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。     

序贯结构的Sage-Husa自适应滤波及其应用

在分析已有的Sage-Husa自适应滤波算法的基础上,本文首先推导了两种量测噪声自适应估计方法的等价性。为充分利用组合系统中已知的部分量测噪声参数,提高滤波稳定性和精度,研究了基于序贯结构的Sage-Husa自适应滤波算法;当组合系统测量噪声参数均为已知时,为降低算法复杂度,提高Sage-Husa自适应滤波的鲁棒性,加入协方差匹配的方法对序贯结构的Sage-Husa自适应滤波算法进行改进;通过在序贯结构下采用相应的信息融合策略,充分利用组合系统的输出信息。将两种算法分别应用于MIMU/GPS/磁强计组合系统中,基于跑车实验的离线数据分析表明,第一种滤波算法的滤波稳定性较标准自适应算法在滤波稳定性上有明显提高;第二种改进的滤波算法既降低了算法复杂度,又提高了抗野值效果,有效保持了组合系统在干扰状态下的导航精度。     

基于联合双边滤波的融合图像跟踪算法研究

为了提高跟踪精度,提出一种基于联合双边滤波的融合图像自动跟踪算法.采用帧问差分法并通过形态学处理获得运动目标大致区域,在此基础上采集目标区域及相邻背景区域的代表颜色集合,由此生成草图作为联合双边滤波的引导图,进而生成完整的目标描述,通过边缘检测获得精确的跟踪结果.实验结果表明,方法能够获得清晰准确的跟踪结果,能够较好地避免跟踪中的漂移问题,且算法复杂度低,跟踪精度高.     

基于多级优化的粒子群算法在航迹规划中的应用

针对粒子群算法后期存在寻优效率降低、收敛缓慢等问题,提出了多级优化算法。该算法具有局部快速收敛特性,通过对粒子群所生成的最优粗略解进行局部最优处理,从而能够快速地从粗略解中提取出全局最优信息,将粗略解变为最优解。仿真结果显示,该组合算法能将粒子群算法的全局搜索特性和多级优化算法的局部优化特性有机结合起来,达到了准确而快速生成路径的目的。     

发动机故障诊断的变记忆约束滤波算法

为提高故障诊断可靠性,给出了3种利用多次测量信息减少测量误差影响的方法,即变记忆约束滤波算法、分段算术平均预平滑算法以及指数顶平滑算法。其中,变记忆约束滤波算法能够有效地避免由于故障方程多重共线性所引起的病态解。证明了多故障诊断问题中滤波算法与分段算术平均算法的等价性,证明了在衰减滤波的条件下（第一变记忆因子小于1）,随测量点数的增加,变记忆滤波算法的第一变记忆因子与指数平滑的平滑系数之和趋近于1。利用计算机仿真方法对于所得结论进行了检验。     

分"档”直接插入排序算法研究

提出了一种由分"档”、整体置换和局部直接插入排序所组成的新排序算法--分"档”直接插入排序法.算法分析和实验结果都表明:在待排序数据非极不均匀分布的情况下,分"档”直接插入排序算法的时间复杂度可达到O(n),而附加存储空间开销却仅仅[(n+1)/2],同时排序速率明显优于QuickSort、HeapSort按字节桶分配链接排序、ProportionSplit Sort等算法.     

多渐消因子Kalman滤波器在SINS初始对准中的应用(英文)

针对系统模型和统计信息不能精确已知的条件下Kalman滤波无法给出最优解这一问题,单一渐消因子Kalman滤波算法对于简单的系统是有效的,但是对于复杂的多变量系统,仅仅利用单个的渐消因子是不够的。本文提出了一种多渐消因子滤波算法,通过利用开窗法计算新息序列协方差的无偏估计获得渐消因子矩阵。利用渐消因子矩阵调节一步预测均方误差矩阵k|k1P,对不同的滤波通道提供不同的渐消速率。将该方法应用于SINS的初始对准中,仿真和试验结果表明:当真实系统噪声统计特性同设定参数不一致时,对准精度明显高于其他滤波算法。其对不确定性噪声具有较低的敏感度,对系统参数具有较好的滤波效果。因而,在实际应用中具有重要的参考价值。     

基于多级维纳滤波的双基地MIMO雷达多目标定位方法

为了降低双基地多输入多输出(MIMO)雷达目标定位过程中的计算复杂度,避免进行占主要计算量的协方差矩阵特征值分解或奇异值分解和二维空间谱的峰值搜索,将多级维纳滤波(MSWF)应用于双基地MIMO雷达多目标定位的研究中。利用MSWF的前向递推原理,得到信号子空间;然后利用ESPRIT算法估计发射角(DOD)和接收角(DOA),且DOD和DOA自动配对,实现了多目标交叉定位。分析了本文算法和ESPRIT算法的计算复杂度,并通过仿真实验及性能分析验证本文算法的有效性。理论分析和实验结果表明:本文算法在保证二维方位角估计性能的基础上,显著地降低了计算复杂度,缩短了运算时间,更加符合MIMO雷达信号实时处理的要求。     

