基于事件驱动的容积卡尔曼滤波定位算法

以网络化非线性滤波系统为研究对象,为了平衡系统的通信率和滤波精度之间的矛盾,引入随机事件驱动（stochastic event-triggered）的思想,并在此基础上建立了基于残差检测的事件驱动（detected event-triggered）模型。针对系统的强非线性,将线性随机事件驱动滤波系统中的更新结论推广至非线性系统,推导了两种事件驱动机制在容积卡尔曼滤波（CKF）算法框架中的滤波更新过程,得到了检测事件驱动CKF（DECKF）和随机事件驱动CKF（SECKF）两种算法。最后,通过天基平台空间目标跟踪问题对算法性能进行检验。仿真结果表明,当通信率下降20.64%时,DECKF算法的位置跟踪精度和速度跟踪精度相比标准CKF仅下降了5.50%和7.74%。此外,在通信率相同的情形下,DECKF比SECKF的精度高40%以上,证明检测事件驱动模式优于随机事件驱动模式。     

基于混沌的改进粒子群优化粒子滤波算法

针对基本粒子滤波(PF)算法存在的粒子退化和重采样引起的粒子多样性丧失,导致粒子样本无法精确表示状态概率密度函数真实分布,提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量,将产生的变量映射到优化变量的区间提高粒子质量,并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO-PF)的性能进行仿真比较。结果表明:该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化粒子滤波,改善了算法的精度和跟踪性能。      

小视场星敏感器量测延时滤波算法

针对小视场（NFOV）星敏感器用于姿态估计时存在的量测延时情况,提出了一种用于解决量测延时的鲁棒扩展卡尔曼滤波（REKF）算法。根据最小方差准则的思想求解各方差的最小上界,通过最小上界确定滤波增益,设计的REKF算法可以有效解决量测延时问题,提高了姿态估计的精度。对REKF算法进行了仿真验证,结果表明:该算法优于常规加性扩展卡尔曼滤波（AEKF）算法、鲁棒有界时域滤波（RFHF）算法及鲁棒卡尔曼滤波（RKF）算法,能较好解决非线性系统存在的量测延时问题,验证了该算法的有效性。      

基于IRAPF算法的航天器姿态确定

针对航天器姿态确定系统中存在较大初始误差及非线性较强的问题,提出了一种基于改进的正则化辅助粒子滤波（IRAPF）算法的航天器姿态确定方法。该算法将正则粒子滤波（RPF）与辅助粒子滤波（APF）相结合,将快速高斯变换（FGT）方法引入其中以减少计算量提高滤波的收敛速度。算法不仅有效地抑制了粒子退化问题,而且利用最新观测粒子来优化采样,并且在引入FGT后计算量与正则化的辅助粒子滤波相比降低了30%,改善了滤波的实时性。仿真结果表明了滤波的有效性。     

粒子群优化粒子滤波的接收机自主完好性监测

接收机自主完好性监测（RAIM）是航空卫星导航接收机必不可少的功能,为保持全球卫星导航系统（GNSS）在卫星发生故障时系统性能不降级,需要对卫星故障进行检测和隔离。针对接收机观测噪声非高斯分布的特点,提出一种基于粒子群优化粒子滤波（PSO-PF）的故障检测和隔离算法。通过粒子群优化粒子滤波对状态估计进行一致性检验实现故障检测。采集实测数据验证算法的检测性能,并与基于基本粒子滤波的完好性监测算法进行比较,结果表明:本文所提算法在非高斯测量噪声下可检测并隔离全球定位系统（GPS）故障卫星,其性能优于基于基本粒子滤波的完好性监测算法性能,对研究北斗卫星导航系统（BDS）接收机自主完好性监测具有一定的意义。      

确定无陀螺卫星姿态的二阶非线性滤波算法研究

应用基于二阶泰勒级数近似得到的非线性滤波技术，设计了利用星敏感器矢量观测信息确定无陀螺三轴稳定卫星姿态的二阶非线性滤波算法，结合矢量观测的特点，分别讨论了单矢量观测信息与多矢量观测信息的处理方法，并把QUEST算法作为矢量观测数据压缩技术有效地结合进姿态估计器中，使得多矢量观测情况下的滤波修正算法得到了简化，仿真测试结果证明，二阶非线性姿态估计器的滤波性能要优于的扩展卡尔曼滤波姿态估计算法。     

基于最小化新息协方差的修正SRCKF算法

目标跟踪过程中的模型误差会使得平方根容积卡尔曼滤波（SRCKF）性能下降,滤波精度降低;自适应滤波中的修正卡尔曼滤波（AKF）算法可以有效解决这一问题,但是难以应用到非线性滤波中。为了克服模型误差带来的不利影响,同时,进一步提高修正思想的应用范围,在SRCKF的基础上,基于最小化新息协方差准则推导了修正系数的向量形式,提出修正SRCKF(ASRCKF)算法。所提算法通过利用后期的测量数据,增加对测量值的信任度,从而达到对目标模型误差进行补偿的目的。仿真结果表明：与SRCKF和强跟踪SRCKF算法相比,所提ASRCKF算法能有效抑制模型误差,有着更优的滤波性能。     

