带状态切换自适应滤波算法及其在GPS/INS中的应用

针对GPS/INS组合导航系统中观测噪声通常未知、导致卡尔曼滤波算法不稳定、滤波精度降低的问题,提出一种改进的自适应滤波算法.改进的自适应算法结合了简化的Sage-Husa滤波算法、滤波器发散判断依据和渐消滤波的思想,使得滤波器对量测噪声变化的鲁棒性变强,同时解决了简化的Sage-Husa滤波器容易发散的问题.通过建立GPS/INS组合导航系统状态方程和观测方程,对改进的新算法进行仿真测试.仿真结果表明,新算法对量测噪声未知的情况具有更好的适应性,提高了滤波器估计精度,表现出良好的滤波稳定性.     

基于强跟踪-扩展卡尔曼粒子滤波的巡航段自主导航方法

通过对探测器巡航段状态方程和观测方程非线性问题的研究,提出一种强跟踪扩展卡尔曼粒子滤波(ST-EPF)算法,并将其应用于巡航段自主光学导航的方案中,由此来实时确定探测器的轨道。所提出的改进粒子滤波算法是将强跟踪扩展卡尔曼滤波引入粒子滤波来更新粒子,产生重要性密度,缓解粒子退化和样本贫化问题,以提高导航系统对状态突变的跟踪能力。通过仿真表明,改进粒子滤波算法在探测器轨道参数精度和方差预报的有效性方面有了较大地提高,能够适应快速变化的飞行环境,而且滤波精度明显的优于EPF滤波算法。     

改进的基于Kalman滤波的盲多用户检测算法

提出了一种改进的基于Kalman滤波的盲多用户检测算法。该算法结合了子空间分解算法和快速Kalman滤波算法。理论分析和仿真结果表明:该改进算法具有较低的运算复杂度和更快的收敛速度,而且在多径衰落信道中具有较好的鲁棒性。     

基于数值算法改进的卡尔曼滤波算法在卫星自主定轨中的应用

高精度的自主定轨对探测器实现深空探测任务有着重要的意义,结合利用星光折射角的测量确定卫星轨道的自主导航方案,提出了基于数值算法改进的扩展卡尔曼滤波算法,提高了运算精度,通过仿真验证了该算法的优越性。     

高效实时的抽取滤波器的FPGA实现

介绍了分布式算法实现乘积和运算的原理及工程上的实现方式,提出了适合现场可编程门阵列器件基本查找表结构的改进分布式算法,通过计算机仿真,在具体器件上实现了抽取滤波器。实验结果表明:该分布式算法结构可以充分利用现场可编程门阵列器件的资源,并且只引入固定的流水线延迟,具有很好的高效性和实时性。     

平方根UKF混合滤波在自主光学导航中的应用

提出了一种用于探测器在巡航段的自主光学导航方案,该方案利用光学导航相机以及星敏感器,通过测量星光信息以及天体边缘的信息,得出了探测器的相对位置。在此基础上针对导航系统状态方程和观测方程的非线性问题,进行平方根Unscented卡尔曼滤波(square-root unscented Kalman filter)计算,由此实时确定了探测器的轨道。该方法将平方根滤波和UKF滤波有机结合起来,可更好地提高自主导航系统的准确度和可靠性。通过数学仿真并与EKF滤波过程进行比较,验证了该算法的优越性。     

声呐图像多目标跟踪高斯滤波算法

针对高斯滤波算法,即GM-PHD滤波算法,中“新生目标强度已知”这一假设在声呐图像多目标跟踪应用中不成立的问题,提出一种改进GM-PHD滤波算法,利用量测进行滤波算法的初始化,相比均匀分布初始化可加快收敛速度;并在每一时刻的算法循环中采用量测驱动新生,但不做判决,而是到下一时刻根据量测和算法再判定新生目标的真实性,可突破新生目标强度已知的限制并降低跟踪误差。仿真表明:改进GM-PHD滤波算法的跟踪误差更低且运算时间更短。此外,分析了检测概率以及杂波密度对跟踪性能的影响。图像声呐多目标跟踪水池实验验证了改进GM-PHD滤波算法能进行有效地多目标跟踪。     

粒子滤波算法在目标跟踪中的应用

粒子滤波算法通过非参数化蒙特卡罗仿真方法实现递推贝叶斯滤波,基于序贯重要性采样的粒子滤波算法无法避免粒子退化问题;通过在滤波初始化阶段对初始化粒子进行优化选择,在重采样阶段使用非排序的基于权重的重采样算法对粒子滤波算法进行了改进,从一定程度上解决了粒子退化问题;仿真验证,本算法在保持与传统粒子滤波算法运算时间的条件下,提高了粒子滤波算法的估计精度,从而提高了其在机动目标跟踪中的性能.     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

高斯粒子滤波的惯性／GPS紧组合算法

为提高组合导航系统的可靠性,针对以伪距、伪距率残差为量测信息的紧组合算法会带来线性化误差的缺点,推导了基于伪距、伪距率的非线性紧组合模型.针对紧组合系统状态维数高导致粒子滤波实时性差的问题,提出基于线性非线性结构分解的高斯粒子滤波算法,对状态方程中的非线性和线性部分利用高斯粒子滤波和经典卡尔曼滤波分别进行递推,有效降低了系统的运算量.仿真结果表明,使用改进的紧组合滤波算法系统定位精度相比线性化紧组合算法提高一倍.     

