顾及组合导航闭环反馈的变分贝叶斯自适应滤波优化算法

多传感器组合的方式可以较好地应对全球导航卫星系统信号被遮挡、干扰等情况下的导航定位问题,滤波方法是导航定位中将多源数据融合最常使用的方法之一。在滤波过程中,组合导航的系统噪声和量测噪声无法实时精确地测定,常通过自适应滤波的方法进行时间更新和量测更新的平衡解算。贝叶斯自适应滤波方法在很多时候具有较好的效果,但是和其他的自适应滤波方法一样,该类方法都需要进行自适应因子的选取。本文根据组合导航对于实时性要求及其闭环反馈的特殊性,在变分贝叶斯自适应滤波的基础上进行了算法的优化,给出了一种调节因子的动态计算方法,并以GNSS和惯性导航系统组合系统为例,通过模拟和实测试验进行验证。试验结果表明,本文算法不需要通过迭代计算的方法就可以获取高精度组合结果,提升了计算效率;对于真实的动态场景中,本文算法的调节因子动态自适应确定,结果更具有优越性。     

基于高斯混合模型的抗差Bayes滤波在动态导航中的应用

在动态环境下导航定位受到很多因素影响,且异常噪声会严重影响导航滤波结果。通过研究Bayes滤波的抗差方法,在导航观测方程中采用高斯混合模型,对混合模型不确定度参数采用层次模型实时估计。借助指示变量进行模型变换,削弱导航过程中异常噪声的影响。并采用Rao-Blcakwellized粒子采样方法,求取复杂、非标准形式的状态后验分布。最后通过卫星导航以及组合导航实验算例,分析验证了基于高斯混合模型的Bayes滤波在动态导航定位中的抗差性能。     

高斯混合求积分卡尔曼滤波姿态估计算法

针对求积分卡尔曼滤波QKF(Quadrature Kalman Filter)在噪声先验特性不准确时引发的滤波缺陷问题,提出了一种基于高斯混合模型的QKF姿态估计算法GMQKF。该算法首先通过引入有限高斯分量来近似状态后验分布和噪声随机模型,在线估计时变方差;然后再采用稀疏网格和高斯-厄米特数值积分理论配置多维积分点,优化了高维滤波的计算量。仿真结果表明:在非高斯噪声环境和载体发生稳态突变情况下,GMQKF算法较传统QKF减少了对随机模型的依赖,增加了系统抗干扰能力,提高了稳定性,将其用于非高斯非线性姿态估计场合可以获得更好的精度,且计算量适中。     

改进的GNSS/SINS组合导航系统自适应滤波算法

GNSS/SINS(global navigation satellite system/strapdown inertial navigation system)组合导航系统已得到广泛的应用与研究,当处于复杂环境时,GNSS输出容易出现误差均方差突变、误差均方差缓变、硬故障和软故障4种现象,进而影响组合导航系统滤波精度及载体的导航安全。为了解决上述问题,提出了一种改进的GNSS/SINS组合导航系统自适应滤波算法。首先,利用滤波过程中的观测异常检验统计量与滤波器门限值构建观测因子,然后,将变分贝叶斯原理与抗野值滤波方法结合,设计了改进的组合导航系统自适应滤波算法。仿真实验表明,相较于传统算法,当GNSS输出误差均方差发生变化时,所提算法可将位置精度及速度精度提高11.8%及13.7%;在GNSS输出发生硬故障时,所提算法可将位置精度及速度精度提高70.8%及69.6%。实验结果表明,所提算法具有较强的自适应性,可提升复杂环境下组合导航系统的精度和连续可用性。     

改进的Sage—Husa自适应滤波在GPS动态导航定位中的应用

本文利用Kalman滤波方法对动态测量进行数据处理,由于高动态的GPS测量,不易确定系统动态噪声和观测噪声.同时标准的Kalman滤波在应用过程中由于状态模型确定的误差存在,滤波效果不佳.因此本文结合动态导航的实时性和高动态性,建立了动态导航系统中滤波状态方程和观测方程,采用改进的Sage-Husa自适应滤波对来进行实时定位数据处理,利用已有测量数据进行了实例分析.改进的Sage-Husa自适应滤波在计算过程中计算量小,结果稳定,有较强的自适应性.     

应用高斯粒子群优化的无迹粒子滤波

针对粒子滤波算法中存在的粒子退化与粒子匮乏的缺陷,提出了利用高斯粒子群优化无迹粒子滤波的新算法。算法使用无迹粒子滤波进行重要性采样,并将高斯粒子群优化算法融入重采样过程中。该算法选取的概率密度更加接近系统真实状态,有效增加了粒子的多样性,提高了抽样效率,降低了粒子退化程度,缓解了粒子匮乏现象。试验结果表明,该算法的滤波精度明显优于粒子滤波与无迹粒子滤波算法所得到的滤波精度。     

高斯混合模型云变换算法及其在图像分割中的应用

针对启发式云变换只能对一维特征进行变换的缺陷,提出一种基于高斯混合模型的改进云变换方法。通过EM算法和高斯分布的拟合误差求解云模型的数字特征,抽取图像底层概念,从而实现图像分割。通过图像分割实验验证了该算法的有效性。     

高斯滤波状态估计一致性监测及其应用

针对复杂环境下卫星导航定位系统可能出现各种故障,当前卫星导航粗差识别与探测算法多是从测量域展开研究这一现状,该文研究了一种新的直接从状态域进行故障探测的高斯滤波状态估计算法。从理论上推导了相关公式论述了该方法的科学性,并通过状态估计与卫星定位模拟实验将其与测量域故障探测算法进行比较、验证。实验结果表明,该文研究方法直接在状态域中展开,不需要假设已知的真实系统状态,与测量域故障探测方法相比能够更加准确地进行故障探测。     

两种滤波方法在SINS/GPS组合导航中的应用与比较

本文针对SINS/GPS组合导航系统中卡尔曼滤波发散的情况,引入了自适应滤波和H∞滤波,分析了它们各自的特性,最后进行仿真计算,验证了这两种滤波用于SINS/GPS组合导航系统的可行性和有效性,对实际应用中组合导航系统滤波器的设计具有一定的指导意义.     

