智能航迹推算系统的研究

提出了一种新模糊滤波法用于补偿磁罗盘测量值中的低频干扰。在此基础上 ,进一步提出了一种新的滤波方法 :模糊 -补偿滤波法 ,以消除磁罗盘测量值中各种干扰的影响。仿真表明 :在较长的时间内 ,采用模糊 -补偿滤波法的航迹推算系统的航向估值误差和位置误差均较小。     

自适应增量粒子滤波方法

提出自适应增量粒子滤波(AIPF)的概念和定义,建立AIPF模型,给出了分析方法和主要的计算步骤.对于许多实际工程(如深空探测)中存在的由未知系统误差的影响而无法精确建立量测似然函数及滤波过程中的粒子匮乏等问题,通过增量粒子滤波模型对滤波过程中的粒子数进行自适应调整,从而消除这种未知系统和滤波粒子匮乏的影响,自动调整粒子,提高非线性滤波的精度.仿真计算中,滤波误差均值和方差分别降低为原来的3.8%和19.6%.该方法有效地改善了滤波效果,计算简单,便于工程应用.      

基于滤波器方法的非线性系统故障诊断准确率的机理分析

提高诊断准确率是非线性系统故障诊断的重要目标之一。从非线性滤波的角度,系统地分析了线性化误差和模型误差对诊断准确率的影响。首先揭示了线性化误差及模型误差两因素对非线性滤波性能的影响机理,接着通过计算非线性系统故障的后验条件熵,以及错误率的Bhattacharyya上界,从机理上证实提高非线性滤波精度对于提高故障诊断准确率的意义。     

磁罗盘和陀螺航向信息融合技术

本文提出了一种改进的补偿滤波方法以消除磁罗盘中的低频干扰。仿真结果表明，在较长的时间内，采用改进的补偿滤波方法可以使磁罗盘较好的抵御低频干扰和高频干扰的影响，从而使航向估值误差和位置误差均较小。     

自校准Kalman滤波方法

提出一种自校准Kalman滤波方法(SKF),建立SKF模型及其滤波递推算法.在深空探测、发动机故障诊断等许多工程实际中,由于未知输入(如突风、故障、未知的系统误差等)的影响,传统的Kalman滤波方法在滤波递推过程中会产生较大误差.文中提出的自校准Kalman滤波方法能够自动补偿这种未知输入的影响,提高滤波精度.从某飞行器仿真中可以看到,SKF的滤波误差均值和方差分别比传统的Kalman滤波方法降低了400%和300%以上,有效地改善了滤波效果.并且该方法计算简单,便于工程应用.     

拐点平滑滤波技术研究

提出了滤波算法的一种新的有效点判断原则,即拐点平滑法;介绍了该技术的数学模型及滤波原理;通过仿真计算,探讨了应用该判据时滤波半径、拟合阶次等滤波参数对位置参数滤波结果的影响情况,并进行了实测数据解算。该判据在中心平滑算法的最佳应用条件下,综合考虑了截断误差,提高了飞行器位置参数的滤波精度,尤其适用于加速度剧烈变化的飞行轨迹。     

一种基于改进Kalman滤波的 视觉/惯性组合导航算法

提出了一种基于改进Kalman滤波的视觉/惯性直接组合导航算法,首先分析了相关坐标系的定义和敏感器的误差模型,然后分别构建了姿态滤波方程和位置滤波方程,接着对滤波方程进行离散化处理以便在计算机中实现运算,最后采用该方法进行了仿真验证,结果表明系统在不同情况下进行组合导航都能够满足任务要求。     

采用H_∞滤波器的GPS/INS全组合导航系统研究

 根据 H∞ 鲁棒滤波理论,提出了基于 H∞ 滤波技术的 GPS/INS全组合导航系统。该系统仅含有位置误差、速度误差和平台误差角 9维状态,并利用位置、速度和载波相位观测信息对全部状态进行观测,组成全组合导航系统,由 H∞ 滤波来提高系统的鲁棒性。对提出的全组合系统进行了动态仿真,仿真结果表明,该系统结构简单,状态估计精度高,系统鲁棒性好,便于工程实现。     

