SINS静基座初始对准的超球体采样STFUKF算法

初始对准是实现惯性导航高精度的一项关键技术。无迹滤波(UKF)在SINS系统静基座大方位失准角初始对准中计算量大,在不精确或错误的噪声统计情况下,收敛速度变慢,估计精度下降,甚至滤波发散。针对这一问题,将超球体采样与强跟踪无迹滤波(STFUKF)算法相结合,提高了运算速度和对准精度。利用SINS的非线性误差模型,通过数字仿真将卡尔曼滤波、UKF和STFUKF的性能进行比较,证明该方法具有精度高、抗干扰性好、跟踪能力强的特点。     

简化SSUKF在车载SINS行进间对准中的应用

基于大失准角条件下的非线性初始对准误差模型,通过捷联惯导系统 (SINS)与全球定位系统 (GPS)的速度和位置匹配实现SINS行进中初始对准.为了降低滤波计算量,根据系统噪声为复杂加性噪声、量测噪声为简单加性噪声且量测方程是线性方程的特点,采用计算量小的简化超球面无迹卡尔曼滤波(SSUKF)对车载SINS进行行进间初始对准.最后进行SINS行进中初始对准仿真试验,结果表明大失准角条件下的SINS误差模型和简化SSUKF滤波估计法不仅适用于大失准角,同样适用于小失准角和大方位失准角.本对准方案可提高车辆机动能力.     

大失准角下SINS的KF/EKF2混合滤波对准

针对捷联惯导系统(SINS)大失准角下滤波对准过程中非线性滤波器状态维数过大的问题,提出了一种基于模型分解的卡尔曼滤波/二阶扩展卡尔曼滤波(KF/EKF2)混合滤波方法,将基于欧拉平台误差角的非线性滤波模型分解为线性部分和非线性部分,分别采用线性KF滤波和非线性EKF2滤波处理,并且设计了混合滤波的滤波步骤。实验结果表明,KF/EKF2混合滤波算法在计算量、实时性及精度等方面优于最常用的无迹卡尔曼滤波(UKF)和EKF2滤波。     

基于陀螺信息的SINS快速抗干扰初始对准

为了解决存在干扰或较大噪声的情况下,利用陀螺信息实现捷联惯导系统(SINS)快速初始对准,首先引入了带高斯噪声等式约束的卡尔曼滤波算法(QECKF),建立了基于QECKF算法的SINS初始对准模型;然后,从车载捷联惯导系统的实际特征出发,提出首先使用IIR低通滤波器降噪,再通过模糊判据结合QECKF算法和卡尔曼滤波(KF)两种滤波方法,该方案实现了陀螺信息的最优化应用以达到快速对准的目的;最后,试验表明在系统受发动机和人员操作的扰动下,该算法相比于常规KF估计将速度提高了近25%,解决了在噪声较大时基于扩展观测量的方法估计发散问题。     

基于多渐消因子强跟踪SRUKF的故障参数辨识

为了解决非线性系统中故障参数估计问题,提出多重渐消因子强跟踪平方根无迹卡尔曼滤波(MST-SRUKF)算法。MST-SRUKF将多重渐消因子引入到协方差矩阵平方根中,推导适用于平方根无迹卡尔曼滤波(SRUKF)的渐消因子计算公式,从而实时调整SRUKF中的增益矩阵,保证其对模型存在较大误差或者突变情况下的滤波精度。实验结果表明,相比于SRUKF和强跟踪无迹卡尔曼滤波(STUKF),MST-SRUKF对故障参数具有更高的估计精度。     

简化SPKF在捷联惯导系统非线性对准中的应用

基于欧拉平台误差角的概念,建立了大失准角条件下的激光捷联惯导系统(SINS)非线性误差模型,深入研究了Sigma点卡尔曼滤波(SPKF)及其在大失准角对准中的应用.针对对准模型的特性,推导了SPKF简化算法,进行了静基座下基于扩展卡尔曼滤波(EKF)、简化SPKF的SINS初始对准仿真.仿真结果表明简化型SPKF能有效克服EKF的不足,具有更高的估计精度,且减少了计算量,是SINS非线性对准的一种理想的方法.     

