一种改进的自适应平方根传递对准滤波算法

提出了一种解决时变噪声条件下传递对准的改进自适应平方根滤波算法。该算法将状态方差调节因子阵、自适应调节的系统噪声和量测噪声方差以及噪声有限记忆尺度融入平方根滤波结构中,采用序列算法滤波解算。算法通过一步控制和多步自适应调节过程,以较少的计算量从数值计算、噪声抑制及自适应调节方面提高滤波性能。仿真结果表明,该算法滤波稳定性强,能够根据实际噪声快速调整,且滤波精度高,为机载导弹提供了一种有效的快速精确传递对准方法。     

衰减记忆自适应滤波在惯导系统传递对准中的应用

针对滤波稳定性问题,提出了一种改进的衰减记忆自适应滤波算法。通过引入衰减记忆滤波矩阵,根据残差序列输出的互不相关性,在线自适应地调整衰减因子,从而使衰减记忆滤波工作在最佳状态。将该算法应用于惯导系统的传递对准过程,仿真结果表明在模型和噪声统计特性的先验信息不准确时,该算法优于传统的卡尔曼滤波。     

一种带未知时变系统噪声水平的目标跟踪滤波器

在机动目标跟踪中，为了保证Kalman滤波器的数值稳定性和最优性，未知的时变系统噪声水平需要在线估计，但已有方法主要针对平稳或统计特性缓变的噪声过程。在Sage-Husa系统噪声水平自适应估计算法的基础上，通过引入基于新息的滤波器发散检测判据和利用强跟踪滤波器的思想，提出了一种系统噪声水平估计值的时变调节因子阵来抑制因系统噪声水平突变而引起的滤波器可能出现的发散问题。Monte-Carlo仿真结果表明，该算法不仅数值稳定性好，同时目标的跟踪精度也得到明显改善。     

捷联惯导系统初始对准的SVM自适应Kalman滤波算法

作为捷联惯导系统初始对准关键技术的Kalman滤波要求事先精确已知系统及量测噪声的统计特性,当在滤波过程中这些特性改变时,滤波器性能将会降低甚至发散,针对这一问题采用了一种支持向量机(SVM)自适应Kalman滤波(SVMAKF)算法,根据协方差匹配技术应用支持向量机来动态调谐量测噪声方差阵R,当量测噪声随时间改变时,SVMAKF可以实时的估计出准确的噪声方差阵,这就降低了系统对量测噪声先验统计特性的依赖性,能够改善kalman滤波器的状态估计效果.基于SVMAKF的捷联惯导系统初始对准计算机仿真结果表明在滤波精度和滤波器鲁棒性上,SVMAKF都有比传统Kalman滤波器好的表现.     

用于组合测姿的Kalman渐消因子自适应估计算法

提出了适用于姿态测量的Kalman滤波渐消因子自适应估计算法,滤波中采用序贯处理的方法计算出每个量测量对应的渐消因子,在位置速度组合导航系统中,只有位置、速度的误差状态是直接可观测的,用序贯滤波处理计算得到的渐消因子对协方差阵中对应于位置和速度误差状态的对角元素进行自适应控制,抑制滤波发散,提高位置、速度和姿态的测量精度。半实物仿真表明,与原来的算法相比,修改后的方法不仅能够提供高精度位置、速度信息,而且还可以提供高精度姿态信息,其中航向误差在0.08°以下,俯仰和横滚误差在0.02°左右。     

一种强跟踪自适应状态估计器及其仿真研究

分析了强跟踪滤波器中新息方差近似计算方法的不足,提出了一种基于衰减记忆思想来近似计算新息方差的改进强跟踪滤波器。然后,对于过程噪声水平未知的目标状态估计问题,在Sage-Husa过程噪声水平自适应估计算法的基础上,一旦通过基于新息的滤波器发散判据检测到可能出现的发散现象,提出用改进的强跟踪滤波器进行抑制,极大地提高了滤波算法的鲁棒性。对三种典型的目标机动形式进行的Monte-Carlo仿真结果进一步验证了新提出算法的有效性。     