卫星姿态测量信息的二阶非线性滤波技术研究

卫星应用任务要求卫星姿态在空间保持高精度定向 ,为此有必要研究精确的递推非线性姿态估计算法。文中针对星光 陀螺这种典型的三轴稳定卫星姿态确定系统模式 ,应用基于二阶泰勒级数近似得到的非线性滤波算法处理姿态测量信息 ,设计了二阶非线性姿态估计器的实现方案。在设计过程中 ,把QUEST法作为矢量观测数据压缩技术有效地结合进姿态估计器中 ,使得在多矢量观测情况下的滤波修正算法得到了简化。相同条件下的仿真测试结果证明 ,二阶非线性姿态估计器的滤波性能要优于采用扩展卡尔曼滤波技术的一阶线性姿态估计器     

近似二阶扩展卡尔曼滤波方法研究

 在综合考虑计算量和估计精度的情况下,提出一种新的非线性滤波方法——近似二阶扩展卡尔曼滤波（AS-EKF）方法。该方法基于线性最小方差递推滤波框架,对均值的非线性变换采用二阶近似,其精度高于扩展卡尔曼滤波（EKF）采用的一阶近似。通过计算机仿真表明该滤波方法对非线性系统的滤波精度高于EKF,且计算量明显低于无迹滤波（UKF）,该方法适用于对估计精度和计算量都有所要求的非线性系统滤波器设计。     

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。      

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.      

一种基于AUKF的航天器自主导航算法

 将非线性Sage-Husa噪声估计器与无迹滤波器(UKF)相结合,提出了一种新型的自适应无迹滤波器(AUKF).对基于AUKF的航天器自主导航系统进行了计算机仿真,仿真结果表明,对于存在测量偏差的自主导航系统,AUKF的导航滤波精度较传统的扩展卡尔曼滤波器(EKF)有显著的提高.进而,针对航天器自主导航系统测量偏差周期时变的特点,提出了提高偏差估计精度的改进算法.仿真结果表明,在适当增加计算量的条件下,利用偏差估计改进算法的AUKF能够进一步提高自主导航系统的导航精度.     

基于改进预测滤波的小天体精确着陆自主导航方法研究

针对小天体形状不规则、质量不均匀导致模型建立不准确的问题,研究基于改进的预测滤波实现自主着陆过程中精确导航的关键技术。在导航算法设计中,首先建立了小天体引力场模型,并建立了导航系统运动学模型,然后建立了基于惯性测量单元、光学相机及测速敏感器多信息融合的测量模型,结合扩展卡尔曼滤波(Extended Kalman Filter, EKF)算法对非线性预测滤波(Nonlinear Predictive Filter, NPF)算法进行改进,在该导航算法下,对系统的可观性进行了分析。仿真结果表明:在引力不确定性引起的模型不准确度下,该方法可实时估计模型误差,在与EKF导航精度比较的基础上验证了改进的NPF算法的有效性和精确性。     

一种非线性不确定系统的鲁棒H∞滤波方法研究

考虑EKF滤波方法的线性化过程对估计误差的影响,提出一种非线性不确定系统的鲁棒H∞滤波方法．基于H∞理论,该算法将滤波模型和观测模型在线性化过程中所产生的误差作为系统的不确定部分,力求此误差对导航精度的影响最小,并且利用李亚普诺夫方法证明了该滤波算法的稳定性．利用所提算法对月球环绕段自主导航系统进行滤波估计,仿真结果证实了算法的有效性．     

基于前向神经网络的非线性平滑滤波器设计研究

文章阐述了基于前向神经网络的非线性平滑滤波器的设计问题，分析了上述平滑滤波器的存在性及其滤波误差方差的组成，给出了有限观测序列下网络学习的性能指标，由此提出了一种次优网络学习算法，它具有很好的抑制白噪声能力。     

非线性量测下自适应噪声协方差PHD滤波

概率假设密度(PHD)滤波算法已被证明是实时多目标跟踪的有效方法,但现有这些基于PHD滤波的方法假设量测噪声协方差先验已知,而实际中量测噪声协方差可能是未知或随着环境改变而变化。针对这一问题,提出了一种适用于非线性量测模型的自适应噪声协方差多目标跟踪算法。该算法以PHD滤波为基础,采用容积卡尔曼(CK)技术近似非线性量测模型,利用逆威沙特(IW)分布描述量测噪声协方差分布,通过变分贝叶斯(VB)近似技术迭代估计量测噪声协方差和多目标状态联合后验密度。仿真结果表明,本文所提算法可有效估计量测噪声协方差,同时实现准确的目标数和目标状态估计。     

基于四元数平方根容积卡尔曼滤波的姿态估计

针对飞行器姿态确定中乘性扩展卡尔曼滤波(MEKF, Multiplicative Extended Kalman Filter)在较大初始姿态误差角情况下存在估计精度低及收敛速度慢的问题,提出了一种四元数平方根容积卡尔曼滤波(QSCKF,Quaternion Square-root Cubature Kalman Filter)算法.在推导姿态确定系统四元数非线性误差模型的基础上,采用容积数值积分理论来计算非线性函数的均值与方差,同时使用平方根的形式来提高数值稳定性;针对四元数规范化问题,采用拉格朗日代价函数法求解四元数加权均值.仿真结果表明:在初始姿态误差较大的情况下,该算法相比较于MEKF以及无迹四元数估计法(USQUE, Unscented Quaternion Estimator),估计精度高且收敛速度快,滤波稳定性好,同时估计时间比USQUE缩短了1/3.