基于速度积分匹配的旋转调制惯导系统动基座对准方法

卫星导航信息辅助动基座对准过程中,速度噪声会影响对准精度和快速性,制约了旋转调制惯导角秒级高精度快速对准的实现.针对这一问题,提出了一种基于旋转调制惯导速度积分匹配的快速动基座对准方法,通过建立旋转调制惯导动基座对准误差方程和卡尔曼滤波观测模型,以消除动基座对准对载机特殊运动的要求.最后,在实验室静态环境和车载环境下,分别开展了速度积分匹配和速度十位置组合导航动基座对准仿真实验.仿真结果表明,提出的速度积分匹配方法具有误差估计量收敛速度快的特点,在对准精度不降低的情况下相对组合导航匹配方式能有效缩短动基座对准时间,并能基于旋转调制惯导取消动基座对准对载机的机动需求.     

三种传递对准方法的对比研究

传递对准是动基座对准的一种方法,其有多种匹配方案。文章对比了＂速度＂匹配和＂姿态＂匹配、＂速度＋姿态角＂匹配3种传递对准方案。运用卡尔曼滤波算法,对失准角进行估计,并对估计结果进行比较,分析了3种匹配方案的对准精度及适用性。     

INS/SAR组合定位技术研究

主要研究了INS/SAR组合对运动目标的定位算法。首先,建立了INS/SAR组合定位系统数学模型;其次,基于卡尔曼滤波方法和alpha-beta滤波方法完成了INS/SAR组合定位算法设计;最后,考虑组合导航系统误差及导引头测量误差,对定位算法进行了数字仿真及性能分析。仿真结果表明,所设计的INS/SAR组合定位算法在远距对运动目标具有较高的定位精度。     

基于带有事件触发机制的集员滤波的RSSI室内移动定位

在室内移动定位系统中,由于待定位节点易受统计特性未知的噪声干扰影响,采用Kalman滤波和粒子滤波等经典的噪声抑制方法,已无法有效满足室内定位精度不断提升的要求.针对这一问题,提出了一种基于事件触发的集员滤波室内移动定位算法.首先,针对基于接收信号强度指数(RSSI)测距误差导致传统三边定位算法无法获取可行解的问题,提...     

引入UPF的交互式多模型的算法

融合交互式多模型和UPF（the unscented particle filter）,提出了一种新的多模型滤波算法。多模型结构能适应目标高度机动,粒子滤波能处理非线性、非高斯问题,而UKF（the unscented Kalman filte,）可以提高估计精度。与其它交互式多模型算法进行了比较,试验仿真结果证实了新滤波算法的有效性。     

双频Android手机GPS/BDS伪距单点定位增强方法与性能评估CSCD

针对双频GNSS手机不同运动状态下的定位性能,从原始观测值质量入手进行分析,设计并比较了多种定位算法的有效性。首先,采集了华为mate30、荣耀20pro、小米10三款双频手机的原始观测数据,从DOP值、信噪比、伪距残差等方面对观测数据质量进行了分析评估。其次,设计了静态和动态实验,利用最小二乘法(LSM)、加权最小二乘法(WLS)(高度角定权、信噪比定权)、Kalman滤波法进行单点定位解算。静态测试结果表明,基于LSM的三款手机定位精度在E、N方向上分别优于2.04m和2.24m,信噪比定权相比高度角定权可使平面定位精度平均提高8.5%;动态测试结果表明,Kalman滤波可有效提高精度性能,平面定位精度平均提高7.2%,但三款手机的动态测试表现明显低于静态测试。     

基于UKF的GPS/SINS组合导航直接式滤波算法

基于无迹卡尔曼滤波(UKF)方法,使用姿态、速度、位置等9个导航参数组成状态向量,以GPS系统输出的速度、位置组成6维观测向量,构建直接式结构的UKF滤波器。该滤波器能够直接反映系统导航参数的动态过程,准确显示运动状态演变。针对GPS/SINS组合导航系统的特点,构建了GPS/SINS组合导航直接式卡尔曼滤波仿真验证系统,仿真结果验证了基于UKF的GPS/SINS组合导航直接式滤波算法的有效性,该直接式非线性滤波算法可使惯性组合导航系统的导航精度得到提高。     

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%.     