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。     

改进的Sage-Husa自适应滤波及其应用

为防止滤波发散和提高系统的实时性,提出了一种基于协方差匹配技术的自适应滤波方法。该方法将协方差匹配技术和一种简化的Sage-Husa自适应滤波算法相结合,通过滤波的状态确定量测噪声协方差阵的值,在线估计噪声的统计特性实现自适应滤波。将该算法应用到惯导/双星（INS/DS）组合导航系统中,并和简化的Sage-Husa自适应滤波算法进行仿真比较。仿真结果表明,在滤波精度相当的情况下,新算法简化了运算,提高了实时性。     

有色观测噪声条件下的分布式Kalman最优融合

传统分布式Kalman融合算法通常假定观测噪声是白噪声,在有色观测噪声条件下将导致系统性能的降低,而白化有色观测噪声会加剧传感器估计误差的相关性,对这种相关性的处理是分布式Kalman融合的难点.提出了一种基于有色观测噪声多传感器系统的分布式Kalmn最优融合算法,将系统状态分解为不相关的两部分,进行非扩维Kalman滤波以及分布式状态融合,证明了分布式状态融合等价于集中式Kalman最优融合,并进一步分析了具有反馈和非反馈两种结构的多传感器系统,给出了反馈结构下修正的分布式Kalman最优融合算法.同时分析了有色观测噪声对Kalman滤波器的影响.理论分析与蒙特卡罗仿真表明:所提算法具有全局最优性并且便于工程实时计算.     

径向速度测量推广Kalman滤波的改进

研究了一种把径向速度测量引入推广Kalman滤波 (EKF)的新方法。在对测量方程进行分解和对测量噪声的统计特性进行分析的基础上提出了一种序贯处理结构的推广Kalman滤波算法 ,这种算法相当于对非线性的径向速度函数围绕状态矢量的滤波值而不是预测值线性化 ,因而可以大大减小线性化处理带来的误差。两个不同的MonteCarlo仿真结果说明该算法的估计性能优于传统的推广Kalman滤波。     

基于新息协方差的自适应渐消卡尔曼滤波器

自适应渐消卡尔曼滤波采用渐消因子抑制滤波器的记忆长度,当系统模型和噪声模型建立不准确时,能够有效地抑制滤波器的发散。但是现有计算渐消因子的方法公式表达复杂,计算过程繁琐,不利于组合导航等一些实时的应用。针对这种情况,提出了一种利用新息协方差计算渐消因子的方法,通过渐消因子自适应地调整误差协方差,补偿不完整信息的影响。该方法计算量小,提高了滤波算法的可靠性。最后,仿真结果证明了该方法的有效性。     

模糊自适应强跟踪卡尔曼滤波器研究

针对卡尔曼滤波器对系统模型依赖性强、鲁棒性差和跟踪机动目标能力有限的问题,提出了一种具备模糊自适应特点的模糊强跟踪卡尔曼滤波器(fuzzystrongtrackingKalmanfilter,FSTKF)。这种方法主要利用模糊逻辑自适应控制器监测残差均值与标准差,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中多重次优渐消因子进行自适应调整,进一步提高滤波器的估计性能。仿真结果表明,该改进滤波器跟踪机动目标的精度高于常规卡尔曼滤波器和强跟踪卡尔曼滤波器。     

基于多重渐消因子的自适应卡尔曼滤波器

现有计算渐消因子的自适应卡尔曼滤波器得到的通常是标量渐消因子,从而导致各滤波通道具有相同的调节能力,不利于提高滤波精度。针对〖JP3〗该问题,提出了一种利用估计均方误差和新息协方差估计值来计算多重渐消因子的方法,通过一组并行工作的基于限定记忆指数加权的新息协方差估值器来计算渐消因子,并根据估计均方误差把渐消因子分配给各滤波通道,从而提高自适应卡尔曼滤波器整体性能,仿真结果证明了所提方法的有效性。     

基于UD分解的改进型强跟踪滤波器

带多重次优渐消因子的强跟踪滤波器在计算舍入误差的影响下,估计状态的均方误差矩阵会失去非负定性,从而导致滤波发散的现象.在UD分解算法的基础上,提出了一种改进型带多重次优渐消因子的强跟踪滤波器.通过对引入渐消矩阵的一步预测均方误差矩阵进行UD分解,并将分解矩阵应用于滤波器量测信息的更新过程中,增强了算法的数值稳定性.此外,根据UD分解的结果给出了渐消矩阵的最小二乘解算方法,在提高渐消因子计算效率的同时摆脱了对先验知识的依赖性.仿真结果表明了算法的有效性.     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。