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.     

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.     

健康管理对老年冠心病危险因素治疗及控制率影响

捷联惯导系统(SINS)静基座初始对准中,过高的陀螺噪声不但导致系统状态方程非线性,也会使对失准角的估计不能收敛到真值.因此,提出了一种磁强计辅助对准方法,对系统观测方程的分析证明了该方法不仅可提高滤波精度,同时还可对磁场强度和磁倾角进行估计.非线性滤波采用平方根无迹卡尔曼滤波(SRUKF),SRUKF与无迹卡尔曼滤波(UKF)滤波精度相当,优于扩展卡尔曼滤波(EKF).相比UKF,SRUKF具有更高的计算效率和稳定性.仿真结果表明,该算法在陀螺噪声较高的情况下仍能满足SINS初始对准要求.     

基于四元数的SINS静基座大方位失准角误差建模

针对经典大方位失准角条件下捷联惯导系统(SINS)非线性初始对准模型不能精确表达姿态误差的传播特性,依据惯导系统姿态的旋转矢量表示法,提出了基于四元数微分方程推导的姿态误差模型,模型最终的表达也由欧拉角微分方程给出。基于无迹卡尔曼滤波(UKF)的静基座对准试验表明新的姿态误差模型对方位角失准角范围要求由10°内放宽到25°内,提高了在大方位失准角条件下初始对准的精度,表明模型的准确性有明显提高。     

基于强跟踪GHF的里程计辅助SINS动基座对准研究

为提高车载捷联惯导系统动基座初始对准精度,提出了一种强跟踪降维高斯-厄米特非线性动基座初始对准算法。里程计辅助捷联惯导粗对准后水平姿态误差角为小角度,里程计辅助捷联惯导动基座对准模型简化为大方位失准角非线性模型,采用降维高斯-厄米特滤波(GHF),以少数非线性状态积分点估计整个系统状态,减少计算量,应用强跟踪滤波,提高系统对突变的滤波状态的跟踪能力。实验表明,应用强跟踪降维高斯-厄米特滤波提高了动基座初始对准精度,减少了计算量,提高了滤波的稳定性。     

UPF算法在惯导非线性初始对准中的应用

惯性导航系统（INS）的初始对准误差模型通常为非线性的,对于估计惯导误差普遍采用的是扩展卡尔曼滤波算法（EKF）,该方法是在一阶泰勒展开的基础上近似得到的,因而误差较大。粒子滤波算法一种新颖的非线性滤波算法,它较传统的EKF算法具有稳定性好,适用范围广的优点。该文首先介绍了作为粒子滤波理论基础的递推贝叶斯估计的基本概念,说明了重要性函数对于粒子滤波器的设计是至关重要的。随后,给出了一种将不敏卡尔曼滤波（UKF）算法作为重要性函数的UPF算法,并提出将其用于静基座条件下的惯导系统非线性初始对准,通过计算机仿真对比了UPF和EKF的估计效果。仿真结果表明,UPF算法较传统的EKF算法对准时间更快,对准精度更高。     

基于中心差分卡尔曼滤波的SINS初始对准研究

研究了在大失准角条件下,捷联惯导系统初始对准非线性误差模型,分析了扩展卡尔曼滤波算法因对非线性模型线性化而存在的缺点,研究了中心差分卡尔曼滤波算法,提出将中心差分卡尔曼滤波算法应用于捷联惯导系统大失准角初始对准中.仿真结果表明,在水平失准角为小角度、方位失准角为大角度时,中心差分卡尔曼滤波算法同扩展卡尔曼滤波算法相比,提高了初始对准的估计精度和收敛速度.     

静基座捷联罗经初始对准方法

本文从分析平台罗经初始对准的原理出发，提出了静基座捷联罗经初始对准的原理并推导了便于软件编程的具体算法，通过对大方位误差角 SINS 非线性误差方程的简化，推导了粗略方位自对准的算法公式。     

基于UPF的半球谐振陀螺平台自对准技术研究

针对静基座条件下大方位失调角时,平台自对准回路存在严重非线性的问题,设计了一种基于无迹粒子滤波技术的半球谐振陀螺平台自对准方案,并进行了数值仿真和转台试验验证。结果表明,此方法可缩短对准时间,具有算法简单,实用性强,对准精度高等特点,为半球谐振陀螺在平台中的应用进行了探索。     