改进的Sage-Husa自适应滤波算法在MEMS航姿参考系统中的应用

针对经典Kalman滤波和扩展Kalman滤波融合算法存在的计算量大、精度低、实时性差的缺点,引入了改进的Sage-Husa自适应扩展Kalman滤波算法。该算法对经典扩展Kalman滤波算法进行了自适应改进,并在此基础上利用加权渐消记忆法获取了遗忘因子,并通过预测残差得出了最优解。同时,用调整有偏增益估计的措施来保证系统噪声预测方差矩阵与噪声预测方差矩阵的对称性和正定性,对滤波器发散进行了有效的抑制,减少了算法的计算量。实验结果表明,该算法有效改善了可靠性、精确性及自适应能力。     

抗差自适应分步滤波算法在PPP/INS组合导航中的应用

针对常规抗差自适应滤波算法在PPP/INS组合导航应用中存在难以准确识别和分离观测粗差及运动异常对定位结果影响的问题，基于分类因子自适应滤波原理,提出了一种抗差自适应分步滤波算法。该算法首先执行第一步滤波,对状态模型异常信息进行隔离，仅对观测粗差进行诊断和抗差处理；然后在第一步滤波的基础上，执行第二步滤波，对状态模型异常进行诊断和自适应处理。算法分析表明，抗差自适应分步滤波算法可以准确地识别和分离观测粗差和运动异常扰动。实验结果表明，抗差自适应分步滤波算法能够进一步增强滤波算法抵抗观测粗差和运动异常扰动对滤波结果的影响，提高PPP/INS组合导航系统定位结果的稳定性和可靠性。     

Nonlinear Estimation with Radar Observations

The nonlinearities of the radar measurement model equation are examined and their influence upon the accuracy of filtering and smoothing is determined. A simple algorithm by which the effects from these nonlinearities can be significantly reduced is derived. It consists of processing the radar observations in this order: azimuth, elevation, and range, using the azimuth residual to evaluate the elevation residual, and then using this combined result to evaluate the range residual. The accuracy of estimates obtained via the algorithm is compared with and shown to be superior to that of the extended Kalman filter (EKF). Furthermore, use of the algorithm does not increase the computational complexity of estimation beyond that of the EKF.     

修正容积卡尔曼滤波数据域直接定位算法

为解决数据域直接定位（DPD）算法面临的计算压力,提高算法效率,提出一种基于修正的容积卡尔曼滤波（MCKF）的DPD算法。首先,融合各观测信号波达方向信息,利用子空间数据融合方法建立一种基于间接观测量的DPD滤波模型;然后,根据模型特点设计MCKF算法进行求解,解决间接观测量带来的噪声累积问题;最后,对算法计算量进行分析和对比,说明计算效率的提升。仿真结果表明,所提算法与基于最大似然遍历搜索和遗传算法的DPD算法相比,在相同的估计性能下,计算量下降明显,时效性显著提升,增加了算法实用价值。     

Efficient fault tolerant estimation using the IMM methodology

Space systems are characterized by a low-intensity process noise resulting from uncertain forces and moments. In many cases, their scalar measurement channels can be assumed to be independent, with one-dimensional internal dynamics. The nominal operation of these systems can be severely damaged by faults in the sensors. A natural method that can be used to yield fault tolerant estimates of such systems is the interacting multiple model (IMM) filtering algorithm, which is known to provide very accurate results. However, having been derived for a general class of systems with switching parameters, the IMM filter does not utilize the independence of the measurement errors in different channels, nor does it exploit the fact that the process noise is of low intensity. Thus, the implementation of the IMM in this case is computationally expensive. A new estimation technique is proposed herein, that explicitly utilizes the aforementioned properties. In the resulting estimation scheme separate measurement channels are handled separately, thus reducing the computational complexity. It is shown that, whereas the IMM complexity is exponential in the number of fault-prone measurements, the complexity of the proposed technique is polynomial. A simulation study involving spacecraft attitude estimation is carried out. This study shows that the proposed technique closely approximates the full-blown IMM algorithm, while requiring only a modest fraction of the computational cost.     

基于双重卡尔曼滤波器的发动机故障诊断

提出了一种基于双重卡尔曼滤波器的航空发动机健康参数估计方法,实现了传感器发生故障情况下发动机故障的准确诊断.采用发动机动态工作点的测量数据,解决了可测量参数偏少导致故障诊断困难的问题;球面采样平方根UKF(UnscentedKalmanfilter)故障诊断滤波器具有更好的滤波稳定性与更低的计算量的要求,提高了故障诊断算法的效率与精度.某型双轴涡扇发动机故障诊断仿真结果表明,该方法可以准确的同步实现气路部件与传感器的故障诊断,是一种有效的航空发动机故障诊断方法.      

