改进新息自适应交互多模的GPS/SINS组合导航滤波算法

针对量测噪声统计特性未知会影响GPS/SINS组合导航滤波精度的问题,提出了一种改进新息自适应的交互多模滤波算法:在估计新息协方差矩阵时,将在不同长度估计窗下得到的估计值进行加权组合,优化了估计窗口的选取;然后估计系统的量测噪声阵,并以该估计值为中心对称地构建交互多模模型集,再进行交互多模滤波,该方法解决了传统交互多模算法在噪声统计特性未知情况下模型数量与计算速度之间的矛盾。仿真结果表明:相比于标准卡尔曼滤波和单一估计窗口新息自适应交互多模滤波,该方法具有更高的滤波精度和抗干扰性。     

基于EM算法的随机动态系统建模

提出一种在噪声统计信息未知的情况下,对随机动态系统模型进行建模的方法.采用状态空间模型描述随机动态系统,模型的参数通过EM算法进行估计,通过改进该算法中的Kalman滤波,实现了对噪声协方差矩阵的估计.基于改进的Kalman滤波,EM算法可以用于噪声统计信息未知的动态系统建模.     

扩展噪声环境下基于UKF的非线性系统输入输出估计

在扩展噪声环境下基于UKF算法研究了非线性系统的输入输出估计问题,考虑到输入观测中存在时变过程和附加噪声的情况,处理了受噪声污染后的非线性系统输入输出序列的最优估计问题.在扩展噪声环境下分别设计了EIV模型滤波算法和UKF算法:EIV模型滤波算法是对噪声观测输入输出的最优估计,而UKF算法考虑了输入观测中存在噪声输入的情况,对噪声污染下的输入输出进行最优估计.通过算法的误差协方差阵对UKF算法进行了期望性能分析.Monte Carlo仿真结果表明,UKF算法使得系统达到期望最小方差估计的有效性.     

基于扩展卡尔曼滤波的GPS定位数据处理方法研究

由于GPS信号容易受到遮挡、干扰等影响,有时会存在较大的系统噪声和量测噪声,这将引起GPS的定位精度受到较大影响。研究了一种利用扩展卡尔曼滤波对GPS定位数据进行处理的方法。对扩展卡尔曼滤波算法进行了深入分析,并结合GPS应用建立了系统的动态模型,对滤波算法的初值和系统噪声的进行了探讨。通过实测GPS数据对扩展卡尔曼滤波算法进行了验证,实测结果表明该算法对GPS应用系统的定位数据有较好的滤波效果,可以有效的提高GPS的定位精度。     

景象匹配辅助的GPS/SINS组合导航算法

为提高导航系统的精度和可靠性,在全球定位系统(GPS)、捷联惯导系统(SINS)和景象匹配传感器(SM)的观测信息是以不同采样率给出时,基于Kalman滤波技术,建立系统模型,利用分布式有反馈数据融合结构,提出一种有效的景象匹配辅助GPS/SINS 组合导航算法,即GPS/SINS/SM组合导航算法.理论分析和仿真结果均表明: 在导航定位和对状态的估计精度和可靠性方面, GPS/SINS/SM组合导航的结果均优于GPS/SINS或GPS/SM组合导航的结果,它们又优于单个系统Kalman滤波的结果.     

基于变分贝叶斯原理的SINS/GPS组合导航VB-CKF滤波算法

系统量测噪声统计量不准确能引起组合导航系统滤波精度下降甚至发散,在变分贝叶斯原理的基础上,以容积卡尔曼滤波(CKF)为基础滤波器,导出基于变分贝叶斯的自适应容积卡尔曼滤波(VB-CKF)算法,仿真结果表明：在SINS/GPS组合导航系统中,VB-CKF算法较CKF算法能有效减少系统量测噪声统计量变化对滤波精度的影响,是一种具有广泛应用前景的SINS/GPS组合导航滤波算法。     

