和极大似然估计──一种新的估计准则

经典的极大似然估计和抗差的广义极大似然估计都是将随机样本看成独立积事件，在积概率最大的准则下，求参数估值，前者不能抗拒粗差，后者能抗拒粗差。和极大似然估计是将随机样本看成独立和事件，在和概率最大的前提下，求参数估值，从理论分析和计算结果来看，和极大似然估计优于积极大似然估计。     

一种修正的精确极大似然误差配准算法

基于极大似然估计的误差配准(EML)算法考虑了随机量测误差的影响,性能略优于传统的误差配准算法.但是因为算法对量测噪声的假设并不合理,给出的似然函数并不正确,影响了算法的性能.本文对该配准算法的似然函数进行了修正,提出了一种修正的精确极大似然误差配准(MEML)算法.仿真表明,提出的MEML算法优于原有的EML算法.     

一种新的基于极大似然估计的盲分离算法

盲源分离（Blind Source Separation，BSS）或独立成分分析（Independent Component Analysis，ICA）是一种矩阵处理或数据分析技术，主要目的就是在仅在源信号相互独立的假设下从混合的观测信号中恢复出源信号。由于它在生物医学信号分析、语音识别、无线通信等领域应用的不断拓广，它已成为一个热门的研究领域。本文对于如何分离混合信号模型的问题，从观测信号与分离信号的概率密度函数（Probability Densitv Function PDF）之间的关系推导出了一种新的基于极大似然估计的盲分离算法，通过选择一个带参数的非线性函数近似超高斯与亚高斯的PDF，以此来分离源信号。并通过模拟实验验证了此算法的有效性。     

极大似然估计和拟极大似然估计模拟之比较

通过对单个协变量的带有测量误差的一维结构回归模型中总体平均处理效应的极大似然估计和拟极大似然估计的随机模拟结果进行比较,发现这两个公式都不受测量误差的影响,并且可以互换使用.当其它误差较小时用两个公式计算结果虽然相差不大,但相比较而言用拟极大似然估计较好,反之,当其它误差较大时用极大似然估计较好.     

极大似然估计方法介绍

主要介绍了极大似然估计方法的来源、极大似然原理、极大似然问题求解方法以及什么情况下极大似然估计不能求解等。     

多元退化正态分布参数的极大似然估计

设m维随机向量y服从多元退化正态分布,即y～Nm（μ,V）,其中V≥0且|V|＝0.本文利用矩阵的广义道作为表示工具来讨论参数μ,V的极大似然估计,得到了与非退化情形下表达形式—致的似然估计的一般表达式.     

基于极大似然估计的最优航迹关联算法

针对两传感器以上的分布式多传感器航迹关联问题,提出了一种基于极大似然估计的最优航迹关联算法,并且使用一种剪枝方法来快速求解该关联算法的最优解．最后,在不同的目标间隔距离条件下进行了仿真实验．仿真结果表明,该算法有较高的正确关联率,是有效可行的．     

基于递推极大似然算法的控制系统仿真

在系统辨识的各种算法中,极大似然法是其中一种普遍应用的算法,但是因为极大似然法要求能够写出输出量的概率密度函数,因此这种算法有一定的局限性。目前,基于极大似然法的递推算法也有很多,文章提出了一种通过梯度法的简化而得到的递推算法,每观测一次数据就递推计算一次参数的估计值,能够按照自己的需要在程序中设置参数的精度,这样大大提高了参数辨识的精度。通过对控制系统的仿真,证明了这种递推算法的可行性。     

基于极大似然估计的最优航迹融合方法

提出了一种航迹融合方法，在建立航迹融合数学模型的基础上，推导出了基于极大似然估计准则的航迹融合方法。该方法利用两种不同类型的传感器信息进行航迹融合，并且考虑了两传感器间的相关特性，它在极大似然估计准则下被认为是最优的航迹融合方法。最后给出了不同仿真条件下该航迹融合方法的仿真结果，从仿真结果可以看出，融合后的精度优于任何单一传感器的精度，并且融合间隔越小精度改善越明显，说明了该方法具有较高的融合精度，是可行和有效的。     

多维组合预测的贝叶斯极大似然估计

为了实际预测的需要,提出了多维组合预测问题,即若干单项多维预测的变权组合预测.在各单项预测无偏且服从正态分布前题下,求出了p时刻预测向量Xp的先验分布密度和后验分布密度.利用主观先验信息、预测信息和样本信息,运用贝叶斯估计方法,得到了Xp的贝叶斯极大似然估计,其权重随时刻p的改变而改变.本方法充分利用了多维变量间的相关信息,进一步提高了预测的科学性和有效性,体现了对样本信息和预测信息的进一步综合应用.     

Adaptive Federal Kalman Filtering for SINS／GPS Integrated System

A new adaptive federal Kalman filter for a strapdown integrated navigation system/global positioning system (SINS/GPS) is given. The developed federal Kalman filter is based on the trace operation of parameters estimation‘s error covariance matrix and the spectral radius of update measurement noise variance-covariance matrix for the proper choice of the filter weight and hence the filter gain factors. Theoretical analysis and results from simulation in which the SINS/GPS was compared to conventional Kalman filter are presented. Results show that the algorithm of this adaptive federal Kalman filter is simpler than that of the conventional one. Furthermore, it outperforms the conventional Kalman filter when the system is undertaken measurement malfunctions because of its possession of adaptive ability. This filter can be used in the vehicle integrated navigation system.     