基于压缩感知的频率和DOA联合估计算法

波达方向（DOA）估计是阵列信号处理的一个重要问题,针对信号的DOA估计问题,本文基于压缩感知理论,提出了一种新的频率和角度联合估计算法。首先利用方向波数的空间稀疏性,建立过完备稀疏字典,然后利用压缩采样阵列结构通过求解最优化问题得到方向波数的高分辨估计,最后利用最优空域滤波实现信号到达角度和频率的配对。相对于传统算法,该算法能够实现多信号DOA的高分辨估计,且经过压缩采样后降低了运算量,仿真验证了该算法的正确性与有效性。     

非线性滤波方法及其在飞行状态及参数估计中的应用

基于非线性系统高阶近似的思想,提出一种比推广卡尔曼滤波（ＥＫＦ）更接近非线性系统本质的近似滤波方法,并应用于飞行状态的参数估计（或称为飞行轨迹重构）问题。仿真和实际飞行数据计算结果表明：提出的非线性近似滤波方法比ＥＫＦ有更高的估计精度和更好的鲁棒性,对飞机机动形状、数据长度要求不高,滤波收敛速度快。利用飞行状态估计数学模型的具体特点,使计算量和存储量大幅度减少。该方法应用于非线性较强的飞行状态及参数估计问题。可得到比ＥＫＦ更好的结果。     

一种低复杂度的极低信噪比高动态信号载波粗捕获算法

 针对传统的时域匹配平均周期图算法计算复杂度高的问题,对极低信噪比高动态信号的载波粗捕获算法进行了研究,提出了一种改进的带有补零的频域移位平均周期图算法。该算法采用多速率频域移位运算简化了多支路多普勒变化率匹配,与原算法相比,其计算复杂度降低倍数为匹配支路数与补零倍数之比,捕获性能几乎不损失。给出了算法中影响捕获性能与计算复杂度的关键参数设计方法。在信噪比(SNR)为－41 dB(载噪比C/N₀=18 dBHz)、载波多普勒频偏为－300～300 kHz、多普勒变化率为－800～800 Hz/s、码速率为20 bps条件下对两种算法进行了仿真,结果表明在基本满足后级载波跟踪需求条件下,即频偏精度均达±12 Hz时,多普勒变化率精度均达±25 Hz/s,捕获概率都在90%以上时,改进算法捕获时间比原算法增加了8%,计算复杂度降低了70%。     

A Sequential Approach to Target Discrimination

The Wald sequential probability ratio test is applied to the discrimination of targets observed by a radar or other sensor and a form for the classifier involving linear predictive filtering is developed. In this sequential approach, a target is illuminated with consecutive pulses until a classification of the target can be made to within a prescribed probability of error. Because of the linear-predictive formulation, the computational and storage requirements for the classifier are related only to the number of returns necessary to predict the target signature and not to the length of signature observed; a classifier with modest storage and computational requirements can be employed to process signatures consisting of an arbitrarily large number of returns. The classifier is based on some well-known results in mean-square filtering theory and has a simple intuitive interpretation. The classifier structure can also be related to autoregressive time series analysis and innovations process concepts and has an interpretation in the frequency domain in terms of the maximum entropy and maximum likelihood spectral estimates for the target signatures.     

Reduced spatio-temporal complexity MMPP and image-based tracking filters for maneuvering targets

We present reduced-complexity nonlinear filtering algorithms for image-based tracking of maneuvering targets. In image-based target tracking, the mode of the target is observed as a Markov modulated Poisson process (MMPP) and the aim is to compute optimal estimates of the target's state. We present a reduced complexity algorithm in two steps. First, a gauge transformation is used to reexpress the filtering equations in a form that is computationally more efficient for time discretization than naive discretization of the filtering equations. Second, a spatial aggregation algorithm with guaranteed performance bounds is presented for the time-discretized filters. A numerical example illustrating the performance of the resulting reduced-complexity filtering algorithms for a switching turn-rate model is presented.     

基于改进平方根无迹卡尔曼滤波方法的涡扇发动机气路状态监控

针对涡扇发动机气路状态监控存在模型未知或不准确导致滤波效果下降甚至发散的问题,研究了一种融入高斯过程回归（GPR）的改进平方根无迹卡尔曼滤波（UKF）方法.该方法利用GPR对训练数据进行学习,建立发动机气路部件状态监控的GPR模型,替代UKF方法中的非线性系统模型;采用超球体单形采样和平方根滤波方法来提高滤波的计算效率和数值稳定性.仿真结果表明:训练的GPR模型解决了UKF方法对发动机原系统模型和噪声协方差矩阵依赖性的问题;与扩展卡尔曼滤波（EKF）和平方根UKF方法相比较,改进平方根UKF方法精度更高,对健康参数的估计精度达到99.9%,实现了对涡扇发动机单个和多个气路部件健系参数的有效跟踪.