自适应Kalman滤波的改进及其在SINS/GPS组合导航中的应用

为解决自适应Kalman滤波中存在的问题,综合采用对观测粗差和滤波结果粗差进行判断、对系统噪声方差阵扩零和修改自适应方程减去项等措施对算法进行了改进.观测粗差的判断可以避免观测奇异,提高滤波稳定性;对滤波结果粗差的判断可避免矩阵求逆时的奇异现象;对状态噪声方差阵扩零,可保证在不影响滤波精度的情况下解决滤波过程中矩阵维数不对应的问题;修改自适应方程减去项,虽然牺牲了一定的精度,但可保证求解状态噪声协方差阵Q和观测噪声协方差阵R的等式右边非负定,从而保证Q和R的非负定.将上述改进后的自适应Kalman滤波算法应用到SINS/GPS组合导航中,仿真结果表明上述改进有效地提高了自适应Kalman滤波的稳定性,且保证了滤波的精度.     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.      

混合退火粒子滤波在MIMOOFDM信道估计中的应用

MIMO-OFDM系统信道估计是接收机进行信号相干解调的关键。针对MIMO-OFDM系统面临的非高斯噪声信道环境,结合改进的混合退火建议分布,将混合退火粒子滤波改进算法用于对MIMO-OFDM系统进行信道估计。在建立系统状态空间模型和分析混合退火建议分布基础上,将模糊推理系统用于动态产生退火参数,得到混合退火粒子滤波改进算法;将其用于对MIMO-OFDM系统进行信道估计,并对信道估计误码率、归一化均方误差和算法复杂度进行了仿真分析。仿真结果表明,与扩展卡尔曼滤波、粒子滤波、混合退火粒子滤波算法相比,混合退火粒子滤波改进算法在非高斯噪声信道环境下能够有效降低系统误码率;同时,可用较少的采样粒子获得较好的系统性能。     

一类噪声相关多传感器系统的新型序贯式融合滤波

对于过程噪声与观测噪声一步互相关、各观测噪声一步自相关的多传感器融合滤波问题,提出了一种新的低维序贯式融合滤波算法.基于低阶迭代正交变换的思想提出了解相关的方法,将观测方程经过等价改写去除系统噪声的相关性,然后依据序贯滤波的思想,依次处理到达融合中心的观测信息,进而得到一类实时序贯式融合滤波算法.整个推导过程在线性最小均方误差意义下严格进行,能够实现系统状态的最优融合估计.最后的仿真验证了新算法在处理上述噪声相关问题上的最优性.     

有色噪声观测量的逐次静态滤波方法

根据广义最小二乘原理推导出有色噪声情况下的逐次静态滤波的关系式，即通过改化各观测方程，将有噪声观测值改化为白噪声的虚拟观测值，然后按白噪声逐次滤波公式进行滤波,贞时，推导出有色噪声观测量逐次滤波后精度评定的理论公式。有色噪声的逐次静态滤波理论有效地解决了GPS载波相位观测值经过测站间，卫星间，历元间的三次差分计算后，观测方程的相关性造成的协方差矩阵容量过大问题，利用这一理论，消除了各历元间隔观测方程的相关性，节省了数据处理时间和计算机内存。     

一种应用于GPS/低成本INS组合导航的自适应滤波算法

为了提高在全球卫星定位系统(GPS)接收机导航解更新间隔期间组合导航系统的定位精度,在分析了惯导系统(INS)误差模型的基础上,使用一种对噪声协方差矩阵进行实时自适应估计的算法改进了通常使用的标准Kalman滤波器。采集清华大学内的跑车实测数据,并使用自适应算法进行处理,结果表明:该方法可以有效地提高GPS导航解间隔期间组合导航系统的定位精度,整体定位精度可以提升近10%,在车辆行驶状态变化较大的路径中获得了最高达40%的位置精度提升。该方法易于实时实现,在实际工程实现中具有一定的应用前景。     

新型GPS动态定位自适应卡尔曼滤波方法

为了获取GPS卫星的信号及定位数据的真实值,减小信号传播中因各种因素混入的随机误差对定位精度的影响,通过应用运动载体"当前"统计模型,取速度和位置为观测量建立GPS动态定位模型,将观测量维数增大1倍,从而增加了系统的可观测性和定位测算精度.此外,针对传统标准卡尔曼滤波法在动态滤波方面的不足进行了分析,提出了改进型Sage自适应卡尔曼滤波法.该方法在递推和滤波过程中不断地修正模型参数,始终保持噪声模型接近于真实模型,从而避免了标准卡尔曼滤波法中因建模不准确可能导致的滤波发散等问题,较好地解决了GPS动态定位中状态变量维数与滤波快速性之间的矛盾,以及状态噪声和观测噪声建模不准确和时变的问题.     