基于ST-EKF与滤波增益约束的加速度计微g级标定

提高加速度计组件的标定精度是实现高精度导航、高精度测姿的重要途径.针对加速度计组件通过线性误差模型标定后难以达到微g级精度的情况,建立了包含二次项误差和振摆误差在内的加速度计组件误差模型,并提出了一种基于状态变换Kalman滤波与滤波增益约束的系统级标定算法.该算法借鉴Schmidt-Kalman滤波器与可观测性约束Kalman滤波器原理,可减小滤波状态协方差矩阵计算误差和滤波增益计算误差,从而提高弱可观误差状态的估计精度.与传统系统级标定算法的对比实验表明,所提出的新算法能够更加精确估计出包含二次项误差与振摆误差在内的加速计组件的各项误差,新算法使在大水平姿态倾角下的重力模值测量残差的均方差从线性误差模型的24.12μg、线性/二次项误差模型的13.38μg减少到6.71μg.4500s大水平姿态变化下的纯惯导实验结果表明:与仅用线性误差模型的系统级标定结果相比,系统级标定新算法使惯导系统的东向、北向导航最大位置误差分别从192.40m、96.72m减小到74.64m、65.44m.所提出的系统级标定新算法具备更好的标定精度,从而使得导航精度得到提高.     

基于多参量信息的水下地磁滤波导航算法

由于水下运载器使用地磁滤波导航方法时难收敛、易发散,根据水下运载 器的特点设计了一种基于多参量信息的水下地磁滤波导航算法。针对单纯使用地磁数据 进行位置匹配精度较差的问题,该算法在匹配及滤波过程中引入了地磁强度、航向、航 速等多参量信息,采用非线性滤波框架进行信息融合,采用粒子群算法根据多参量信息 进行位置搜索,并以之为系统滤波的观测值,通过提高位置观测精度改进滤波的收敛性 和鲁棒性。仿真结果表明,算法滤波精度高,稳定性好,能够较好地抑制各类传感器干 扰和误差对滤波估计的影响,适用于水下运载器的地磁导航定位。     

自适应增量 Kalman 滤波方法

提出自适应增量Kalman滤波(AIKF)的概念和定义,建立自适应增量Kalman滤波模型及其分析方法,给出主要的计算步骤.传统自适应Kalman滤波(AKF)方法能够对事先未知的系统噪声和量测噪声的统计量进行有效的估计.但是,传统自适应Kalman滤波方法也无法对由于环境因素(如深空探测)的影响、测量设备的不稳定性等原因产生的未知时变测量系统误差进行补偿和校正,从而产生较大的滤波误差,甚至导致发散.提出的自适应增量Kalman滤波方法不但能够对系统噪声和量测噪声的统计量进行估计,而且还能成功消除这种测量系统误差,有效地提高滤波精度.该方法计算简单,便于工程应用.      

自校准扩展Kalman滤波方法

提出一种自校准扩展Kalman滤波(SEKF)方法,针对3种含有未知输入(如未知系统误差、突风、故障等)的不同的非线性系统模型,分别给出了滤波递推算法.在导航、信号处理、故障诊断等领域的许多非线性工程中,传统的扩展Kalman滤波(EKF)方法无法消除未知输入的影响,在滤波过程中往往产生较大误差甚至发散.提出的SEKF方法能够对这种未知输入进行补偿和修正,从而提高滤波精度.数值仿真算例表明:SEKF的滤波误差均值和标准差分别减少到传统EKF的1/12和1/4,有效地改善了滤波精度.并且该方法计算简单,便于工程应用.      

基于自适应粒子滤波的涡扇发动机故障诊断

针对涡扇发动机非线性、非高斯的特点,提出了一种自适应的粒子滤波算法用于涡扇发动机气路部件突变故障的诊断.为了减小算法的计算量并且保证滤波精度,分析了滤波精度和样本数目的关系,提出根据滤波过程中状态的方差自适应地调整粒子数,在保证一定的滤波精度下可以有效地减少滤波过程中使用的粒子数,提高了算法的实时性.同时,引入扩展卡尔曼滤波(EKF)用于更新粒子,产生重要概率密度函数,在一定程度上避免了粒子的退化.通过某型涡扇发动机的仿真分析表明:改进的算法相比标准粒子滤波算法用于涡扇发动机气路部件故障诊断时,参数估计的方均根误差减小了50%左右,且算法的计算量减小了30%.     

