联合高斯回归的平方根UKF方法

针对传统的滤波方法容易受系统动态模型不确定性和噪声协方差不准确的限制这一问题,提出一种将高斯过程回归融入平方根不敏卡尔曼滤波（unscented Kalam filter,UKF）算法中的滤波算法。该算法用高斯过程对训练数据进行学习,得到动态系统的回归模型及系统噪声的协方差;采用标准的平方根UKF算法,状态方程和观测方程,相应的噪声协方差由高斯过程实时自适应调整。将应用于飞行器SINS/GPS组合导航,结果表明,该方法能够自适应系统噪声,收敛速度快,导航精度高。     

基于自适应多重渐消因子卡尔曼滤波的

针对传统卡尔曼滤波器在模型失配和噪声时变情况下滤波精度下降甚至发散的问题,设计了一种新的多重渐消因子卡尔曼滤波算法。该算法通过一个基于渐消记忆指数加权的新息协方差估计器来计算新息协方差估计值,并依此引入多重渐消因子对预测误差协方差阵进行调整,使得各滤波通道具有不同的调节能力,克服了单渐消因子对多变量跟踪能力差的局限性,从而提高滤波算法的精度和鲁棒性。仿真和试验结果表明,新算法能有效抑制滤波器发散,其滤波精度和鲁棒性优于常规卡尔曼滤波与单渐消因子卡尔曼滤波,能够更好地满足工程应用的要求。     

最优冗余线阵欠定信号双重构DOA估计方法

针对最小冗余线阵难以用于阵列设计的问题, 设计了一种性能相近的最优冗余线阵, 为实现相应阵列的欠定信号到达角(direction of arrival, DOA)估计, 又提出了一种基于两次重构的快速协方差向量稀疏表示方法。该方法利用凸优化中最优解条件, 实现了Toeplitz协方差矩阵的快速高精度重构, 进而基于构造的协方差向量稀疏表示模型, 实现了欠定信号DOA估计。仿真结果证明, 最优冗余线阵相较于其他稀疏线阵, 耦合影响更低, 测向精度更高, 所提算法较同类算法DOA估计精度更高。     

空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

被动定位跟踪中的非线性滤波技术

针对被动定位跟踪中状态空间模型非线性程度较高所引发的滤波精度偏低的问题,分析和总结了已有的包括推广卡尔曼滤波(EKF)、修正增益的推广卡曼滤波(MGEKF)、二阶滤波、自适应推广卡尔曼滤波(AEKF)等各种次优递推滤波算法的特点。在此基础上重点论述了一种基于贝叶斯原理的序贯蒙特卡罗粒子滤波技术,该方法通过粒子的加权和表征后验概率密度,获得状态估值,在处理非线性非高斯系统的状态估计问题时精度逼近最优,鲁棒性更好。     

改进的DGPS/INS/视觉组合导航算法研究

为了满足智能车辆的高精度、实时性和高可靠性的自主导航的需要,提出了一种GPS/机器视觉共同辅助SINS的多采样的智能车辆组合导航算法。该算法不仅包括GPS和SINS形成的位姿速度观测信息,还包括机器视觉形成的位置观测信息。在子滤波器中采用自适应选权滤波算法,抑制了滤波发散,提高了滤波精度。还提出了一种改进的基于估计协方差阵的奇异值分解的动态自适应调节信息分配系数的算法,可有效提高系统的状态估计精度。通过仿真实验验证,该导航系统能为智能车辆提供丰富的导航信息,实现了厘米级的导航精度和容错性,即使在GPS出现较长时间的中断时,仍能为智能车辆提供可靠的导航信息。     

一种稳健的自适应传递对准算法

传递对准算法的性能受量测噪声影响较大但其统计特性通常难以精确给定。为实现对传递对准中量测噪声的稳健自适应调整,提出了一种改进的自适应传递对准算法。在传统的Sage-Husa自适应卡尔曼滤波算法基础上,通过减少自适应调整的参数个数、采用渐进无偏估计代替无偏估计、分段调整加权系数三重处理,有效地提高了算法的稳健性,同时算法的计算量也有所降低。结合一种经典的速度加姿态匹配传递对准模型,对改进的自适应算法进行了仿真测试。仿真结果表明,当量测噪声协方差阵取值与真实噪声水平偏离时,该改进算法能够对量测噪声的统计特性进行有效的自适应调整,从而使传递对准在精度和稳健性两个方面的综合性能得以改善。     

基于修正卡尔曼滤波的目标跟踪

分析了卡尔曼滤波算法在目标状态发生突变和运动模型建立不准确时估计精度降低,甚至发散的原因,对比自适应渐消卡尔曼滤波算法,提出了一种通过直接修正预测值来提高卡尔曼滤波算法精度、改善算法性能的修正算法。修正的算法通过设置判定准则和修正准则,实时修正预测值,在滤波初始阶段可迅速降低估计误差、提高稳态时的滤波精度、缩短收敛时间;当目标发生状态突变时,可消除或降低由于目标状态突变造成的滤波跟踪精度下降、滤波发散的问题;当目标运动建模不准确时,可消除或降低由于建模不准确带来的模型误差。仿真实例说明了算法的有效性和较强的实际应用指导意义。     

