基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

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.     

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。     

基于自适应SSUKF的组合导航信息融合方法

针对车载组合导航系统噪声统计特性无法事先实时获取的问题,提出了一种神经网络辅助的自适应SSUKF信息融合算法.该算法利用神经网络在线估计系统噪声,采用SSUKF同时估计系统状态和在线训练神经网络的权值,从而能在系统噪声统计特性未知的情况下获得组合导航系统的实时最优估计,给出了算法的详细实现过程.最后,针对车载INS/GPS组合导航系统的信息融合问题进行了仿真研究.仿真结果表明,该算法在系统噪声统计特性未知的情况下仍能获得高精度的估计效果,同时与自适应UKF算法相比,有效降低了算法的计算量,提高了算法运行的实时性,证明了该算法是一种有效而实用的方法.     

基于LMI的多传感器H∞融合滤波器设计

在实际多传感器数据融合系统中,往往过程噪声及测量噪声统计特性未知,但能量有限.此时一些在已知精确系统模型与噪声统计特性情况下保持优良融合性能的方法,不仅无法保持良好性能,甚至会出现崩溃情况.H∞融合滤波方法可以有效地解决此类多传感器融合系统的滤波问题,但存在求解困难问题.基于LMI给出并证明了H∞融合滤波器的解,给出了数值仿真实例.结果表明提出的方法可以解决过程噪声及测量噪声统计特性未知,但能量有限情况下的多传感器数据融合问题.     

深海采矿移动机器人的定位方法研究

深海作业技术的研究具有重要的战略意义,采矿移动机器人是深海采矿的载体,它的位置估计精度直接影响到控制质量和采矿效率。提出了一种基于伪长基线和航位推算的组合定位方法,建立了位置估计的卡尔曼滤波器结构。针对深海底的复杂未知环境,很难获得系统状态和测量噪声准确统计信息的情况,应用自适应卡尔曼滤波算法进行数据融合,在线修正滤波器的增益。仿真验证了该方法的可行性。     

一类基于神经网络非线性随机系统自适应滤波

给出非线性MIMO随机系统可观性定义和条件，将非线性SISO确定性系统局部可观性理论拓展到非线性MIMO随机系统，基于这一理论在系统模型和噪声统计未知情况下，提出一类基于神经网络的非线性离散随机系统自适应滤波器的设计方法，考虑过程方程的动态特性和输出方程的静态特性，设计了动态神经网络作为系统的滤波器，前馈神经网络作为系统的输出预报器，充分利用已知观测信息训练两个神经网络，从而提高了状态估计的精度，该方法克服了扩展Kalman滤波要求模型和统计特性精确已知的不足，仿真例子验证了所提出的估计方法的有效性。     

一种基于高阶累积量的自适应时延估计新方法

讨论了存在于相关高斯或对称分布噪声中的非高斯信号的时延估计问题。可通过采用基于高阶统计量的自适应方法估计出滤波器的权系数 ,根据权系数的最大值求得时延估计。为了能得到非整数采样间隔的时延 ,常用SINC函数对滤波器权系数进行插值。但为了得到精确的时延估计 ,该法需要足够长的滤波器权系数。提出了一种可在相关高斯噪声中 ,只要较少的滤波器权长就能对非高斯信号的时延进行估计的新方法 ,称为最小权值误差平方和法。它对整数或非整数采样间隔时延均能进行估计。理论分析和仿真均证明了该方法的正确性和有效性     

基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。     

基于极大似然准则与滚动时域估计的自适应UKF算法

针对无迹卡尔曼滤波(unscented Kalman filter, UKF)在系统噪声统计特性未知或不准确的情况下滤波精度降低甚至发散的问题,提出一种基于极大似然准则与滚动时域估计的自适应UKF算法。首先根据极大似然准则构造关于系统噪声统计的估计模型;然后引入滚动时域策略对所提模型进行优化;最后采用序列二次规划方法求取噪声统计的估计值,得到带有噪声统计估计器的自适应UKF。提出的算法可以实现系统噪声统计的在线估计,克服了标准UKF的缺陷。通过惯性导航/全球定位系统(inertial navigation system/global positioning system, INS/GPS)组合导航系统中的应用实例,验证了提出算法的有效性。     