基于星敏感器和陀螺的卫星定姿新方法

针对本体坐标系下对卫星姿态进行线性滤波存在误差累积和噪声分布改变无法正确选择滤波模型的问题,利用惯性坐标系下的星敏感器和陀螺原始测量构建系统扩维测量,将卫星姿态确定问题建模为非线性滤波过程。针对常用的非线性滤波方法无法同时兼顾精度和实时性的问题,采用无迹滤波(UKF)对卫星的姿态参数和陀螺常值漂移同时进行估计,实现了对卫星精确定姿。进一步考虑实际情况中,敏感器测量误差未知或随时间变化的情况,提出了交互式多模型无迹滤波(IMMUKF)方法。仿真实验结果表明了该算法的有效性和优越性,具有较高的实际应用价值。     

混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。      

UKF方法在SINS初始对准中的应用研究

惯性导航设备的初始对准在本质上是非线性的，对于建立在线性模型基础上的 EKF 方法，在一定程度上影响了系统的精度。本文介绍了一种建立在非线性模型基础上的卡尔曼滤波方法(UKF)，并应用于 SINS 的初始对准。通过仿真试验研究，结果表明：UKF 方法不仅保证了良好的对准精度，而且大大放宽了对准方位失准角的约束(≤10°即可)。     

Sage_Husa自适应滤波在大方位失准角初始对准的研究

由于光纤惯导系统导航精度不高,方位角常为大角度,因此系统初始对准的滤波方程为非线性的,为改善非线性模型下初始对准的精度,提出了一种改进Sage_Husa自适应卡尔曼滤波方法并应用于光纤惯导系统初始对准中。建立了大方位失准角初始对准的非线性误差模型,给出了Sage_Husa自适应卡尔曼滤波方程,对Sage_Husa自适应卡尔曼滤波不适合用在非线性滤波的缺陷进行了改进,建立系统噪声统计的估值器,对非线性误差方程进行了改进Sage_Husa自适应卡尔曼滤波仿真。仿真结果表明:改进Sage_Husa自适应卡尔曼滤波能够很好地处理初始对准中的非线性问题,提高初始对准精度,方位失准角误差估计精度较EKF提高27%。     

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

采样滤波算法在单站无源定位中的应用

讨论了用采样的方法近似非线性分布来解决无源定位中的非线性问题,提出了一种简单的正则粒子滤波,克服了标准粒子滤波用于单站无源定位中出现的粒子贫乏现象,将粒子滤波成功应用到无源定位中,计算机仿真表明该算法的定位精度较Unscented卡尔曼滤波（UKF）有一定的提高。     

自适应平方根球型无迹卡尔曼滤波算法

针对传统无迹卡尔曼滤波器存在跟踪精度低、数值稳定性差、鲁棒性弱等缺点, 提出了一种基于球型无迹变换的自适应平方根UKF滤波算法（Adaptive Square Root UKF Filtering Algorithm Based on Spherical Unscented Transform, ASRS-UKF）。该算法在标准的平方根UKF算法上,首先改用了球型无迹变换对权系数以及sigma点进行计算选取;其次改进了平方根UKF中平方根矩阵的分解方法;同时在预测误差协方差矩阵中引入了自适应衰减因子。最后,通过将该算法同平方根UKF以及强跟踪UKF算法进行仿真对比,结果表明,ASRS-UKF算法在减少计算量、加快计算速度的同时还提高了滤波精度和稳定性,而且对于系统模型匹配不佳的情况下,仍具有良好的跟踪性能。     

Nonlinear Bayesian Filtering Using the Unscented Linear Fractional Transformation Model

