基于参考信号的广义特征值分解盲源分离算法及其在北斗多路径效应削弱中的应用

多路径误差是北斗导航定位系统高精度动态监测的主要误差源。针对北斗导航定位系统多路径误差的特性,结合广义特征值盲源分离方法的优势,提出一种基于参考信号的广义特征值盲源分离算法来削弱多路径效应的影响。首先将前一天的原始坐标残差序列通过奇异谱分析方法进行去噪,其结果作为初始参考信号;然后将当天的原始坐标残差序列进行经验模式分解方法分解,分解得到的IMF分量作为虚拟观测数据,利用广义特征值盲源分离算法获取当天多路径误差信号;最后,利用仿真数据和连续10天的实际观测数据进行试验分析,结果表明利用该方法建立的多路径误差改正模型能有效地了削弱多路径的影响,北、东、天三个方向精度分别提高了78.8%、35.3%、90.1%。提出的模型在一定程度上解决了固定多路径模型随着时间推移重复性减小且有效性降低的问题。     

GPS/INS紧耦合导航中多路径效应改正算法及应用

针对GPS伪距观测值受多路径误差影响较大,限制了GPS/INS紧耦合导航中导航精度提高的问题,在传统静态多路径消除方法的基础上,提出了导航过程中多路径效应动态消除算法,并应用于GPS/INS紧耦合导航。首先给出了GPS/INS紧耦合导航的动力学模型和观测模型以及静态定位多路径消除的方法,通过频谱分析探究了非差观测值序列的特殊性,引入了移动窗口提取动态导航过程非差伪距观测值的多路径,最后利用实测数据验证了算法的有效性。结果表明:对比没有经过多路径改正的组合导航算法,基于伪距多路径改正的GPS/INS紧耦合导航增强了滤波融合观测值的精度,减少了多路径效应对于伪距观测值的影响,平衡了伪距观测值和多普勒观测值的权重,提高了GPS/INS紧耦合导航的直接可测参数(位置、速度)和间接可测参数(姿态)的精度,北向、东向和高程三个方向的位置误差分别减小了18.8%、25.7%,和1.5%。     

基于异质星座特性的惯性/北斗紧组合滤波算法

目前我国自主建设的北斗卫星导航系统已形成覆盖亚太地区的导航能力,由于北斗系统特有的中圆轨、倾斜同步高轨和地球静止高轨的异质星座构架与GPS系统存在显著不同,常见的紧组合滤波模型并不能完全适用。针对此问题,通过对北斗不同类型轨道卫星的伪距量测噪声特性进行分析,并将该特性体现在紧组合滤波算法中,对北斗系统的三类卫星的伪距/伪距率信息分别进行状态扩展及量测,以获取更加准确的滤波模型,最后通过仿真实验进行了导航性能的分析与比对。结果表明,针对北斗异质星座特性所设计的分类量测滤波算法可将定位精度提高50%以上,对于后续围绕北斗系统的开发应用具有很强的参考价值。     

基于经验模态概率分布的光纤陀螺信号处理

为了抑制光纤陀螺随机漂移,基于改进的经验模态分解(EMD)和新型模态筛选标准提出了一种自适应的区间阈值滤波方法。首先分析加入高斯噪声对 EMD 分解结果的影响,提出有界噪声辅助以改善 EMD 分解质量,然后针对本征模态函数的概率分布特征提出了基于样本熵的模态筛选标准,最后采用数据驱动的阈值选择方法实现自适应的区间阈值滤波。为了验证算法的有效性,采集一款干涉型光纤陀螺静态漂移信号进行实验分析,结果表明本文方法较基于平稳小波变换和 EMD 的阈值滤波有更好的去噪效果。仿真分析表明该去噪算法减小了捷联惯性导航系统的航向角误差,均方根误差较     

GNSS 失锁下基于混合预测模型的 POS 误差估计方法

针对GNSS信号受遮挡或干扰导致的位姿测量系统（POS）量测信息失锁问题,提出一种基于多元线性回归（MLR）和径向基函数神经网络（RBFNN）的混合预测方法,用于GNSS失锁期间的POS导航误差预测。该方法利用Hodrick-Prescott(HP)滤波将POS导航误差样本数据分解成趋势性成分序列与波动性成分序列,分别采用MLR和RBFNN对其进行预测建模,充分表征POS导航误差数据的线性与非线性特征。车载实验结果表明,所提出的基于MLR/RBFNN混合预测方法与标准Kalman滤波方法相比,位置误差精度提高72.9%～89.1%,速度误差精度提高50.1%～60.8%,其位置和速度误差统计结果均优于单一的MLR预测模型和RBFNN预测模型。     