Multisensor fusion for an experimental airship based on strong tracking filter

1.INTRODUCTION Theinterestinairshipfilledbygasisbooming.It willnotonlyserveasacommunicationrelaystation,butalsobeusedinsurveillance,explorationandmon itoring.Accuratedataacquisitionofposition,velocity andattitudeviaitsmeasurementsystemisindispens abletocontrolitsflyingorkeepingfix point.The measurementsystemshouldbesmallandlight.Ital soshouldhavecertaindynamicsmeasurementability.Usually,DGPSreceiveranddigitalmagnetic compassprovidebasicpositioningandattitudeinfor mationstandalone.DGPS…     

IAE-adaptive Kalman filter for INS/GPS integrated navigation system

1 .INTRODUCTIONInertial navigation system(INS) and Global posi-tioning system ( GPS) are two major navigationsystems now widely usedfor marine applications a-round the world. Considering both systems pos-sess complementary working characteristics , abooming attention is focused on finding effectivemethods to combine the two different systems toconstituteintegrated navigation system with higheraccuracy and better performance .Information likeGPS position and velocity are often chosen as…     

基于冗余量测的GNSS多路径误差抑制算法

针对惯性/卫星组合导航系统中,全球卫星导航系统(global navigation satellite system,GNSS)量测受多径效应影响的问题,提出了一种基于冗余量测的GNSS多径误差抑制方案。该方案包含了一个基于量测新息的GNSS多径误差卡方检验器和一个自适应Kalman滤波器。首先,通过卡方检验来判断量测新息零均值的特性丧失与否以检测GNSS量测中的多径误差。当检测到量测中存在多径误差时,自适应滤波器根据惯性导航系统的冗余量测估计出当前GNSS测量噪声协方差阵,以合理调节量测权重,增强滤波性能。最后,通过仿真与实际跑车试验,验证了该方案能够有效抑制GNSS多径误差,提高了导航精度。     

基于最大熵方法的鲁棒自适应滤波及其应用

针对过程噪声和量测噪声受到脉冲噪声影响而呈现非高斯分布,且噪声统计特性不精确从而导致估计精度下降的问题,提出一种基于最大熵方法的变分贝叶斯自适应卡尔曼滤波(maximum correntropy variational Bayes adaptive Kalman filter, MCVBAKF)算法,并将其应用于捷联惯导系统(strapdown inertial navigation system, SINS)/全球卫星定位系统(global positioning system, GPS)组合导航系统。首先,使用最大熵鲁棒滤波方法对由脉冲噪声产生的野值问题进行处理;然后,通过改进的变分贝叶斯自适应方法进行后验更新,估计噪声,收敛所估参数的估计值;最后,进行了仿真对比。结果表明, MCVBAKF在复杂环境下可以有效提升滤波精度和稳定性。     

基于ZIHR航向角修正方法的行人导航算法

在行人导航系统中,零速修正(zero velocity update, ZUPT)方法能够准确计算出速度误差和水平姿态角误差,但是航向角误差却因其不可观难以估计而极易发散。为了解决航向角误差极易发散的问题,提出了零积分航向角速率(zero integrated heading rate, ZIHR)修正方法。推导发现在零速状态下相邻航向角差值和陀螺的漂移及航向角误差存在一定的关系,将此差值作为量测值,在ZUPT的基础上扩展一维量测,将卡尔曼滤波得到的估计值进行反馈校正。通过多组微机电系统(micro-electro mechanical system, MEMS)实物实验验证:提出的ZIHR修正方法能够很好地解决MEMS 惯性器件漂移导致的误差累积问题,多组实验的定位误差均小于总行程的2%。     