UKF在车辆组合定位技术中的应用

用一种新型的无迹卡尔曼滤波算法(UKF)代替传统的扩展卡尔曼滤波算法(EKF),对GPS/DR组合定位系统进行信息融合滤波。通过计算机仿真和分析后,结果表明无迹卡尔曼滤波算法UKF的滤波定位精度明显高于扩展卡尔曼滤波器EKF,而且UKF对由于系统非线性所引起的滤波误差有很好的抑制作用,因此UKF算法对于要求高精度、低成本和高可靠性的GPS/DR组合定位系统来说是一种值得推广的滤波算法,具有一定的应用价值。     

改进的基于奇异值分解的抗差容积卡尔曼滤波算法在全球定位导航中的应用

非线性动态系统存在非线性和噪声不确定的问题,容积卡尔曼滤波对解算该类系统有较好的精度,为了提升导航系统对异常观测值的稳定性,对采样数据进行均值滤波处理,降低干扰较大的采样数据对于滤波结果的影响.用奇异值分解代替Cholesky分解,改善滤波稳定性,避免先验协方差非正定而降低滤波性能.最后通过引入抗差因子调节观测协方差矩阵,再次减少观测异常值对于滤波结果的影响.采用仿真实验进行分析,改进的抗差容积卡尔曼滤波算法对于减弱异常观测值影响有良好的效果.     

基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法

基于GPS/SINS组合导航系统的模型不准确或者量测噪声多变所产生的滤波发散问题,研究了自适应渐消卡尔曼滤波对于滤波发散的抑制作用,文章提出一种利用新息协方差估计值和量测值实时自适应计算渐消因子的方法,用它调节卡尔曼滤波方程中预测误差协方差阵和增益矩阵,调整历史新息和当前新息的权重达到抑制滤波发散的目的。该算法能有效减少严格收敛判据推导渐消因子的计算量和限制条件,有效利用了当前新息值。仿真验证表明,提出的算法能有效抑制滤波发散,并且比常规卡尔曼滤波效果更佳。     

无人机组合导航系统的自适应算法研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。     

改进的Sage-Husa滤波在精确空投组合导航系统中的应用

精确空投导航系统要求在满足导航精度的前提条件下,尽可能的降低成本。而低成本的组合导航系统在空投过程中受外部空投环境的影响较大,给噪声统计特性的准确描述带来困难。这将导致常规卡尔曼滤波器滤波不稳定甚至发散。为了解决此问题,在对常用的Sage-Husa滤波算法进行了总结和分析的基础上,研究了一种将协方差匹配技术和简化的Sage-Husa滤波技术相结合的自适应滤波算法。最后将该滤波方法应用到精确空投组合导航系统中进行了仿真分析。仿真结果表明此算法能够满足精确空投导航任务的要求,并且具有很好的导航精度和可靠性。     

鲁棒容错滤波算法及在MEMS_SINS/GPS中的应用

针对MEMS_SINS/GPS组合导航系统中,GPS量测输出信息中常含有故障信号的问题,提出一种鲁棒容错滤波算法.将GPS量测输出中可能含有的故障信号扩充为系统的状态,通过鲁棒滤波算法在线实时估计出来,并对系统进行补偿,达到容错的目的.用MEMS_SINS/GPS组合导航系统中得到的实验数据对该算法进行离线仿真验证.结果表明,该算法能有效降低GPS中故障信号的不利影响,使系统在此期间仍能工作在正常范围内.