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。     

CCD星敏感器辅助光纤陀螺在线标定技术

首先建立陀螺在线标定模型,然后以电荷耦合器件星敏感器输出的姿态四元数和陀螺输出的载体相对于惯性空间的姿态四元数构造量测量,采用模型预测滤波与扩展卡尔曼滤波相结合的方法,将部分陀螺误差项作为模型误差,在线实时估计并修正系统模型,提高了状态估计的精度,最后对该算法进行了数学仿真。仿真结果表明,该方法能有效地完成陀螺在线标定,标定精度和速度明显优于传统方法。这种在线标定的处理方法在实际使用和维护中具有极大便利。     

单轴旋转SINS方位陀螺漂移精确估计方法

为了减小方位陀螺漂移对单轴旋转捷联惯性导航系统(strapdown inertial navigation system, SINS)长时间定位精度影响,提出了一种方位陀螺漂移在线估计方法。对SINS误差参数进行分析,指出东向陀螺漂移和方位失准角精度决定方位陀螺漂移估计值精度。利用优化后的卡尔曼(Kalman)滤波器在线估计SINS失准角并进行补偿,在此基础上进一步使用Kalman滤波器估计惯性测量单元(inertial measurement unit, IMU)误差。进行了转台三轴摇摆和车载行进间验证实验,车载行进间验证实验中,IMU误差估计完成后转入到纯惯性导航,其12 h的定位误差为2.12n mile,系统定位精度满足中等精度单轴旋转SINS长时间导航需求。     

基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least mean square, NLMS)算法和最小二乘(recursive least-square, RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。     

一种利用星敏感器对陀螺进行在轨标定的算法

为确保姿态测量器件长期在轨工作精度、提高姿态确定精度,针对典型的陀螺和星敏感器联合定姿方案,推导了一种星敏感器/陀螺在轨标定算法。考虑到卫星姿态测量过程中的几种主要误差源,建立星敏感器和陀螺标定模型,首先用递推算法对星敏感器单独在轨标定,然后采用Kalman滤波对星敏感器和陀螺同时进行在轨标定,对误差进行实时补偿,有效地提高了星敏感器和陀螺的测量精度,与同类算法相比,为卫星姿态确定提供了更加丰富的信息。最后对该算法进行了数学仿真,仿真结果验证了算法的有效性。     

基于两级扩展Kalman滤波的海上多平台误差配准算法

为了建立统一态势图,利用平台的低精度导航信息和相互测量的位置信息来进行海上多平台传感器数据位置对准,避免了对高精度导航设备的依赖以及将地表近似为平面所带来的误差。分析数据位置对准过程中的主要误差来源,给出对准的坐标变换模型,分别构建关于导航系统误差和传感器系统误差的测量方程和状态方程,设计两级扩展Kalman滤波配准算法对两种系统误差进行在线估计和补偿,完成海上多平台的误差配准,为后续数据关联和融合提供更高精度的传感器数据。仿真实验结果验证了算法的正确性和有效性。     

基于两级采样的粒子滤波检测前跟踪算法

针对粒子滤波检测前跟踪算法中高维状态采样效率低的问题,提出了一种基于两级采样的粒子滤波检测前跟踪算法。根据状态向量中各分量对量测有无直接影响,把粒子的高维状态采样转换为两个序列低维采样,提高了粒子采样效率,进而可获得更高的检测概率和估计精度。仿真结果验证了算法的有效性。     

KF/UPF在SINS大方位失准角初始对准中的应用

为解决捷联惯导系统大方位失准角初始对准中状态维数较高,直接应用无迹粒子滤波(unscented particle filter, UPF)会带来维数灾难的问题,提出了基于卡尔曼滤波(Kalman filter, KF) /UPF组合滤波的初始对准方法。将非线性初始对准模型分解为线性与非线性两部分,采用KF实现对线性部分的最优估计,采用UPF对系统的非线性部分进行状态估计。通过仿真比较不同粒子数下KF/UPF组合滤波算法和UPF算法,结果表明,KF/UPF组合滤波算法在保证初始对准精度和收敛速度的同时,将需要进行UPF滤波的状态维数由10 维降为3 维,减少了计算量,运算时间分别缩短至原来的52.69%和6.0%,提高了初始对准的实时性。     