FLAKF在无陀螺惯性测量组合中的应用

在无陀螺惯性测量组合（non gyro inertial measurement unit, NGIMU）导航计算中,由于加速度计输出动态噪声的存在,造成误差随时间迅速累积。采用传统卡尔曼滤波方法进行NGIMU/GPS组合导航系统设计时,又由于观测噪声的复杂性,造成滤波结果不明显。针对上述噪声统计特性不易确定的问题,基于NGIMU九加速度计配置方案,提出利用模糊逻辑自适应卡尔曼滤波(fuzzy logic adaptive Kalman filter, FLAKF)方法进行NGIMU/GPS组合导航系统设计。该FLAKF方法通过对噪声方差进行修正,将卡尔曼滤波器调整到最优状态。同时进行了系统位移、速度、角速度仿真,仿真结果验证了FLAKF方法的可行性。     

基于理想弹道鲁棒容积卡尔曼滤波视线角估计

针对惯性元件在低成本全捷联制导弹药中应用难度大的问题,设计了一种利用理想弹道弹体运动参数代替惯性元件测量值的弹目视线角滤波估计方法。根据坐标系转换关系及弹目视线几何关系,将理想弹道参数作为系统不确定性参数,建立非线性滤波系统;针对具有参数不确定性的非线性系统滤波问题,提出了一种基于理想弹道的鲁棒容积卡尔曼滤波(ideal trajectory robust cubature Kalman filter,ITRCKF)算法,将具有不确定性系统的滤波问题转化为带参数κ的误差协方差上界最小化问题;最终利用导引头探测器测量得到弹体视线角,结合ITRCKF对非线性系统状态进行估计。实验结果表明:在小扰动条件下,ITRCKF偏角估计最大误差值较容积卡尔曼滤波(cubature Kalman filter,CKF)下降了85.57%,误差均方根(root mean square error, RMSE)下降了81.93%;在大扰动条件下,ITRCKF倾角估计值最大误差较CKF下降了31.64%,误差均方根下降了46.39%。所提方法对弹目视线角的估计值满足精度要求,并且相对于CKF估计值具有较好的鲁棒性能。     

干扰条件下自适应滤波定位精度分析

在干扰条件下,单纯采用自适应滤波(adaptive Kalman filter, AKF) 或扩展卡尔曼滤波器(extensive Kalman filter, EKF) 在全球导航卫星系统/惯性测量单元(global navigation satellite systems/inertial measurement units, GNSS/IMU)组合导航的运用中都无法达到系统精度最优。为了指导组合导航系统的数据融合滤波器设计,获取AKF和EKF定位性能的经验数值是十分必要的。首先推导出EKF和一种AKF算法--新息序列自适应估计(innovation based adaptive estimation, IAE)的数学模型和计算公式。然后提出了一种实际数据结合仿真的验证方法。针对不同的干扰程度造成的精度降低的测量值,比较AKF算法跟普通EKF在GNSS/IMU组合导航数据融合中的定位精度性能。试验和仿真得到了在实验所采用的IMU精度条件下,自适应滤波在组合导航方面的定位性能的经验曲线以及IAE与EKF定位精度存在的临界点。     

基于AEKF的高速自旋飞行体组合导航方法

针对高速自旋飞行体运行过程中噪声特性无法准确获取的问题, 提出了基于改进自适应扩展卡尔曼滤波(adaptive extended Kalman filter, AEKF)算法对量测噪声进行自适应调节, 并在扩展卡尔曼滤波(extended Kalman filter, EKF)的基础上提出了一种基于对状态变量新的建模方式的EKF算法, 提高算法的实时性。采用北斗/捷联惯性导航系统(strapdown inertial navigation system, SINS)组合导航方案, 在EKF的基础上, 引入带遗忘因子的噪声估计器, 通过AEKF对组合导航数据进行融合, 对量测噪声进行估计。仿真结果表明, 所提出的组合导航方法对高速自旋飞行体的姿态和位置定位误差较小, 与无改进的AEKF相比, 具有更好的收敛性。