改进型CKF算法及其在GNSS/INS中的应用

针对容积卡尔曼滤波算法(CKF)在高阶非线性系统应用中,局部容积点采样不准确及系统状态突变导致滤波精度降低甚至发散的问题,提出一种改进型CKF(TSCKF)算法.采用新的容积点采样规则提高非线性函数映射准确性,进而提高滤波精度;引入强跟踪滤波(STF)的渐消因子,提升算法在状态突变时的鲁棒性.将此算法应用于GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)紧组合导航系统中,仿真结果表明,该算法能够显著提高导航精度,鲁棒性强,在状态突变情况下依然可以满足导航精度要求.     

一种改进的高精度组合导航滤波算法仿真

在INS/GPS组合导航系统的研究中,为了解决非线性滤波算法在系统模型不确定情况下出现的滤波精度低、鲁棒性差的问题,提出了一种将强跟踪滤波算法与容积卡尔曼滤波算法(CKF)相结合的组合导航滤波算法(SMFCKF).SMCKF算法将强跟踪滤波算法中的多重次优渐消因子引入到CKF算法的状态预测协方差矩阵中,对不同的状态通道进行相应的渐消.通过建立INS/GPS组合导航系统的非线性模型,对改进的滤波算法进行仿真,结果表明改进的滤波算法提高了滤波精度和鲁棒性,滤波效果优于CKF算法,适合应用于INS/GPS组合导航系统中,为飞行器组合导航优化提供了参考.     

简化高阶强跟踪容积卡尔曼滤波及其在组合导航中的应用

针对传统容积卡尔曼滤波(CKF)在面对系统模型失配和状态突变滤波精度下降的问题,将强跟踪滤波器(STF)和高阶容积卡尔曼滤波(HCKF)相结合,提出一种简化高阶强跟踪容积卡尔曼滤波(RHSTCKF)算法.该算法具有比传统CKF更高的滤波精度,并且利用滤波模型的特点,简化HCKF的计算步骤,同时在HCKF中引入多重渐消因子增强算法的自适应性和应对状态突变的能力.将所提算法应用到SINS/GPS组合导航系统中进行仿真实验,结果表明,RHSTCKF可以准确估计出突变状态的真实值,能够抑制滤波器状态异常的干扰,滤波性能明显优于HCKF,能够提高组合导航系统的自适应性和定位精度.     

改进的CKF算法及其在BDS/INS中的应用

针对标准容积卡尔曼滤波(CKF)在组合导航系统模型不确定情况下滤波精度下降甚至发散的问题,将奇异值分解(SVD)与CKF算法相结合,并引入强跟踪滤波(STF)理论,提出一种改进的强跟踪SVD-CKF算法.为提高数值计算的稳定性,采用SVD代替标准CKF中的Cholesky分解;引入STF理论框架,通过渐消因子对预测误差协方差阵进行在线修正,在系统模型不确定或系统发生大的突变时,能够提高系统的强鲁棒性.通过仿真结果验证了改进算法的有效性.     

基于CKF 的分布式滤波算法及其在目标跟踪中的应用

针对已有基于Sigma点信息滤波的分布式滤波算法,其性能易受参数影响而导致应用范围受限的问题,以容积卡尔曼滤波(CKF)为基础,利用信息滤波和平均一致性理论提出一种分布式CKF算法。该算法在保持分布式滤波优良特性(即可扩展性和对节点故障强鲁棒性)的同时,兼具CKF的高滤波精度和强稳定性。仿真结果表明了所提出算法的有效性,与分布式Unscented卡尔曼滤波(UKF)算法相比,该算法显著提高了目标跟踪的精度和稳定性。     

H∞鲁棒自适应CKF算法在组合导航中的应用

针对组合导航系统状态模型及噪声统计特性不确定的情况下,标准容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法鲁棒性差,导致滤波精度下降甚至出现滤波发散的问题,提出一种H∞鲁棒自适应CKF算法。该算法基于标准的三阶CKF算法理论框架,在观测方程为线性的条件下,对其量测更新进行了简化,并引入数值稳定性较强的奇异值分解（Singular Value Decomposition,SVD）对系统状态协方差阵进行分解迭代,改善了计算的数值稳定性;在系统状态协方差阵更新过程中引入H∞ 滤波思想,并基于矩阵不等式的理论,对其约束条件[γ]进行了自适应选取,进一步改善了滤波的稳定性,提高了系统的鲁棒性。将该算法用于GNSS/INS组合导航的数值仿真实验,结果验证了该算法的有效性和优越性。     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

均方根嵌入式容积卡尔曼滤波

传统容积卡尔曼滤波(CKF)的基础是三阶球面-径向容积准则,该准则不仅要求计算n维超球体上的面积分,还需将容积准则与扩展高斯-拉盖尔准则配合使用,不易推导出高阶CKF滤波算法.此外,CKF推导所采用的三阶球面容积准则也存在缺陷,这极大地限制了CKF的滤波精度.为避免以上问题,本文基于嵌入式容积准则和均方根滤波技术,提出一种加性噪声环境下,用于非线性动态系统状态估计的全新容积卡尔曼滤波算法-三阶均方根嵌入式容积卡尔曼滤波(SICKF).SICKF具有滤波精度高、数值稳定性强等诸多优点,适用于动态目标跟踪、非线性系统控制等.仿真结果表明,SICKF的滤波精度显著优于传统的非线性滤波算法.     