基于粒子群优化的卡尔曼滤波去耦算法

针对相控阵雷达导引头由于前向通道增益和波束控制增益刻度尺度不同引起的扩展卡尔曼滤波(extended Kalman filter, EKF)去耦中误差量过大的问题,提出了基于粒子群优化的EKF去耦算法。采用了最小均方差为适应度函数,对两个增益参数进行组合优化,然后通过建立EKF的系统模型,推导了提取的视线角速率与增益参数之间的关系,使得滤波后的估计值为最优的后验估计。最后,通过仿真表明该算法可以很好地解决误差量过大的问题,并验证了所提算法在相控阵雷达导引头去耦和视线角速率提取中的有效性。     

激光驾束导弹制导控制辅助惯性器件滤波

针对某型激光驾束导弹微机电(micro electro mechanical systems, MEMS)速率陀螺仪和加速度计测量噪声大的问题,提出采用姿控舵偏角和过载指令实现陀螺仪和加速度计的滤波。首先,基于姿态运动学建立MEMS速率陀螺滤波方程;其次,结合局部模型跟踪控制律特点,引入过载指令与实际过载的近似数学描述,建立加速度计滤波方程;最后,采用无迹卡尔曼滤波(unscented Kalman filter, UKF)实现对三轴角速率、两轴加速度、攻角及侧滑角的辅助估计。半实物仿真试验表明,该算法可以将速率陀螺误差及加速度计误差分别降低至16%和30%,同时对攻角和侧滑角的估计偏差约为0.03°,证明算法有效。     

ARMA模型辨识及其在光纤陀螺漂移建模中的应用

针对含有噪声的时间序列模型辨识精度低的问题,采用自回归函数的衰减正弦曲线方法估计含有噪声的ARMA模型系统参数,AR参数从衰减正弦曲线直接获得,MA参数估计采用相关匹配技术.仿真结果表明,时于具有不同信噪比噪声干扰的系统,该算法具有良好的收敛性和准确性.在此基础上,将该方法应用到光纤陀螺漂移误差建模中,实验结果表明,采用该算法所确定的模型能够精确的反应光纤陀螺的漂移趋势.     

PolSAR图像的两级分块最优加权滤波方法

针对多极化合成孔径雷达（polarimetric synthetic aperture radar, PolSAR）图像的相干斑抑制问题,提出一种两级分块的最优加权滤波方法。该方法在分块加权法的块处理基础上,采用边缘检测模板对非同质类子块进行二次分类和处理,提高了滤波参数的估计精度。实验结果表明,该方法不仅保持了块处理简单、运算量小的优点,而且在斑点抑制和边缘保持方面更优于最优加权法和分块加权法。     

优化卡尔曼滤波算法中的目标函数选择

针对优化卡尔曼滤波算法(optimized Kalman filter,OKF)中的目标函数选择问题,设计了两种适用于OKF算法优化的目标函数,证明了这两种目标函数是最优的,即当目标函数取最小值时,OKF算法中的滤波估计值H_kx_k|k-1^⌒*是(或概率意义下)系统真实状态H_kx_k的最优估计。把上述目标函数应用于多模型卡尔曼滤波算法(multiple model adaptive Kalman filter,MM-AKF)中,设计了一种优化多模型卡尔曼滤波算法(optimizedmultiple model adaptive Kalman filter,OMM-AKF),OMM-AKF算法能够根据目标函数优化子滤波器的滤波估计值权值,从而能够得到系统真实状态的较优估计值。最后,通过仿真验证了上述理论的正确性和方法的有效性。     

基于UKF的低成本SINS/GPS组合导航系统滤波算法

针对MIMU的精度不高,会带来较大的初始对准误差角,如果继续采用传统的小干扰线性方程就会给滤波带来很大误差,甚至发散。针对这个问题,对低成本SINS/GPS组合导航系统建立了基于四元数误差模型的非线性滤波方程,并采用了UKF非线性滤波方法。针对四元数误差模型单纯使用UKF方法无法估计加计零偏和陀螺漂移的问题,提出将UKF和EKF相结合的算法,仿真结果表明,比起扩展卡尔曼滤波以及采用传统小干扰线性方程的卡尔曼滤波,这种方法能够提高姿态误差角特别是方位误差角的估计精度。     

基于星敏感器/陀螺组合定姿建模及精度仿真

首先讨论了卫星姿态确定原理的建模问题,针对星敏感器/陀螺组合配置的定姿系统,详细分析了动态滤波算法原理,推导了星敏感器观测矩阵及误差四元数状态方程,进而建立了使用Kalman滤波方法进行姿态确定的整个过程;并基于该滤波算法,讨论了姿态确定系统的最终定姿精度的分析与综合评估问题,从理论分析和仿真验证两方面确定了影响姿态确定精度的主成分误差因素,定量描述了误差因素的影响范围,并针对实际工程指标完成了主成分因素的边界条件,为姿态测量方案的设计提供了理论支撑.     