两种滤波方法在SINS／GPS组合导航中的应用与比较

针对SINS／GPS组合导航系统中卡尔曼滤波发散的情况,引入了自适应滤波和H∞滤波,分析了它们各自的特性,最后进行仿真计算,验证了这两种滤波用于SINS／GPS组合导航系统的可行性和有效性,对实际应用中组合导航系统滤波器的设计具有一定的指导意义。     

信息分配系数的自适应滤波在GPS/DR组合导航中的应用

在组合导航中常采用联合滤波器进行多源传感器的信息融合,其中信息分配系数的取值直接影响着联合滤波器的性能。在详细分析子滤波器状态变量估计协方差阵特点的基础上,文中提出了采用两组信息分配系数的自适应联合滤波模型,并将设计的自适应联合滤波模型应用于车载GPS/DR组合导航中。仿真实验表明,导航的位置精度提高约为40%;速度精度提高约为10%。同时也提高了组合系统的容错性和可靠性。     

改进的UKF在GPS/INS组合导航中的应用

在GPS/INS组合导航中,传统UKF(Unscented Kalman Filter)计算量大,无法满足实时性要求。而且当动力学模型受到异常扰动误差影响时,其精度与稳定性易受到影响。针对以上问题,利用最小偏度单形采样策略降低UKF计算量以提高精度;通过自适应调整过程噪声以降低动态异常扰动误差对UKF精度与稳定性的影响。由此提出了一种改进UKF算法,用于GPS/INS组合导航。仿真实验结果表明,改进UKF算法用于GPS/INS组合导航的精度要优于UKF算法。     

基于低通滤波的GPS/INS组合导航模型研究

惯导系统中惯性元件误差是影响惯性导航及组合导航精度的重要因素。本文首先分析了INS加速度计及陀螺仪在不同方向上的原始观测数据误差源及其相关作用,并给出低通滤波及GPS/INS(Global Positioning System/Inertial Navi-gation System)组合导航模型。在此基础上,提出采用低通滤波器消除INS原始数据中的高频随机误差,提高GPS/INS组合导航精度的技术路线。模拟INS的线速度及角加速度原始观测数据,对本文模型进行INS自主导航测试,导航精度得到明显提高。进一步采用实测数据进行组合导航分析,滤波前后计算的位置误差比较可以看出滤波后的导航解要优于滤波前,X、Y、Z三个方向上导航精度分别提高了15.1%、28.3%、28.1%。在残差最大值的比较上,三个方向上都有所减小,说明本文模型可有效提高导航精度。     

自适应联邦滤波器在GPS-INS-Odometer组合导航的应用

针对多传感器观测信息较多、计算效率较低、对动力学模型误差稳键性不佳的问题,提出了一种自适应联邦滤波器并应用于GPS-INS-Odometer组合导航。首先介绍GPS-INS-Odometer组合导航的动力学模型和观测模型,比较分析了信息分配因子和自适应因子的共同特性,论证了联邦滤波器和自适应滤波器的等价性及其等价成立条件,提出了自适应联邦滤波器的信息分配因子构造方法。最后利用实测数据验证了算法的有效性。结果表明,相比于基于GPS和Odometer(里程计)初始方差构造信息分配因子的联邦滤波器,本文提出的自适应联邦滤波器兼容了联邦滤波器高效计算效率,且具有较好的抵抗动力学模型误差效果,能够有效削弱多传感器动力学模型误差对于导航解算的影响,对直接可测参数和间接可测参数的精度提高均起到了积极的作用。     

UKF在惯性/重力组合导航中的应用

将UKF(Unscented Kalman Filter)方法用于惯性/重力组合导航系统.UKF方法设计了少量的呈高斯分布的σ点,在每个更新过程中,σ点随着非线性状态方程和测量方程传播,从而获得滤波值及较高的计算精度,而且避免了对非线性方程的线性化过程.仿真结果表明:UKF方法比传统卡尔曼滤波及其改进的滤波模型都有更高的估计精度,并能有效的克服非线性严重时出现的滤波发散问题.     

组合导航中一种新息自适应卡尔曼滤波算法

全球定位系统/航位推算组合导航定位中,由于目标运动的不确定性,GPS接收机与DR器件接收的数据存在噪声,使预置目标运动模型通常很难得到较高跟踪精度,针对应用常规卡尔曼滤波进行组合导航解算由于噪声统计特性未知而引起滤波不稳定的问题,本文提出了一种基于新息序列的量测计算进行自适应估计的卡尔曼滤波算法。该算法通过对新息方差强度进行极大似然估计,将新息计算引入卡尔曼滤波器的增益计算,达到控制发散的目的。最后对改进的算法与一般卡尔曼滤波算法做了对比仿真试验分析,结果表明了改进算法的有效性。     

UKF在惯性/重力组合导航中的应用

将UKF(Unscented Kalman Filter)方法用于惯性/重力组合导航系统。UKF方法设计了少量的呈高斯分布的σ点,在每个更新过程中,σ点随着非线性状态方程和测量方程传播,从而获得滤波值及较高的计算精度,而且避免了对非线性方程的线性化过程。仿真结果表明:UKF方法比传统卡尔曼滤波及其改进的滤波模型都有更高的估计精度,并能有效的克服非线性严重时出现的滤波发散问题。