GPS/INS动态卡尔曼滤波优化算法

GPS/INS组合导航系统动态定位数据的随机误差消除的重要方法是卡尔曼滤波,但运用扩展卡尔曼滤波器进行动态定位滤波时,需要对系统模型和观测模型以及误差模型进行准确建模,特别是载体状态机动时滤波器跟踪能力不强。提出一种GPS/INS组合导航动态卡尔曼滤波的优化算法,引入遗忘因子限制卡尔曼滤波器的记忆长度,充分利用现时的测量数据,改善滤波器的动态性能,并进行计算机仿真实验。仿真结果表明,遗忘因子增加,滤波器的跟踪能力增强,使滤波器达最佳性能。该优化算法比普通的扩展卡尔曼滤波算法的动态跟踪性能好,从而可显著提高导航系统定位精度。     

区间卡尔曼滤波算法及其在载波相位组合导航中的应用

当系统参数不确切已知或随时间变化时，传统卡尔曼滤波算法无法直接应用。基于区间的概念，通过将参数变化的系统建立成区间模型，在其他假设与标准卡尔曼滤波相同的前提下，给出了一种处理系统参数不确定性的区间卡尔曼滤波算法，该算法在统计最优性能及迭代形式方面与标准卡尔曼滤波算法相当。最后通过与传统卡尔曼滤波算法进行比较，仿真验证了该算法在GPS／DMU载波相位组合导航中应用的可行性。     

内模自适应卡尔曼滤波新方法及其在GPS信号估计中的应用

针对混杂有确定性扰动分量的随机信号处理问题,提出一种基于内模的自适应卡尔曼滤波新方法──-内模自适应卡尔曼滤波法.首先将待估有用信号和观测数据中的确定性扰分量分别以分段正弦曲线拟合方 式建立各自的内模,并将这些内模的参数作为增广状态变量形成新的非线性系统模型.然后采用迭代型推广卡 尔曼滤波算法,同时实现有用信号及扰动内模参数的实时跟踪.机动目标跟踪的GPS定位信号估计应用表明, 与现有方法相比新方法可显著提高定位精度.     

GPS/DR车辆组合导航改进的粒子滤波算法研究

粒子滤波是一种基于Monte Carlo仿真的最优回归贝叶斯滤波算法,在组合导航系统的观测精度较低时能获得较好的滤波效果,但在观测精度较高时,不但可能导致滤波发散,而且存在重要性分布函数难以选取,出现粒子退化的现象。为了克服这些缺点,文章研究GPS/DR车辆组合导航改进的粒子滤波算法,提出了基于改进粒子滤波算法的GPS/DR车辆组合导航信息融合技术。采用马尔科夫链蒙特卡洛(MCMC)移动方法,移动粒子样本到状态空间中的新位置,既保证了移动后的粒子样本和实际概率函数同分布,又防止了大量后选粒子被拒绝。用改进的粒子滤波算法和扩展Kalman滤波算法,分别对GPS/DR车辆组合导航系统进行仿真实验,结果表明,改进的粒子滤波算法能减小导航定位误差,滤波性能明显优于扩展卡尔曼滤波。     

Performance assisted enhancement based on change point detection and Kalman filtering

A performance assisted enhancement Kalman filtering algorithm （PAE-KF） for GPS/INS integration navigation in urban areas was presented in this work. The aim of this PAE-KF algorithm was to prevent ＂deep contamination＂ caused by error GPS data. This filtering algorithm effectively combined fault estimation of raw GPS data and nonholonomic constraint of vehicle. In fault estimation, a change point detection algorithm based on abrupt change model was proposed. Statistical tool was then used to infer the future bound of GPS data, which can detect faults in GPS raw data. If any kinds of faults were detected, dead reckoning mechanism begins to compute current position. Nonholonomic constraint condition of vehicle was used to estimate velocity of vehicle and change point detection was added into classic Kalman filtering structure. Experiment on vehicle shows that even when the GPS signals are unavailable for a period of time, this method can also output high accuracy data.     

组合导航系统的卡尔曼滤波器的设计

将多传感器数据融合的卡尔曼滤波器设计方法,运用在基于GPS／INS的微型飞行器的组合导航系统中,经理论分析及实际结果表明：该滤波器设计合理,算法具有全局最优,能够提高系统的容错能力及系统的导航精度。     

高精度定位定向系统的修正Kalman滤波组合导航

指出了在组合导航系统中，Ｋａｌｍａｎ滤波器的预测周期与滤波周期之间的异步性会给滤器的动特性带来不良影响，针对这一问题，提出了一种修正Ｋａｌｍａｎ滤波算法，并将其于高精度定位定向系统的“惯性／位置”组合导航中。     

一种新的抗差自适应Unscented粒子滤波

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题。提出了一种新的抗差自适应Unscented粒子滤波算法。该算法不但能利用等价权函数和自适应因子合理的分配信息,提高滤波精度,而且具有Unscented粒子滤波的优点,更好的适用于非线性、非高斯系统模型的计算。仿真结果表明,文中提出的抗差自适应Unscented粒子滤波算法,滤波性能明显优于扩展卡尔曼滤波和粒子滤波算法,并且能提高组合导航系统的定位精度。     

自适应平方根Unscented粒子滤波算法研究

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题,在吸收平方根滤波、自适应滤波和粒子滤波优点的基础上,提出了一种新的UPF算法。该算法由UKF算法得到重要性密度函数,通过自适应因子实时控制动力学模型误差,采用平方根分解法抑制系统状态协方差矩阵的负定性。仿真结果证明,文中所提出的自适应平方根UPF算法,不但适用于非线性、非高斯动态系统的滤波计算,而且能有效地改善滤波性能,提高SINS/SAR组合导航系统的定位精度。