点,研究基于Kalman滤波算法新息正交原理的缺陷识别问题.建立了投影图像的二维状态空间模型,定义了确定图像区域大小与灰度的动态评价函数和相应的阈值.在分析Kalman滤波算法新息正交性的基础上,得到了一种新的缺陷判别方法,提出了图像数据自适应补偿算法,提高了图像的识别效率和精度,并通过实验验证了方法的有效性.     

一种用于GPS/DR组合定位的非线性滤波算法

建立了适用于车辆导航系统的基于UKF(Unscented Kalman Filter)的GPS/DR(Global Positioning System/Dead Reckoning)组合定位滤波模型及算法.针对系统状态方程为线性、观测方程为非线性的特点,提出了一种将UKF和EKF(Extended Kalman Filter)相结合的非线性滤波算法.结合后的算法和原有UKF算法相比减少了在时间更新阶段的运算量,并且由于采用基于Unscented变换的思想来处理系统观测方程的非线性问题,避免了EKF引入的线性化误差,提高了滤波精度.仿真结果证明:算法在减少运算量的同时,仍具有较高的滤波精度,且明显优于EKF,因而能够满足车辆导航系统占用资源少、滤波精度高的要求.      

一种无人机视觉导航方法及其滤波算法改进

设计了一种无人机视觉/惯性组合导航系统,将无人机和地标点的运动模型作为状态方程,视觉信息作为观测量构建了与之对应的滤波模型.在滤波处理上,采用了复杂加性噪声模型对系统噪声进行建模处理;将小波分析引入到UKF(Unscented Kalman Filter)滤波中得到小波-UKF滤波算法,以此克服视觉观测噪声对滤波的影响;采用最大后验概率准则(MAP,Maximum A Posterior)自适应估计观测噪声协方差阵,并将其反馈到滤波过程中克服了小波处理后观测噪声方差阵不易确定的不足.仿真结果证明:对滤波算法的改进可以有效地提高滤波估计的精度.     

Kalman滤波算法在遥测伺服系统中的应用

针对雷达和无线电角跟踪系统目标机动过程中无法准确预知目标下一时刻运动状态的问题,论述了一种自适应Kalman滤波器,采用机动目标均值自适应的"当前"统计模型,构造角位置角速度二阶观测器,实现机动目标Kalman滤波算法,对算法及模型进行了理论分析证明了滤波器的能控能观性,最后给出了在遥测伺服系统中Kalman滤波器的实验结果,验证了该滤波器的有效性和可靠性。     

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。     

基于可变遗忘因子的渐消记忆变分贝叶斯自适应滤波算法

针对全球卫星导航系统/捷联惯性导航系统（GNSS/SINS）组合导航中GNSS信号易受干扰，造成量测噪声突变的问题，提出一种基于可变遗忘因子的渐消记忆变分贝叶斯自适应Kalman滤波（VBAKF）算法。针对自适应滤波中突变噪声难以准确探测，构建基于初值的噪声突变检验准则；为解决自适应滤波估计突变噪声的拖尾现象，将变分贝叶斯自适应滤波的超参数传递结构转化为协方差阵修正结构，通过构造可变遗忘因子函数动态调节自适应滤波中的遗忘因子。仿真和实测数据表明：所提算法可在GNSS/SINS噪声突变时快速估计量测噪声，提高组合导航精度。     

INS/SMNS组合导航信息融合算法

为了解决INS/SMNS(Inertial Navigation System /Scene Matching Navigation System)组合导航系统信息融合时涉及到的时间对准、多速率滤波、不等间隔以及量测滞后等问题,根据INS/SMNS组合导航主要应用于末制导段以及Kalman滤波与观测值的关系,提出了采用外推法进行时间对准、变周期离散化进行不等间隔多速率滤波、使用计算机软件消除量测滞后的解决方案.对比分析了常规Kalman滤波、消除量测滞后Kalman滤波以及方案的滤波精度.仿真结果表明设计的方案具有较高的滤波精度.     

航天器天文导航模糊自适应卡尔曼滤波研究

星光折射间接敏感地平的自主天文导航方法能够获得很高的导航精度,但由于大气密度模型时空分辨率不高,这种方法所敏感的地平有可能出现较大的瞬时误差,从而导致导航滤波器精度降低,有时甚至发散.为了解决这一问题,提出将模糊推理系统应用于自主天文导航,研究基于Unscented卡尔曼滤波的模糊自适应算法,使导航滤波器在观测值异常时具有一定的自适应能力.计算机仿真结果验证了该方法的有效性.      

