自适应混合阶SSRCKF及其在组合导航中的应用

传统的容积卡尔曼滤波（CKF）在处理强非线性系统时存在精度低甚至发散的问题,高阶容积卡尔曼滤波（HCKF）提高精度的同时也会大幅度提高计算复杂度,同时在高维系统中存在负权值影响算法的稳定性。针对以上问题提出了一种自适应混合阶球面最简相径容积卡尔曼滤波（AMSSRCKF）,该算法采用混合阶最简相径容积规则（MSSR）采样获得了比CKF更高的精度,同时结合了多重渐消因子强跟踪滤波算法,提高了算法的鲁棒性。最后,将该算法应用于组合导航系统仿真,结果表明,AMSSRCKF可以有效抑制系统状态突变的影响,提高了组合导航系统的定位精度和鲁棒性。     

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。     

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。     

物种生灭算法的改进策略

物种生灭算法（Species Explode and Deracinate Algorithm，SEDA）是一种简单、高效的群智能优化算法。为了进一步提高SEDA算法的寻优速度、解的质量，首先，通过一种无排序筛选幸存物种的递归算法，提出了基于递归筛选的SEDA算法，减少了SEDA算法的时间复杂度，提高了算法的寻优速度；其次，通过引入衍生趋势的方法，提出了基于衍生趋势的SEDA算法，提高了SEDA算法对复杂、难以寻优的优化问题解的质量。三个测试函数的仿真结果表明，改进的方法具有更小的时间复杂度，能够有效改善SEDA算法解的质量。