Kalman弹道滤波器的快速收敛性研究

在弹道修正过程中,需根据一段实测弹道参数,准确地估算常规弹箭的飞行弹道。工程中,常应用Kalman滤波方法,结合质点弹道模型建立六状态滤波弹道模型。速度初值估计的准确性,是对滤波过程造成影响的主要因素。为改善这一状况,采用多项式拟合用以对速度状态进行估计并以此作为滤波初始值。在此种估计下滤波,速度滤波过程可快速收敛,位置滤波过程收敛速度大幅度提高,可使最优弹道诸元参数获取时间缩短30%。     

基于改进容积卡尔曼滤波的惯性/光流组合自主测速方法

针对容积卡尔曼滤波算法在惯性/光流组合测速数据融合时出现由于各系统输出数据频率不一致导致融合精度有限的问题,提出了一种基于多速率残差校正的改进容积卡尔曼滤波算法.通过当前时刻误差估算组合导航系统残差,再使用估算后的残差对速度估计值进行补偿,最终实现惯性/光流组合系统速度测量值的数据融合.实验结果表明,通过提出的改进容积...     

Optimum Steady-State Position and Velocity Estimation Using Noisy Sampled Position Data

The Kalman filtering technique is used to obtain analytical expressions for the optimum position and velocity accuracy that can be achieved in a navigation system that measures position at uniform sampling intervals of T seconds through random noise with an rms value of ?x. A one-dimensional dynamic model, with piecewise-constant acceleration assumed, is used in the analysis, in which analytic expressions for position and velocity accuracy (mean square), before and after observations, are obtained. The errors are maximum immediately before position measurements are made. The maximum position error, however, can be bounded by the inherent sensor error by use of a sufficiently high sampling rate, which depends on the sensor accuracy and acceleration level. The steady-state Kalman filter for realizing the optimum estimates consists of a double integrator, the initial conditions of which are reset at each observation.     

基于IMMKF算法的ADS-B监视应用目标跟踪

目标跟踪是机载广播式自动相关监视（ADS-B）应用的基础功能,对提升航空器周边的弱机动民航飞机目标跟踪性能具有重要意义。提出一种基于交互式多模型卡尔曼滤波（IMMKF）算法的ADS-B 监视应用目标跟踪方法。首先,针对弱机动背景下的民航飞机的飞行特点,建立包含匀速模型和标准协同转弯模型的运动模型集,并对模型进行线性化近似;然后,将模型预测和ADS-B 状态矢量量测数据作为IMMKF 算法中多个并行卡尔曼滤波器的输入,进行并行滤波;最后,计算得到目标状态矢量的估计和模型近似概率,并作为下一次迭代的输入。结果表明：相比于基于匀速模型的卡尔曼滤波目标跟踪方法,IMMKF 方法的位置跟踪误差降低了59%,速度跟踪误差降低了77%,显著提升了状态估计性能,具备较高的跟踪精度、稳健性与计算效率,在ADS-B 监视应用中具有实际应用价值与借鉴意义。     

一种鲁棒Sigma-point滤波算法及其在相对导航中的应用

研究了一种鲁棒Sigma-point滤波方法在无人机编队相对导航问题上的应用。该方法采用Huber估计方法,将Sigma-point滤波量测更新转化为求解线性回归问题,新的Sigma-point滤波方法是一种混合L1、L2范数最小估计,当量测噪声为受污染的高斯白噪声时,该方法具有一定的鲁棒性。给出了编队无人机相对惯导方程和相对视线矢量测量原理,应用鲁棒Sigma-point滤波方法融合相对惯导信息和相对视线矢量信息,估计出无人机之间的相对姿态、相对速度和相对位置。仿真结果表明,与扩展卡尔曼滤波和常规Sigma-point滤波相比,鲁棒Sigma-point滤波可以获得更高的估计精度。     

改进粒子滤波算法及其在GPS/SINS组合导航中的应用

针对标准粒子滤波中存在的粒子退化问题,将无味卡尔曼滤波方法、线性规划方法与标准粒子滤波相结合,得到一种改进粒子滤波算法。改进粒子滤波算法中的重要性概率密度通过 UKF算法获得,从而使粒子使用效率得到提升;二次采样过程中加入线性规划方法,保证了粒子的多样性。将改进粒子滤波算法应用于 GPS/SINS组合导航,建立了 GPS/SINS组合导航模型,通过仿真验证了该滤波算法的有效性,使用该算法可使惯性组合导航系统导航精度得到提高。     

Interlaced Kalman filtering of 3D angular motion based on Euler'snonlinear equations