提高SINS初始对准方位失准角估计精度的方法

针对在静基座捷联惯导系统初始对准中,东向陀螺漂移没有估计效果,使得估计的方位失准角存在常值误差的问题,提出了一种新的方法。该方法通过建立东向陀螺漂移估计值的修正方程,并对其进行修正,从而大大提高了方位失准角的估计精度。给出了该方法的具体实现步骤,并通过仿真验证了该方法的有效性。     

DS/SS通信系统多个窄带干扰消除算法研究

首先提出了一种基于WPT Kalman的干扰分离、增强和消除算法。该算估采用小波包变换 (WPT)准确地跟踪单个干扰的频率和带宽并将其从接收信号中分离出来 ,然后对其使用Kalman滤波进行增强。利用干扰分离所使用的小波包基对消除干扰以后的信号进行再次WPT ,得到单个干扰的量测噪声 ,并采用一种独特的参数估计方法实现量测噪声参数的在线实时估计 ,从而改善了Kalman滤波对干扰信号波形的估计性能。该方法综合利用了WPT自适应构建信号特性所对应的“最佳”滤波器组的能力和Kalman滤波对未知信号的线性的、无偏的、最小方差估计的特点以及量测噪声参数在线实时估计策略的优点 ,可以很好地恢复多个独立的、时变的窄带干扰以便消除。仿真结果表明 ,该算法可以提高DS/SS通信系统抗窄带干扰的能力     

基于双目云台相机的目标跟踪系统建模与仿真

对双目云台相机目标跟踪系统的各个环节建立数学模型。采用扩展Kalman滤波(Extended Kalman Filter,EKF)作为定位跟踪算法,利用双目云台相机在水平方向、垂直方向转动角及其相对位置估计出目标实时位置;针对云台相机建模过程中相机外部参数随云台旋转发生变化的问题,提出一种云台相机实时标定方法;利用云台相机模型将目标估计位置投影到相机图像平面,提取出目标的图像特征作为视觉伺服系统的反馈信息控制云台旋转跟踪目标轨迹。在Matlab/Simulink环境下搭建仿真模型,仿真结果证实了方案的可行性和有效性,为视觉伺服控制器进一步设计提供了仿真平台。     

基于矩阵分解的惯导安装误差矩阵解耦方法

针对捷联惯性导航系统级标定中安装误差矩阵存在3组耦合关系问题,提出一种基于矩阵分解的解耦方法。该方法将安装误差矩阵分解为对称误差矩阵和斜对称误差矩阵后,推导其对惯性导航姿态方程和速度方程的影响,揭露系统级标定中安装误差矩阵存在耦合的原因——陀螺仪表组和加速度计仪表组的斜对称误差对误差方程的影响是耦合的,进而提出适当选取体坐标系使得陀螺仪表组的斜对称误差矩阵为0的解耦方法。该解耦方法是一种均值分配方法,与传统解耦方法相比能减少系统运算中的二阶舍项误差。仿真实例说明了该解耦方法是有效的。     

基于UKF的新型北斗/SINS组合系统直接法卡尔曼滤波

针对传统的间接法卡尔曼滤波在北斗/捷联惯导(serial inertial navigation system, SINS)组合导航系统中无法实现较高的定位精度且计算的冗余度大的缺点,提出一种基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的新型组合系统滤波算法。本算法以SINS输出的导航参数及平台误差角等作为系统状态,无源北斗输出的位置速度参数作为量测,采用改进的UKF方法进行数据融合,并直接计算组合系统导航参数的最优估计。实验结果表明,新算法可以降低对伪距误差模型的精确度要求,同时避免非线性系统状态方程的线性化,简化滤波参数的调整过程,从而有效地缩短组合导航系统的解算时间,提高定位精度。