基于递阶联合滤波器的故障检测与重构方法

随着现代航天器等高精度飞行系统的日益复杂，飞行控制系统的安全运行问题愈来愈突出地表现出来。故障检测、隔离和重构（FDIR）技术是航天器可靠性的重要保证。文章在卡尔曼滤波估计算法的基础上，提出 了基于递阶联合滤波器族的故障检测、隔离和重构方法。该方法根据备份滤波器的概念，构造了一种融合滤波器的树状递阶联合结构，在此基础上，可以设计并实现多级故障检测和隔离措施，进而有效地完成系统的重构功能。通过一个INS／GPS／Doppler组合导航系统的仿真实例， 说明了该方法的可行性和有效性。基于递阶联合滤波器结构的多传感器信息处理技术克服了集中卡尔曼滤波器和普通联合滤波器的缺陷，对提高多传感器系统的容错性能具有重要意义。     

MEMS陀螺随机漂移在线补偿技术

为了提高微机电系统(MEMS,Micro Electro Mechanical System)陀螺测量的精度,提出了一种陀螺随机漂移的在线补偿方法.在静态时在线建立随机漂移的自回归滑动平均(ARMA,Auto Regressive Moving Average)模型,并针对随机漂移模型随时间慢变的特性,引入虚拟噪声补偿技术加以补偿.针对载体运动状况的未知性,建立机动角速率模型.在此基础上采用自适应卡尔曼滤波技术对随机漂移和角速率进行实时估计.通过试验表明:随机漂移模型、角速率模型以及滤波算法能够满足姿态测量系统的动态应用需要,且姿态测量精度较补偿前有了显著的提高.     

一种新的车载DR系统自适应卡尔曼滤波模型

提出了车载DR系统(Dead-Reckoning System)改进的自适应扩展卡尔曼滤波模型及其滤波算法.由于考虑了速率陀螺漂移误差中的马尔柯夫过程成分,和采用描述机动载体运动的"当前"统计模型及自适应算法,提高了DR系统模型的准确性.计算机仿真结果表明,应用该模型和算法与改进前相比,DR系统的定位精度得到明显提高.     

综合导航系统中的多级故障检测与隔离技术研究

文章讨论了综合导航系统中的故障检测与隔离问题, 提出了子系统机内自检测(BIT)、直接合理性检测、子系统输出相关性检测、卡尔曼滤波量测检测和间接合理性检测的五级综合故障检测算法。此算法简捷有效, 计算量小, 已成功地应用到了综合导航系统中, 有效提高了综合导航系统的可靠性。     

BP/GA混合算法在简易组合导航系统中的应用

Kalman滤波器是组合导航中最常用的最优滤波工具,但是在组合导航系统中有一些应用的局限性,尤其在低成本的GPS(Global Positioning System)/DRS(Dead Reckoning System)组合导航系统中,存在着使用的GPS接收机和惯导测量元件的精度不够高的问题,要提高系统的测量精度,只能提高算法软件的先进性.为补偿卡尔曼滤波发散的缺陷,将神经网络和遗传算法组成的混合算法与卡尔曼滤波相结合,应用到GPS/DRS组合导航系统中,该算法不仅具有普通神经网络的自主学习能力、好的实时性,还克服了传统算法收敛速度慢、对学习参数敏感、局部有极小点等缺点,同时兼具卡尔曼滤波的最优估计性能.仿真结果验证了这种算法和常规卡尔曼滤波算法相比较具有更高的精度和稳定性,经过对仿真数据进行统计分析,纬度误差的最大值降低了一个数量级.     

一种模型误差鲁棒的卫星姿态确定方法

提出一种结合非线性预测滤波和二阶插值滤波实现基于星光/陀螺的高精度姿态确定的新算法.该算法用非线性预测滤波估计模型误差,再对补偿后的模型用高精度的二阶插值滤波来估计姿态参数.解决了在卫星实际运行中难以获得姿态确定系统的精确动力学模型,采用传统EKF(Extended Kalman Filter)将模型误差作为零均值白噪声处理,导致滤波精度降低甚至发散的问题.同时,二阶插值滤波将非线性模型按照二阶近似,无需计算函数偏导数,得到高精度的卫星姿态估计.仿真验证了该方法能有效地实时估计并补偿模型误差,提高了姿态估计的精度,且估计精度受滤波周期的影响不大,从而验证了算法的鲁棒性和有效性.      

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.     

基于自适应联邦滤波的卫星姿态确定

卡尔曼滤波采用常值量测噪声协方差阵,当量测噪声统计特性发生变化时,易导致估计误差增大,甚至滤波发散。针对该问题,在联邦卡尔曼滤波子系统中采用自适应卡尔曼滤波,形成自适应联邦卡尔曼滤波算法,新算法采用模糊推理系统实时调整量测噪声协方差阵的加权系数,使模型量测噪声逐渐逼近真实噪声水平。将该算法应用于多传感器卫星姿态确定系统,仿真结果验证了算法的有效性。     

衰减因子自适应滤波及在组合导航中的应用

从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波算法发散的原因,提出了一组衰减记忆卡尔曼滤波中衰减因子的自适应估计方法,并在GPS/SINS组合导航系统中进行了计算机仿真.在计算衰减因子时,利用滤波残差序列在最优估计时为零均值白噪声的性质,构造了服从χ2分布的变量,并分别检验滤波残差每一个分量得出衰减因子值.仿真结果表明,该组算法能够自适应地估计出衰减因子的大小,有效地抑制滤波发散,且计算量较其它方法小.