A novel Kalman filtering technique is presented that reduces the mean-square-error (MSE) between three-dimensional (3D) actual angular velocity values and estimated ones by an order of magnitude (when compared with the MSE resulting from direct measurements) even under extremely low signal-to-noise ratio conditions. The filtering problem is nonlinear in nature because the dynamics of 3D angular motion are described by Euler's equations. This nonlinear set of differential equations state that the angular acceleration in one axis is proportional to the torque applied to that axis, and to the products of angular velocity components in the other two axes of rotation. Instead of using extended Kalman filtering techniques to solve this complex problem, the authors developed a new approach where the nonlinear Euler's model is decomposed into two pseudolinear models (primary and secondary). The first model describes the time progression of the state vector containing the linear terms, while the other characterizes the propagation of the state vector containing the nonlinearities. This makes it possible to run two interlaced discrete-linear Kalman filters simultaneously. One filter estimates the values of the state vector containing the linear terms, while the other estimates the values of the state vector containing the nonlinear terms in the system. These estimates are then recombined, solving the nonlinear estimation process without linearizing the system. Thus, the new approach takes advantage of the simplicity, computational efficiency and higher convergence speed of the linear Kalman filter form and it overcomes many of the drawbacks typical of conventional extended Kalman filtering techniques. The high performance and effectiveness of this method is demonstrated through a computer simulation case study     

航空发动机部件性能参数融合预测

为了改善目前单独采用基于模型和数据驱动的部件健康参数预测精度,提高数据驱动方法的故障诊断的泛化能力,提出一种自调整决策融合机制,对航空发动机部件性能蜕化在连续蜕化空间进行融合诊断。传感器测量值同时输入到机载自适应模型和数据驱动的诊断模块中,分别利用卡尔曼滤波算法和自适应遗传算法优化的支持向量回归机(AGA-SVR)对主要部件性能进行预测,再利用自调整决策权重的量子粒子群寻优(QPSO)进行决策级融合诊断。以某型涡扇发动机为对象进行气路部件蜕化的仿真研究表明,与单独使用基于模型和数据驱动的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度。     

包含乘性噪声自适应修正的非合作目标相对导航算法

无人机（UAV）态势感知的任务是利用机载传感器对未知环境进行目标识别和引导,针对无人机与非合作目标间中远距离的相对导航问题,提出了一种基于角度和距离量测的相对状态估计算法。在现有滤波算法的基础上,为了提高精度和稳定性,本文利用了列文伯格-马夸尔特（LM）优化的思想对迭代卡尔曼滤波（IEKF）算法进行改进,提出了一种LM-IEKF算法,并推导该算法在迭代过程中的状态更新方程及协方差阵的递推公式。在此基础上,考虑到距离传感器由于信号相关特性而引入的乘性噪声,现有的加性噪声模型难以适应,因此,进一步提出了基于量测噪声自适应修正的Modified LM-IEKF方法,通过在线实时更新噪声阵提高滤波的精度,并设置渐消记忆指数平滑估计结果。算法验证结果表明,与现有的EKF、IEKF算法相比,在仅含加性噪声的情况下,LM-IEKF算法具有更好的性能;在包含乘性噪声的情况下,Modified LM-IEKF可以有效地估计量测噪声,与目前广泛使用的EKF算法相比,在综合相对位置和相对速度精度上分别提高了10%和23%。     

Optimum Steady State Position, Velocity, and Acceleration Estimation Using Noisy Sampled Position Data

A one-dimensional tracking filter based on the Kalman filtering techniques for tracking of a dynamic target such as an aircraft is discussed. The target is assumed to be moving with constant acceleration and is acted upon by a plant noise which perturbs its constant acceleration motion. The plant noise accounts for maneuvers and/or other random factors. Analytical results for estimating optimum steady state position, velocity, and acceleration of the target are obtained.     

非线性状态方程自校准滤波方法

针对工程实际中遇到的非线性系统状态方程中含未知输入（如环境因素的影响、模型和参数选取不当等）的情况,采用自校准技术,基于秩滤波与无迹Kalman滤波算法提出了一种非线性状态方程自校准滤波方法,并分别讨论了自校准秩滤波(SRF)与自校准无迹Kalman滤波(SUKF)两种情况。大量仿真结果和工程应用表明:与无迹Kalman滤波(UKF)相比,该方法通过对系统状态方程中的未知输入进行自动估计和补偿,改善了系统受未知输入影响下的滤波效果,从算例中可以看到,估计精度至少提高了80%,且计算简单,便于工程应用。      

基于自适应容积卡尔曼滤波方法的涡扇发动机气路部件故障诊断

针对涡扇发动机气路部件故障诊断中参数存在不同的噪声统计特性,提出了一种自适应平方根容积卡尔曼滤波(ASRCKF)器的自适应滤波方法.该方法直接利用基于3阶容积积分方法近似发动机的非线性统计特性,用于替代非线性无迹卡尔曼滤波方法的系统模型,避免了滤波过程参数选取的问题;采用移动窗口法对噪声协方差矩阵进行自适应估计,提高了算法对不同统计特性噪声的自适应能力和滤波精度.通过对发动机气路部件健康参数蜕化过程仿真结果表明:ASRCKF方法相比平方根容积卡尔曼滤波(SRCKF)方法,精度提高40%~50%,对不同噪声信号具有更好的适应能力.