基于中值滤波和小波变换的混合滤波方法在推进剂监测中的应用

目前,监测传感器传出信号中混有很多噪声,为提高信号可信度,需要一种有效的信号处理方法。文章基于Matlab仿真环境,完成了信号仿真和滤波算法的设计,重点对单传感器仿真信号的去噪和多传感器信息融合进行了研究,提出了基于中值滤波和小波阈值滤波的混合滤波方案和基于Kalman滤波的信号融合方案。研究工作有:基于高斯白噪声和脉冲噪声的数学特性,合理假设出5种基本信号形式;依据实际数据,完成单传感器和多传感器信号仿真,确定信噪比和均方根误差作为去噪评定指标;综合分析现有的滤波算法的滤波特性,利用不同长度滑动窗口的中值滤波处理实验信号,选取合适长度的滑动窗口。设置对比实验确定小波阈值滤波中的小波基函数选取、阈值计算和分解尺度等参数;融合中值滤波和小波阈值滤波优势,设计混合滤波方案,去除单传感器仿真信号中的噪声;研究信息融合理论在泄漏监测系统中的应用,设置不同融合方式下的对比实验,确立最佳融合方式下的Kalman滤波方案,实现多传感器信息融合。     

优化抗差自适应滤波器在深组合导航中的应用

为了提高惯性/卫星深组合导航系统的滤波性能,在抗差自适应滤波算法的 基础上,研究了一种优化抗差自适应滤波算法。该算法通过比较实际预测残差协方差矩 阵和理论协方差阵的差值来生成自适应因子,从而优化抗差自适应滤波。将所研究的算 法应用于惯性/卫星深组合导航系统, 在高动态环境下进行仿真验证, 并与常规卡尔曼 滤波、抗差自适应滤波进行比较。结果表明,优化算法能有效地控制观测异常和动态模 型异常对状态参数估值的影响,所得组合导航位置误差和速度误差明显减小,提高了组 合导航系统的滤波精度。     

无迹增量滤波方法

提出无迹增量滤波(UIF)的概念,建立一般无迹增量滤波模型及其分析方法,并对具有加性噪声的无迹增量滤波进行了详细讨论,给出其递推算法.在工程实际中,由于环境因素的影响、测量设备的不稳定性、模型和参数的选取不当等原因往往带来未知的系统误差.在这种情况下,传统的无迹Kalman滤波方法(UKF)在递推过程中会产生较大误差,甚至导致发散.提出的无迹增量滤波方法能够成功消除这种未知的系统误差,提高滤波的精度.该方法计算简单,便于工程应用.      

有限记忆滤波在人造卫星定轨中的应用

本文是课题“飞行器定轨问题的研究”的一部分，首先在分析课题背景的基础上对人造卫星动力学问题进行分析，考虑了影响静止卫星转移轨道的六个摄动力，建立系统的动力学方程和观测方程。然后应用广义Ｋａｌｍａｎ滤波和Ｊａｚｗｉｎｓｋｉ有限记忆滤波对所建立的模型进行自适应滤波。仿真计算中对有限记忆步长Ｎ进行了测试，并对计算结果的精度和误差进行了分析。     

再论联邦滤波在组合导航中的应用可行性

在联邦滤波算法中，针对子滤波器存在私有状态从而导致全局状态信息融合估计为次优估计的问题，通过一个简单的3维状态、2维量测系统的数值仿真以及速度+姿态传递对准组合导航仿真，验证了联邦滤波的次优估计结果误差太大，难以满足实际系统的高精度滤波需求。联邦滤波估计的次优程度没有经过严格证明，且难以证明，因而存在应用风险。对于以精度为主要性能指标的组合导航系统，不建议采用联邦滤波算法，否则其精度损失不足以弥补其带来的计算量降低和容错性提高的优势。     

自适应扩展增量 Kalman 滤波方法

基于扩展增量Kalman滤波方法(EIKF)和自适应增量Kalman滤波(AIKF),建立自适应扩展增量Kalman(AEIKF)模型及其分析方法,给出递推算法.在许多实际情况(如深空探测),由于环境因素的影响、测量设备的不稳定性等原因,量测方程往往存在未知的系统误差,并且模型参数也具有不确定性,结果导致较大的Kalman滤波误差,影响滤波的收敛性.提出的AEIKF方法能够成功消除这种未知的系统误差,并能够实时估计变化的噪声统计量,提高Kalman滤波精度.该方法计算简单,便于工程应用.      

传统组合导航中的实用Kalman滤波技术评述

在随机线性系统建模准确的情况下,Kalman滤波是线性最小方差无偏估计。针对传统惯导/卫导组合导航的实际应用,难以精确建模,给出了常用的建模方法、状态量选取原则、离散化方法及滤波快速计算方法。讨论了平方根滤波、自适应滤波、联邦滤波和非线性滤波等技术的适用场合,并给出了使用建议。针对前人研究可观测度中未考虑随机系统噪声的缺陷,提出了更加合理的以初始状态均方误差阵为参考的可观测度定义和分析方法。提出了均方误差阵边界限制方法,可有效抑制滤波器的过度收敛和滤波发散。该讨论可为工程技术人员提供一些有实用价值的参考。