基于高斯过程回归的平方根UPF算法

针对系统动力学模型不准确可能导致滤波精度下降,以及系统状态协方差阵可能出现的负定性问题,提出一种新的高斯过程回归平方根分解无迹粒子滤波(Gaussian process regression square-root decomposition unscented particle filter,GPSR-UPF)算法。在该算法中,采用高斯过程回归求取UPF的重要性密度函数。当系统模型不准确时,通过高斯过程回归学习训练数据,进而获取系统的回归模型及系统噪声协方差,同时引入平方根变换抑制系统状态协方差阵的负定性。将提出的GPSR- UPF算法应用到捷联惯导/全球定位系统(strapdown inertial navigation system / global positioning system, SINS/GPS)组合导航系统中进行仿真验证。结果表明,所提出滤波算法的性能优于基本的无迹粒子滤波算法,能提高组合导航系统的解算精度。     

基于多次卡尔曼滤波的目标自适应跟踪算法与仿真分析

标准的卡尔曼滤波算法由于使用了固定单一的状态噪声模型,因此当目标运动状态经常发生剧烈变化时,跟踪效果不是很理想。为了提高对目标的跟踪精度和跟踪收敛速度,提出了一种新的算法,通过多次步长不同的卡尔曼滤波算法来判断机动目标的运动状态,进而使得系统状态噪声协方差能够随着目标机动情况自适应调整。最后的蒙特卡罗仿真实验验证了此算法的有效性。     

基于PSO的USQUE在组合导航姿态估计中的应用

针对组合导航姿态估计中无味四元数估计(unscented quaternion estimation, USQUE)的噪声协方差矩阵参数无法准确给出等问题,提出基于粒子群优化的USQUE(USQUE based on particle swarm optimization, PSO-USQUE)算法。通过粒子群算法对噪声协方差矩阵Q和R进行寻优,获取优化的噪声协方差矩阵等滤波先验条件;分别进行仿真实验和微机电惯导系统/GPS车载实验。实验结果表明,对于USQUE的姿态估计问题, PSO-USQUE算法相比常规算法具有更高的精度,验证了所提算法的有效性。     

分量载频差极小时频信号的超分辨率分析方法

针对多个调制形式完全相同且分量间载频差极小的时频信号,提出了一种超分辨率分析信号的模型和方法。首先,以各分量的幅度和相位为状态变量,信号的时域观测和基于相同调制形式而构建的瞬时频率斜率为测量方程,为分量间载频差极小的时频信号构建多观测的状态空间模型。然后,为了估计模型需要的分量数目,利用匹配解调变换将原信号解调为近似平稳的窄带信号,再使用稀疏迭代自适应协方差估计该窄带信号在时间窗内的协方差,基于这一估计协方差并利用判别函数法估计该窗内的分量数目。最后,以多个滑动时间窗内估计结果的众数作为信号分量数目,就可基于提出的模型以及数据融合滤波算法对时频信号进行超分辨率分析。仿真结果表明,所提方法的性能优于其他方法。     

分量载频差极小时频信号的超分辨率分析方法

针对多个调制形式完全相同且分量间载频差极小的时频信号,提出了一种超分辨率分析信号的模型和方法。首先,以各分量的幅度和相位为状态变量,信号的时域观测和基于相同调制形式而构建的瞬时频率斜率为测量方程,为分量间载频差极小的时频信号构建多观测的状态空间模型。然后,为了估计模型需要的分量数目,利用匹配解调变换将原信号解调为近似平稳的窄带信号,再使用稀疏迭代自适应协方差估计该窄带信号在时间窗内的协方差,基于这一估计协方差并利用判别函数法估计该窗内的分量数目。最后,以多个滑动时间窗内估计结果的众数作为信号分量数目,就可基于提出的模型以及数据融合滤波算法对时频信号进行超分辨率分析。仿真结果表明,所提方法的性能优于其他方法。     

基于近似思想的增广PF研究

由于传统的增广卡尔曼滤波方法难以有效解决带有未知参数估计的强非线性、非高斯动力学问题。针对这一问题,在对粒子滤波算法研究的基础上提出了基于近似思想的增广粒子滤波方法。这一方法利用高斯随机游走模型对未知参数进行增广建模,再通过粒子滤波方法进行状态估计。为了提高观测新息的利用率,提出了一种新的重要性函数;针对高斯随机游走模型方差不断增大的问题,采用了修改后的Kernel平滑模型进行解决;对粒子重采样方法进行了修改,采用了混合重采样的策略,增强了粒子活性。通过算例进行仿真,验证了算法的有效性。     