基于M估计的鲁棒后向平滑CKF单站跟踪算法

提出一种基于M估计的鲁棒后向平滑容积卡尔曼滤波（M-estimated based Robust Backward-Smoothing Cubature Kalman Filter,MR-BSCKF）算法。该算法将改进的M估计思想引入后向平滑容积卡尔曼滤波（BSCKF）算法中,引入Mahalanobis距离构建P-Huber等价权函数,通过降低野值误判概率进一步提高滤波算法的鲁棒性;在传统CKF算法的基础上增加后向平滑函数,通过后向平滑和前向滤波相结合的二次滤波进一步提高滤波的精度,实现了算法精度和抗野值能力的统一。仿真结果表明,与传统算法相比,MR-BSCKF在有野值和无野值的情况下都能够得到更加准确的目标跟踪结果,且鲁棒性更强。     

基于目标跟踪的自适应广义高阶CKF算法

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合广义高阶容积卡尔曼滤波和强跟踪滤波算法,提出了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）方法。采用广义高阶容积准则和矩阵对角化变换,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。将提出的AGHCKF算法应用于带有未知状态突变的机动目标跟踪问题并进行数值仿真,结果表明,AGHCKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。     

基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法

对于非线性系统而言,容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法是处理状态估计问题的一种有效方法,并且其在高斯噪声下可以获得良好的估计性能。然而,当噪声被重尾噪声污染时,其性能通常会急剧下降。为解决此问题,将Huber方法应用于CKF框架中,取代了传统的最小均方误差（Minimum Mean Square Error,MMSE）准则,以提高算法的鲁棒性。在所提算法中,通过将量测方程线性化构造了线性回归模型,并采用固定点迭代的方法求解基于Huber方法的最小化问题。因此,推导了基于固定点迭代的Huber鲁棒CKF（FP-IHCKF）算法,在该算法中先验信息和量测信息通过Huber方法进行了重构。通过对再入目标跟踪问题进行仿真,验证了所提算法的有效性和鲁棒性。     

基于Huber M估计的鲁棒Cubature 卡尔曼滤波算法

Cubature卡尔曼滤波器(CKF)在非高斯噪声或统计特性未知时滤波精度将会下降甚至发散,为此提出了统计回归估计的鲁棒CKF算法.推导出线性化近似回归和直接非线性回归的鲁棒CKF算法,直接非线性回归克服了观测方程线性化近似带来的不足.具有混合高斯噪声的仿真实例比较了3种Cubature卡尔曼滤波器的滤波性能,结果表明这两种鲁棒CKF滤波精度及估计一致性明显优于CKF,直接非线性回归的CKF的鲁棒性更强,滤波性能更好.     

基于AR-SRCKF的SINS/GPS深耦合抗转发式干扰研究

转发式干扰转发真实的卫星信号导致伪距信息错误,能不被察觉地使捷联惯导系统（SINS）和全球定位系统（GPS）的深耦合组合导航解算错误。根据深耦合中信号处理的特点,将错误的伪距视为粗差,提出一种基于自适应抗差平方根容积卡尔曼滤波（AR-SRCKF）的融合算法。该方法采用自适应抗差滤波作为算法的框架,提高系统对转发式干扰的鲁棒性,同时为了避免线性化误差造成滤波性能的下降,采用平方根容积卡尔曼滤波（SRCKF）解决非线性滤波问题以及确保协方差阵的对称性和半正定性。最后,深耦合系统下的仿真分析验证了其对转发式干扰具有良好的鲁棒性。     

Sparse-grid quadrature nonlinear filtering

In this paper, a novel nonlinear filter named Sparse-grid Quadrature Filter (SGQF) is proposed. The filter utilizes weighted sparse-grid quadrature points to approximate the multi-dimensional integrals in the nonlinear Bayesian estimation algorithm. The locations and weights of the univariate quadrature points with a range of accuracy levels are determined by the moment matching method. Then the univariate quadrature point sets are extended to form a multi-dimensional grid using the sparse-grid theory. Compared with the conventional point-based methods, the estimation accuracy level of the SGQF can be flexibly controlled and the number of sparse-grid quadrature points for the SGQF is a polynomial of the dimension of the system, which alleviates the curse of dimensionality for high dimensional problems. The Unscented Kalman Filter (UKF) is proven to be a subset of the SGQF at the level-2 accuracy. The performance of this filter is demonstrated by an orbit estimation problem. The simulation results show that the SGQF achieves higher accuracy than the Extended Kalman Filter (EKF), the UKF, and the Cubature Kalman Filter (CKF). In addition, the SGQF is computationally much more efficient than the multi-dimensional Gauss–Hermite Quadrature Filter (GHQF) with the same performance.     

基于改进当前统计模型的自适应无源跟踪算法

针对无源跟踪中,标准当前统计模型无法自适应调整加速度极限值的缺点,设计了一种修正系数来通过机动目标的当前加速度自适应调整模型的加速度极限值,同时利用模糊控制的方法对修正系数的取值进行实时调整,实现了对当前统计模型的改进。最后结合容积卡尔曼滤波算法构造基于改进当前统计模型的自适应无源跟踪算法。仿真结果表明,相比基于标准当前统计模型的自适应跟踪算法,新算法对非机动目标、弱机动目标以及强机动目标都有更好的跟踪效果。