基于卡尔曼滤波和粒子滤波器级联模型的静基座惯导初始对准算法及仿真

传统静基座初始对准主要采用扩展卡尔曼滤波技术。扩展卡尔曼滤波器本质上要求系统近似线性。当近似线性要求得不到满足,会产生很大的偏差,大大降低对准精度,甚至会发散。粒子滤波是一种新出现的滤波技术,对模型不作线性限制,非常适于解决非线性问题,估计精度大大高于传统扩展卡尔曼滤波器。但是,要求维数不能太高,否则会产生计算灾难问题。惯导误差模型的维数较高,这使得粒子滤波技术无法实际应用于初始对准中。本文通过对静基座误差方程进行分析,提出了一种级联模型。将原有模型分解为级联的两个子模型,每个子模型的状态变量维数都很低,然后对两个子模型分别应用卡尔曼滤波器和粒子滤波器进行滤波处理。实验仿真结果表明,这种基于卡尔曼滤波器和粒子滤波器级联模型的算法降低了计算量,大大提高了初始对准的精度,具有重要的现实意义。     

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)。     

强跟踪五阶CKF算法在初始对准中的应用

针对载体行进间初始对精对准过程易受有色噪声影响,造成对准精度高的问题,提出一种基于高阶球面-径向积分的强跟踪滤波方法,该算法基于里程计辅助下惯性系行进间精对准误差模型,将状态变量的自相关函数进行正交化运算,保证噪声信号的白化,并运用五阶球面-径向准则对于滤波过程中参数的后验概率密度函数进行近似数值计算。仿真实验表明,在方位角为大失准角的条件下,该算法可以有效地保证较高的滤波精度,并且在噪声未知的情况下,滤波器保证很好的鲁棒性。     

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。     

模糊自适应滤波在捷联惯导初始对准中的应用

传统卡尔曼滤波应用于捷联惯导初始对准中由于模型参数、噪声的统计特性不确定,影响估计效果.而模糊自适应卡尔曼滤波能按照模糊推理原理逐步校正系统的观测噪声协方差阵,具体实现是通过观察残差的理论值是否接近于其实际值,系统调整观测噪声协方差的加权以达到修正观测噪声协方差阵的目的,进而提高系统的对准效率.在噪声统计特性未知时,比较了常规卡尔曼滤波与模糊自适应卡尔曼滤波在初始对准中的应用效果.仿真结果表明,这种算法能有效提高系统的滤波效果,是一种较理想的初始对准滤波方法.     

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%。     

MIMU／GPS组合导航模糊自适应卡尔曼滤波研究

针对组合导航初始对准中存在模型误差时常规卡尔曼滤波容易发散的问题,提出了一种模糊自适应卡尔曼滤波算法。该算法采用模糊控制规则,根据新息的方差和均值变化自适应调整量测噪声权值矩阵。此算法运用于MIMU/GPS组合导航初始对准中,获得了较高的导航精度。仿真结果表明,该算法能够有效防止滤波发散,减少模型误差对滤波结果的影响,提高了滤波精度,实现了参数的在线调整。     

小波中值滤波在晃动基座初始对准中的应用

针对捷联惯性导航系统(SINS)在晃动基座下进行初始对准时,陀螺和加速度计受外界干扰噪声较大,而单独采用低通滤波或小波滤波法不能有效实时地实现噪声抑制问题,采用小波阈值消噪和中值滤波相结合的混合滤波方法来实现信号的消噪。将输出信号首先经中值滤波消除信号中的突变噪声,再利用小波阈值消噪滤除振动噪声和白噪声,从而有效地消除基座晃动带来的噪声。测试实验表明,提出的混合滤波法对车载惯导系统输出信号噪声滤波效果明显,在发动机启动的情况下,可基本达到静态信号采集的效果。对准仿真实验表明,提出的滤波法能辅助捷联惯导系统实现在晃动基座下的精对准。     

测距成像一体化引信信息融合方法

为了提高防空导弹引信的起爆控制精度,即得到更为准确的起爆延迟时间,提出了一种基于粒子滤波的红外成像导引头以及激光测距仪测量数据的一体化信息融合方法。在对多模信息进行处理时,由于不同传感器的开机时间和采样频率的不同造成了两传感器的测量数据不在同一个时间基准上,所以,选择在典型弹目交会的环境下,针对激光测距仪的高频采样与红外导引头的低频采样,使用了一种基于线性插值法的量测数据的时间对准方法,从而将传感器测量所得数据应用到延迟时间模型的计算中去。在该模型的基础上,提出了一种基于粒子滤波的一体化传感器集中式数据滤波算法,并通过与传统扩展卡尔曼滤波算法的对比仿真实验得到:在该信息融合方法下,得到的探测角、方位角测量精度均有较大提高,起爆延迟时间的精度因此也得到了提高,从而验证了论文中所提数据融合方法的有效性。