不同环境下的GPS/IMU数据融合

为提高Kalman滤波组合导航的估计精度,在考虑系统估计误差相关的情况下,提出了采用环境背景下不同传感器的有效性概率加权GPS/IMU组合导航自适应衰减记忆滤波的融合算法。通过对各种算法进行仿真分析发现,新算法的融合估计精度高于相应的未考虑环境信息的GPS/IMU融合估计精度 新算法具有几乎和有效概率加权Kalman滤波融合算法相同的融合估计精度,但其误差变化较后者平稳。表明新算法可有效地提高系统融合估计的精度和可靠性。     

基于MEMS与Android智能手机融合的 室内个人导航算法

针对微机电系统(micro-electro mechanical system,MEMS)惯性器件在导航解算中存在较大的累积误差问题,提出了一种基于MEMS惯性器件与Android智能手机融合的室内个人导航算法.导航算法在捷联惯性导航算法的基础上,根据人行走时的运动特点,引入了零速度检测与修正算法来检测人行走过程中的静止状态,并对行人静止时刻的速度和位置信息进行校正,以降低累积误差.导航解算中由于陀螺仪漂移导致获得的行人运动方向角误差较大,故采用MEMS陀螺仪输出姿态信息与Android智能手机中的电子罗盘方向角融合的行人运动方向校正算法来获取行人运动方向,并结合滑动均值滤波算法来进一步校正行人的运动方向,提高导航精度.最后通过实验结果验证了导航累积误差修正算法的可行性和有效性.     

光纤SINS/GPS组合导航系统分析

为提高光纤陀螺捷联惯导系统的精度,以光纤陀螺捷联惯导系统与全球定位系统（GPS Globle Position System）为研究对象,采用联邦卡尔曼滤波算法,构成了SINS/GPS（Strap-down Inertial Navigation Systerm/Globle Position System）组合导航系统。仿真结果表明,该算法能及时修正子滤波器的偏差,大大降低子滤波器的模型误差,进而提高整个滤波器的精度,并有效克服了滤波发散现象。     

基于遗传模糊控制的智能自适应滤波算法

组合导航中软故障难以检测,致使卡尔曼滤波精度降低甚至发散.为提高滤波的容错性,提出了一种基于遗传模糊控制的智能自适应滤波算法.首先针对软故障提出一种模糊自适应滤波算法,算法中通过监测观测量新息及其变化率,应用模糊控制系统计算观测质量因子,并对滤波器量测噪声阵进行在线自适应调整,从而抑制软故障对滤波的影响,保证滤波的精度,提升容错性能.然后,利用自适应遗传算法对隶属度函数的参数进行优化,从而进一步提高算法的整体精度.利用本文提出的算法在SINS/CNS/GPS导航平台上进行了定位实验,结果显示该算法有效,在软故障存在时,定位精度小于2 m,测速精度小于0.1 m/s.     

GPS/罗兰C/SINS/AHRS组合导航系统及试验

组合导航系统已成为现代船用导航系统的重要配套设备,并已向着多组合导航系统方向发展。针对导航精度及可靠性,设计了GPS/罗兰C/SINS/AHRS组合导航系统,该组合导航采用了自适应联邦卡尔曼滤波(Kalman)的方法,通过闭环形式校正SINS,并用姿态航向参考系统(AHRS)代替捷联惯性导航系统(SINS)输出的航向角以保证航向角的收敛,同时对罗兰C的测量值进行坐标变换以消除由于坐标系不同而带来的常值误差。实际的静态与动态试验结果表明,该组合导航系统是可行的,能满足任务要求,并且易于工程实现。     

双滤波器捷联惯导外阻尼导航算法

针对捷联惯导系统导航精度受系统振荡误差严重影响的问题,提出一种基于双滤波器的捷联惯导外阻尼导航算法.该算法设计了两个串行滤波器,第一个滤波器以外速度为参考输入对外部速度作平滑处理并得到捷联惯导系统误差状态估计值,第二个滤波器利用平滑后的高精度外部参考速度,以速度变化量作为外部参考输入进行状态估计,屏蔽速度常值误差对系统的影响,最后,设计信息融合算法,将两个滤波器得到的估计状态进行融合,使得导航结果兼顾双滤波器的优点.仿真验证表明:存在外速常值误差时,相较于滤波器2而言,经过信息融合后的导航误差的地球振荡误差收敛速度明显加快,其短期精度得到显著提高;相较于滤波器1而言,经过信息融合后,其稳态导航精度得到显著提高;该方法具有较高的稳态精度,可缩短外阻尼系统误差收敛时间,有效提高捷联惯导系统导航精度.     

卡尔曼滤波在四轴飞行器导航中的应用

针对制约四轴飞行器的导航控制精度的主要因素,提出了基于卡尔曼滤波的四轴飞行器组合导航方法,该方法将MIMU(微惯性测量组合)与GPS(全球定位系统)导航的数据融合,进行MIMU/GPS组合导航.仿真实验和实际应用结果表明,该方法能够提高导航定位精度,具有良好的容错性.     

基于离散平稳小波变换的EKF数据融合算法

针对车辆GPS/DR组合导航系统中广泛采用的扩展卡尔曼滤波器进行数据融合难以建立精确的数学模型的问题,提出了基于离散平稳小波变换的扩展卡尔曼滤波器数据融合算法。仿真表明,该算法优于扩展卡尔曼滤波器,对车辆组合导航系统的数据融合是有效的。     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.