For nonlinear state space model involving random variables with arbitrary probability distributions, the state estimation given a sequence of observations is based on an appropriate criterion such as the minimum mean square error (MMSE). This leads to linear approximation in the state space of the extended Kalman filter (EKF) and the unscented Kalman filter (UKF), which work reasonably well only for mildly nonlinear systems. We propose a Bayesian filtering technique based on the MMSE criterion in the framework of the virtual linear fractional transformation (LFT) model, which is characterized by a linear part and a simple nonlinear structure in the feedback loop. LFT is an exact representation for any differentiable nonlinear mapping, so the virtual LFT model is amenable to a wide range of nonlinear systems. Simulation results demonstrate that the proposed filtering technique gives better approximation and tracking performance than standard methods like the UKF. Furthermore, for highly nonlinear systems where UKF diverges, the LFT model estimates the conditional mean with reasonable accuracy.      

基于快速局部频率估计和量化跟踪的UKF 相位展开算法

针对传统的无味卡尔曼相位展开算法效率和精度之间存在矛盾的问题,提出一种快速局部频率估计算法与量化质量图跟踪策略相结合的无味卡尔曼滤波(UKF)高效算法。快速局部频率估计算法首先利用二维傅里叶变换粗略计算出局部窗口内的复相位频谱的谱峰位置;然后,以谱峰为中心利用二维离散时间傅里叶变换快速算法计算出谱峰的精确位置,进而精确地获取局部频率值,得到UKF 相位展开系统模型所需的相位梯度估计值;最后,将UKF 算法与量化质量图跟踪策略相结合,利用量化质量图引导UKF 相位展开,进一步提高展开的效率。仿真实验验证了方法的有效性。     

基于Adams预估校正的UKF跟踪外推算法

不敏Kalman滤波(UKF)算法可以广泛用于各种目标运动的非线性估计中,传统的UKF滤波算法对于时间更新(即一步预测),一般采用对目标运动方程进行离散化或线性化处理,其结果不可避免地产生离散化误差,当目标运动非线性较强时,会导致跟踪误差增大,甚至无法给出正确的预测结果.文中提出的基于阿当姆斯(Adams)预估校正的UKF算法(即Admas-UKF),很好地解决了弹道目标过顶点的跟踪外推问题,仿真结果显示,与传统的UKF算法相比,此算法提高了跟踪外推精度,而计算时间远少于龙格库塔不敏Kalman滤波(Runge_Kutta-UKF)算法.     

Modified Unscented Kalman Filter for a Multirate INS/GPS Integrated Navigation System

Instead of the extended Kalman filter, the unscented Kalman filter (UKF) has been used in nonlinear systems without initial accurate state estimates over the last decade because the UKF is robust against large initial estimation errors. However, in a multirate integrated system, such as an inertial navigation system (INS)/Global Positioning System (GPS) integrated navigation system, it is difficult to implement a UKF‐based navigation algorithm in a low‐grade or mid‐grade microcontroller, owing to a large computational burden. To overcome this problem, this letter proposes a modified UKF that has a reduced computational burden based on the basic idea that the change of probability distribution for the state variables between measurement updates is small in a multirate INS/GPS integrated navigation filter. The performance of the modified UKF is verified through numerical simulations.     

被动导引头辐射源跟踪新算法研究

由于被动导引头辐射源跟踪系统非线性较强,传统的跟踪滤波算法是粒子滤波（PF）、U卡尔曼滤波（UKF）。但这些算法都存在着一定的缺陷,粒子滤波算法收敛速度慢、计算量大,UKF跟踪精度低。针对上述问题,提出了一种基于PF算法的新的跟踪滤波算法PUKF。该算法采用粒子滤波和U卡尔曼滤波加权的思想对目标实现初始的捕捉,然后通过UKF算法对目标进行跟踪保持。该算法受初始状态影响小,跟踪的精度高,收敛速度快,系统性能稳定。仿真实验表明了在被动辐射源跟踪系统中该算法的可行性和有效性。