基于一种改进EMD算法的GPS多径效应抑制方法

为了抑制短基线双差分GPS测量中的多径误差,提出了一种改进的经验模态分解(EMD)滤波方法。首先分析了含噪信号EMD分解的噪声传播特性,提出应用噪声辅助数据分析方法对低阶模态分量进行处理,实现将信号的噪声压缩至低阶本征模态函数(IMF)中,进而提高含噪信号高阶模态分量的信噪比。然后基于上述改进的EMD算法实现了模态单元阈值降噪,随机采样第1阶IMF构造多个具有相同信噪比的序列,最后平均处理多个序列的降噪结果以消除EMD分解的位置敏感性误差,与小波降噪以及传统EMD阈值降噪的仿真对比表明,提出的降噪算法有显著优势。最后,将提出的算法用于GPS测量信号的多径误差提取,结果表明该方法可以用于抑制短基线GPS测量的多径误差。     

抗差自适应模型预测滤波及其在组合导航中的应用

为了提高捷联惯导(SINS)/天文导航(CNS)/合成孔径雷达(SAR)组合导航系统的定位精度,在吸收模型预测滤波和抗差自适应滤波算法优点的基础上,提出了一种新的抗差自适应模型预测滤波算法。该算法首先利用模型预测滤波估计出系统模型误差,并对其进行实时修正,以抑制系统模型误差对导航解算精度的影响;然后利用抗差自适应因子控制观测异常,抑制观测噪声对导航解算精度的影响。将提出的算法应用于SINS/CNS/SAR组合导航系统进行仿真验证,并与抗差自适应滤波进行比较,结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[0.2,0.2]、[0.3m/s,0.3m/s]和[6 m,6 m]以内,滤波性能明显优于抗差自适应滤波算法,说明该算法能有效抑制系统模型误差及观测异常对导航解的影响,提高组合导航的解算精度。     

基于时间序列分析的自适应联邦滤波算法

以信息源的视角审视联邦滤波信息分配系数的问题,提出基于时间序列分析的自适应联邦滤波算法。通过引入导航传感器历史数据作为信息基础,以自回归滑动平均模型对其进行分析,使信息分配系数与导航传感器工作状态和环境状态相适应,提高系统性能。将此算法应用于组合导航系统,通过仿真实验对比,新的算法比经典联邦滤波算法定位精度提高40%,比其他的自适应联邦滤波算法位置误差标准差、速度误差标准差分别平均提高19.74%和30.67%,说明该算法具有良好性能。     

基于伪距差分的三星无源北斗/SINS组合导航系统

由于北斗卫星所处轨道远离地球,无源北斗接收机输出伪距的误差较大,影响了与惯导进行伪距组合时的滤波定位效果。考虑到无源北斗伪距误差建模复杂,且Kalman滤波要求误差模型准确,作者研究了采用单机伪距差分的方法减少滤波量测值误差,通过理论分析建立了基于伪距差分的三星无源北斗/SINS组合模型。跑车试验表明,该组合导航算法可有效提高系统的定位精度,并具有滤波参数调整简单的优点。     

一种基于M估计的抗差自适应多模型组合导航算法

针对复杂环境下因量测噪声统计特性时变及量测粗差而引起的组合导航精度下降的问题,提出了一种基于M估计的抗差自适应多模型组合导航算法。所提算法突破了传统交互式多模型算法定结构的限制,凭借所提出的模型集自适应调整策略,能够快速估计量测噪声统计特性,并利用模型概率信息对模型转移概率矩阵进行实时修正;引入了基于M估计的抗差Kalman滤波算法,以提高滤波抗差能力。以SINS/DVL组合导航系统为例,通过仿真和长江试验对所提算法进行了验证,结果表明所提算法有效降低了量测噪声统计特性时变及量测粗差对滤波精度的影响。在长江试验中,所提算法相比AIMM算法,东、北向速度误差和位置误差的均方根误差分别下降了44%、36%和41%、53%,水平定位精度提升了约45.9%,定位精度提升显著。