多模型自校准扩展Kalman滤波方法

基于扩展Kalman滤波方法（EKF）、自校准扩展Kalman滤波方法（SEKF）和多模型估计理论（MME）,针对工程实际中非线性系统状态方程受未知输入（如突风、故障和未知系统误差等）影响的问题,提出了一种多模型自校准扩展Kalman滤波方法（MSEKF）,将多模型自校准Kalman滤波方法（MSKF）的适用范围扩展到了非线性领域。该方法同时采用EKF与SEKF进行计算,根据贝叶斯定理实时分配两者先验估计值的权重,通过加权融合进而得到最终的状态估计。本文方法不仅解决了非线性系统状态方程受未知输入影响时EKF滤波发散的问题,而且在未知输入为零时的滤波精度与SEKF相比也更高,大量数值仿真结果表明该方法精度提升可达4%,具有更强的适应性和鲁棒性。     

非线性非高斯秩滤波方法

基于秩滤波原理,提出一种非线性非高斯秩滤波方法,给出其递推过程.目前常用的非线性滤波方法有无迹Kalman滤波和粒子滤波,无迹Kalman滤波只适用于高斯分布的情况,粒子滤波方法却存在粒子退化及重采样引起的粒子贫化问题.而非线性非高斯秩滤波方法不仅适用于常见的多元t分布、多元极值分布等非高斯分布的非线性滤波,并且计算简单、工作量小,便于工程应用.从仿真算例可以看到,该方法的滤波精度与无迹Kalman滤波和粒子滤波方法相比提高了500%以上.      

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.      

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.     

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.      

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.      

自适应无迹增量滤波方法

提出自适应无迹增量滤波(AUIF)的概念和定义,建立自适应无迹增量滤波模型及其分析方法,给出递推算法.传统的滤波方法极少关注量测方程的系统误差.在许多实际情况(如深空探测),量测方程由于受环境因素及测量设备不稳定等影响往往无法进行验证或校准而存在未知的系统误差,并且模型参数和噪声统计量也具有不确定性.这种不确定性会使递推过程产生较大误差,甚至导致发散,从而降低滤波精度.提出的AUIF能够成功消除这种未知的系统误差,也能够实时估计变化的噪声统计量,提高滤波精度.该方法计算简单,便于工程应用.      

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.      

自适应UKF在北斗定位算法中的应用

北斗导航系统发展日益成熟,介绍了北斗定位解算与GPS解算的差异,针对扩展Kalman滤波(Extended Kalman Filter,EKF）算法在北斗解算过程中容易引入非线性误差,无迹Kalman滤波(Unscented Kalman Filter,UKF）算法受初值和系统噪声影响较大问题,提出了一种自适应无迹Kalman滤波(Adaptive Unscented Kalman Filter,AUKF）北斗定位解算算法。该算法利用观测残差信息构建自适应渐消矩阵,消除量测噪声异常带来的影响,同时提高了滤波精度。实验表明,与EKF和UKF定位解算算法相比,AUKF算法在定位精度和对系统噪声鲁棒性方面都有所提高,是一种可靠稳定的北斗定位算法。     

Unscented Kalman滤波用于再入飞行器跟踪

本文引入Unscented Kalman滤波用于再入飞行器跟踪。Unscented Kalman滤波通过设计少量的σ点，并计算这些σ点经由非线性函数的传播，从而获得滤波值基于非线性状态方程的更新。在应用中，由于Un-scented Kalman滤波无需象广义Kalman滤波那样求动力学系统函数和观测系统函数关于状态向量的导数。给计算带来了极大的方便。     

欠观测条件下的扩展增量 Kalman 滤波方法

建立欠观测条件下的非线性增量量测方程,并给出其线性化方法,在此基础上提出一种欠观测条件下的扩展增量Kalman滤波(EIKF)模型及其递推算法.工程实际中,由于环境因素的影响、测量设备的不稳定性等原因往往带来未知的系统误差,传统的扩展Kalman滤波(EKF)无法对这种未知的系统误差进行补偿和校正,结果产生较大的滤波误差,甚至导致发散.提出的扩展增量Kalman滤波方法能够成功地消除测量的系统误差,从而有效地提高非线性滤波的精度.该方法计算简单,便于工程应用.      

基于变分贝叶斯的星载雷达非线性滤波

星载雷达由于其探测范围广、距离远、全天候等优点,在预警防御系统中占有十分重要的地位。然而,由于观测平台的高速运动以及摄动干扰、传感器观测非线性等问题,使得星载雷达目标高精度跟踪带来严峻挑战。针对星载雷达非线性状态估计问题,采用一种基于变分贝叶斯的非线性滤波方法,该方法通过将非线性状态估计问题转化为优化问题,通过迭代优化获得了闭环解析解。此外,针对坐标变换中俯仰角量测缺失问题,提出了一种基于先验目标高度的俯仰角估计方法。通过数值仿真,验证了所提方法较传统非线性滤波方法,如扩展卡尔曼滤波、不敏卡尔曼滤波、转换量测卡尔曼滤波,具有更好的估计精度。     

高斯-厄米特滤波器在捷联惯导系统初始对准中的应用

 为提高静基座初始对准精度,缩短对准时间,采用了基于大方位失准角的对准模型,引入了高斯-厄米特滤波器(GHF)。针对GHF中均值和协方差阵的多元非线性高斯积分求解问题,利用初始对准误差方程的非线性是由大方位失准角导致的特点,通过状态的线性变换,求其线性状态解析解,将高维积分转化成一元数值积分,在不损失精度的前提下,解决了GHF在对准应用的"维数灾难"问题。将此算法用于实际系统,对比于扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF),结果表明在大方位失准角条件下,GHF方法偏航角的对准精度提高了16%,对准时间缩短了75％。     

航空发动机气路故障诊断的平方根UKF方法研究

设计了适用于双轴涡扇发动机健康参数估计的平方根UKF滤波算法,解决了线性卡尔曼滤波器估计结果准确性依赖于线性模型精度;常规UKF算法中由于计算误差及噪声信号影响引起误差协方差矩阵负定而导致滤波结果发散等问题.提出了根据测量残差变化改进滤波收敛速度与稳定性的方法.发动机渐变与突变故障模式下仿真结果表明,平方根UKF估计算法收敛速度快,稳定性强,精度高,是一种有效的发动机气路部件健康参数估计与故障诊断方法.