一种新的倒GPS基站间的时钟同步方法

时钟同步技术是基于倒GPS(IGPS)基站网络来进行目标定位的重要研究内容。提出了一种与IGPS基站时钟结合的自适应离散卡尔曼滤波方法,该方法利用测量新息和状态修正序列在估计窗内分段静止的特性,克服了传统卡尔曼滤波过程过分依赖于数学模型和统计模型正确性的问题。通过这种方法可以在线实时修正和转换IGPS基站间的时钟相位偏差和时钟偏移,找出最佳时钟适应曲线,并估计过程噪声和测量噪声的协方差矩阵。仿真结果表明,该方法能够提高IGPS基站间的时钟同步精度,使同步精度达到微秒量级。     

数据丢包的参数不确定下无人机滚动时域估计

针对网络中通信链路中断及系统参数不确定现象,研究了数据包丢失的参数不确定无人机系统状态估计问题,基于滚动时域估计理论和随机最小二乘理论,提出了一种分布式滚动时域估计算法。对于数据包丢失和参数不确定问题,采用已知概率的马尔可夫序列和系统矩阵扰动噪声进行建模。仿真结果表明,该算法的估计效果优于一种新的卡尔曼滤波算法。最后,研究分析了系统压缩量、数据包接收概率和时窗长度对所提算法估计性能的影响。在系统不确定性和丢包概率未知的情况下,适当增加时窗长度可以提高算法估计性能。     

改进的强跟踪平方根UKF在卫星导航中应用

针对应用于受不确定性干扰和噪声影响的卫星自主导航系统中的无迹卡尔曼滤波（unscented Kalman filter,UKF）存在估计精度低、跟踪性能差和鲁棒性弱等缺陷,提出一种改进的强跟踪平方根UKF(strong tracking square-root UKF, STSRUKF)导航方法。该方法中利用星敏感器和光学导航相机设计出导航方案,并通过转换方程将间接量测量转换为观测量。针对平方根UKF（square-root UKF, SRUKF）在高阶系统中因为sigma点的零权值系数是负的或者数值计算误差太大时而可能造成滤波器发散问题,采用一种改良的平方根分解方法,改善了滤波器的稳定性。同时,基于强跟踪滤波器理论（strong tracking filters, STF）,引入多重自适应衰减因子调节协方差矩阵,使得滤波器具有强跟踪能力和克服系统模型不确定的鲁棒性,改善了滤波器的估计精度。将该方法应用于卫星自主导航系统中,实验仿真结果表明,相对于平方根UKF和STF,该方法不仅保证了系统的可靠性,还提高系统的导航精度和改善系统的鲁棒性及跟踪能力。     

基于CV模型的X射线脉冲星位置误差估计

受观测设备限制以及脉冲星自行的影响,X射线脉冲星的星表位置存在一定误差,基于现有测量手段很难大幅度提高星表精度。建立了基于地球卫星测量脉冲星位置误差的模型,在考虑脉冲星位置误差自行影响基础上,采用CV模型,提出了一种新的脉冲星位置误差测量方法。仿真结果表明,该方法能够高精度的估计出X射线脉冲星的星表位置误差,可以满足高精度脉冲星导航的需求,研究结果对建立精确的X射线脉冲星星表具有一定理论参考价值。

Abstract：

Because of the restriction of observation equipments and the effect of proper motion, there are some errors of the X-ray pulsar ephemeris which are difficult to be improved by current measure means. The model of X-ray pulsar position error estimation with satellite was set up, with consideration of the effect of pulsar proper motion, a new estimation algorithm of the X-ray pulsar position error based on CV model was put forward. Simulation results show that： the pulsar position error can be estimated accurately in this new algorithm and estimation precision can meet the need of pulsars navigation, and the new algorithm is referable to improve the precision of pulsar ephemeris.     

基于前后向协方差矩阵投影的信源数估计算法

针对均匀线阵的信源数估计问题,提出了一种基于前向-后向采样协方差矩阵正交投影的多目标信源数快速估计算法。该算法将经过酉变换后的前向-后向采样协方差矩阵的列矢量做Gram-Schmidt (GS)正交化,并将正交化后矢量的模值与一个自适应判决门限做比较来估计信源个数。该判决门限根据阵列采样协方差矩阵估计误差的渐近分布特性推导得到。计算机仿真证明了该算法的正确性和有效性。     

基于辅助匹配的1点RANSAC单目视觉导航算法

针对1点随机抽样一致性(random sample consensus,RANSAC)单目视觉导航算法中的主动视觉匹配失效问题,提出了一种基于辅助匹配的1点RANSAC单目视觉导航算法。首先,该算法通过引入尺度不变特征变换(scale invariant feature transform,SIFT)算法完成特征匹配;其次,采用RANSAC算法解算基础矩阵和匹配点;最后,通过实验验证了算法的有效性。实验结果表明,该算法能够解决主动视觉匹配失效问题,提高1点RANSAC单目视觉导航算法的导航精度。SIFT辅助求解的有效匹配点精度在5个像素之内,航向角平均误差减小5.04°,俯仰角平均误差减小1.21°,滚动角平均误差减小3.03°。