双E型弹性体六维力传感器矩形梁Kalman滤波研究

双E型弹性体六维力传感器采用组合梁结构对空间6个方向的力和力矩信息进行探测,但其输出信号中不可避免地混合了噪声信号,譬如:电阻应变片通过电流后产生的热噪声,放大电路中电磁元件干扰,高温下弹性体蠕变产生的干扰等,严重地影响传感器的测量精度。为了有效地滤除系统量测噪声,提高传感器分辨率,以六维力传感器矩形梁为研究对象,根据正弦激励力响应与应变之间的关系,构建了系统量测方程。基于时间序列分析法,设计了有色系统干扰白化滤波器,建立了有色噪声系统状态空间模型,推导出有色噪声Kalman滤波公式。实例表明:滤波效果明显,稳定性强,减小了实际的滤波误差,有效地提高滤波精度。     

一类不确定系统分布式鲁棒融合滤波器设计

结合鲁棒滤波理论与数据融合技术,基于参数依赖Lyapunov函数,研究了一类多传感器不确定连续系统的鲁棒融合滤波器设计问题.在集中式融合的基础上,探讨了分布式加权融合滤波器的设计方法,通过仿真实验比较了鲁棒融合滤波器的性能.仿真结果表明,利用该分布式加权融合算法,不仅可解决系统模型中存在参数不确定性时的滤波问题,且鲁棒性好和计算量低,可以满足不同精度鲁棒融合滤波器的设计需要,具有较大的灵活性.     

半球谐振陀螺滤波算法研究

针对半球谐振陀螺输出信号噪声的特点,提出了一种处理该噪声的前向线性预测(FLP)滤波与小波变换相结合的滤波方法,运用Allan方差法对滤波结果进行了分析.该方法以FLP滤波作为前段滤波器,采用DB4小波函数的强制阈值小波变换作为第二级滤波器.为了改进该级联滤波算法的不足,提出了基于神经网络的滤波融合算法.仿真结果表明,该滤波融合算法保留了级联滤波算法的优势,同时最大程度的保留了信息的完整度,滤波精度得到极大提高.     

交互多模型在车辆组合定位系统中的应用（英文）

为解决扩展卡尔曼滤波器(extended Kalman filter,EKF)在车辆组合定位系统中因车辆加减速、转弯(以下简称机动)而存在的精度低、稳定性差等问题,设计了一种将交互多模型(interacting multiple model,IMM)算法与非线性卡尔曼滤波器相融合的自适应滤波算法。该算法使用三种状态空间模型来描述车辆的运动模式,采用多个非线性滤波器对每个模型并行滤波,通过模型匹配似然函数对滤波结果进行加权融合,最终得到系统的定位信息。该方法具备非线性系统滤波器优点,克服了单一模型滤波算法对机动目标定位效果差的缺点。利用该方法和EKF算法分别对GPS/INS/DR车辆组合定位系统中进行了仿真实验,结果表明,该算法的滤波定位精度明显优于目前组合定位系统中所用的EKF滤波器,大幅提高了组合定位系统的稳定性和定位精度。     

基于最优融合估计的PID控制器应用研究

在线性最小方差最优融合估计准则下,基于Riccati方程,对于带控制输入的单通道CAR-MA信号,提出了全局最优多传感器加权观测融合Kalman滤波器.应用于PID控制器的设计中,可以提高滤波精度,减小稳态误差.通过对微泳动机器人速度控制系统的仿真实验,说明了其有效性.     

基于改进联邦滤波算法的组合导航系统的应用

针对组合导航系统中联邦滤波信息融合算法在滤波精度和容错性能等方面存在的不足,提出了一种基于以捷联惯导系统(SINS)为公共主系统,全球定位系统(GPS)和多普勒测速系统(DVL)为辅助子系统的改进联邦滤波算法的组合导航系统。介绍了卡尔曼滤波原理与信息融合算法的特点,基于联邦滤波器的组合形式详细阐述了联邦滤波器设计步骤,将改进量测噪声协方差阵的自适应联邦滤波器应用到SINS/GPS/DVL组合导航系统中,并对此系统进行了MATLAB仿真。仿真结果表明,相较于标准联邦滤波器算法,该文设计的基于改进量测噪声协方差阵的自适应联邦滤波器能明显提高组合导航系统的滤波精度和可靠性。     

多雷达实时定轨的一致性分布式容积信息滤波算法

针对传统单雷达实时定轨精度较低而多雷达集中式定轨需要信息融合中心且通信量较大的问题,提出一种多雷达一致性分布式容积信息滤波(CD-CIF)算法。该算法由平均一致性滤波器和容积信息滤波器级联构成。平均一致性滤波器融合雷达对卫星的多源观测信息,输出的量测值收敛于多源量测信息的平均一致值。容积信息滤波器利用此量测值执行等效集中式滤波以更新状态估计值和协方差矩阵。仿真校验结果表明,多雷达CD-CIF算法实时定轨精度明显高于单雷达定轨精度,与多雷达集中式算法相当,但无需信息融合中心且降低了通信量。     

融合EMA和卡尔曼滤波的MEMS去噪研究与应用北大核心CSCD

针对传统卡尔曼滤波器应用于高灵敏度传感器去噪时的参数初始化问题,通过理论分析了不同测量噪声和系统噪声值对滤波效果的影响,并提出了一种融合EMA和Kalman的滤波算法,以提高对MEMS惯性传感器等高灵敏传感器的滤波效果。仿真结果表明:该算法相对经典卡尔曼算法在收敛前期RMES提升了约13%,在收敛后期提升约10%。并将其应用于MEMS的加速度姿态解算的滤波,结果表明:该算法的滤波效果明显优于经典卡尔曼和互补滤波算法。     

面向空间定位系统的分布式融合估计

针对网络化高精度测量定位中的测量规模大、通信约束复杂以及处理信号协同困难等问题,基于线性CCD的空间定位原理,研究带有交叉相关噪声和传输时滞的不确定网络化系统的信息融合估计问题。提出了一种基于Kalman滤波的分布式感知和集中式融合的估计方法,应用测量转换策略,采用两层加权融合理论,设计了最优加权融合估计方法。减轻了处理传输延迟的通信负担和计算复杂度,提高了抵抗噪声干扰的鲁棒性能,进而减少信息冗余,并保持较高的测量精度。实验部分验证了该方法的有效性。     

光电跟踪目标贯序滤波算法研究

为了解决Kalman滤波算法跟踪精度低,计算量大的问题,提出了光电跟踪目标的贯序滤波算法.该算法将Kal-man滤波原理拓展到对测量矢量按照俯仰、方位、距离的顺序逐个进行滤波处理.并将前一个测量分量滤波的状态估值,作为下一个测量分量滤波处理的状态初始值.采用贯序滤波算法可以避免计算残差协方差矩阵的逆运算,大大降低Kalman滤波器的计算量,同时,按照特定的顺序进行测量更新,可以减小测量值非线性的影响,提高跟踪精度.仿真结果表明贯序滤波算法可以改善跟踪精度,提高计算效率.