捷联惯导初始对准的区间自适应滤波算法

捷联惯导系统在初始对准过程中由于模型参数与实际系统存在偏差,并且系统噪声与量测噪声统计特性往往是未知的,采用卡尔曼滤波不能取得理想的滤波效果。为避免滤波发散以及模型的不确定性,提出了基于Sage-Husa算法的区间自适应卡尔曼滤波方法。给出了捷联惯导系统的误差模型以及区间自适应卡尔曼滤波方程。在噪声统计特性未知时,比较了常规卡尔曼滤波与区间自适应卡尔曼滤波在初始对准中的应用效果。仿真结果表明,区间自适应卡尔曼滤波在噪声统计特性未知时能够有效地提高系统的滤波效果,是一种比较理想的初始对准滤波方法。     

无人机组合导航系统的自适应算法研究

为了缩短捷联惯导系统的初始对准时间并提高对准精度,分别设计了常规卡尔曼滤波器和自适应卡尔曼滤波器用于精对准。在系统噪声统计特性未知时,自适应卡尔曼滤波算法利用滤波残差的均值和方差,不断对卡尔曼滤波的状态噪声方差阵和测量噪声方差阵进行实时修正,从而提高滤波器对模型不确定性和噪声变化的适应能力和鲁棒性。仿真结果表明,使用自适应UKF算法与常规的UKF算法相比,可以获得更优的对准精度和快速性。     

自适应两阶段卡尔曼滤波器在传递对准中的应用

研究自适应两阶段卡尔曼滤波器在动基座传递对准中的应用. 利用两阶段卡尔曼滤波器将子惯导的惯性器件偏差分离,从而减小由于系统状态过多而导致的滤波计算量,提高计算实时性. 加入自适应环节,使得随机系统偏差的先验统计特性不准确时也能取得良好的估计效果. 仿真结果表明,在对准模型存在未知的随机系统偏差时,自适应两阶段卡尔曼滤波器能够快速且准确地估计出失准角,符合传递对准在快速性和精度方面的需求.     

一种基于自适应粒子滤波的多层感知器学习算法

针对神经网络状态空间模型中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题,提出一种自适应的粒子滤波神经网络训练算法.该算法用粒子滤波估计网络的权时,利用序贯更新先验信息的序贯可信度最大化方法在线估计未知系统噪声方差.仿真结果表明:该自适应粒子滤波算法明显优于其他传统的神经网络训练算法,如扩展卡尔曼滤波、噪声可调的扩展卡曼滤波、普通粒子滤波等.     

ACDKF在SINS大方位失准角初始对准中的应用

将可以估计系统参数、噪声统计特性和修正滤波增益的自适应估计方法引入到CDKF算法中,并将其应用到SINS大方位失准角初始对准中,实现SINS大方位失准角初始对准,解决了噪声特性不准确的非线性问题,避免了线性化误差对滤波精度的影响,克服了噪声统计特性不准确的局限性,进一步提高了导航精度.采用自适应中心差分卡尔曼滤波(ACDKF)进行初始对准,提高了CDKF算法的收敛性和系统的稳定性.仿真结果表明:ACDKF能够克服噪声统计模型不准确对滤波结果的影响,对失准角的估计精度优于CDKF,进一步提高了系统的精度和可靠性.     

基于极大后验估计的STUKF算法跟踪再入弹道目标

针对弹道导弹再入阶段飞行受力情况复杂多变,状态噪声未知时变的非线性跟踪问题,提出基于极大后验估计的STUKF非线性滤波跟踪算法。该算法采用最小偏度单行采样策略,在保证跟踪精度的同时,提高实时性;引入带有多重次优渐消因子的强跟踪算法,在线调整状态一步预测均方误差阵,提高系统对突发机动跟踪的稳定性;采用指数加权的方法,利用次优无偏MAP时变噪声统计估计器,在线估计未知系统过程噪声的统计特性,提高系统应对噪声变化的能力。仿真结果表明:该算法具有比不敏卡尔曼滤波算法(UKF)和扩展卡尔曼滤波算法(EKF)更好的跟踪性能。     

一种改进的自适应USQUE组合导航姿态估计方法

针对传统四元数无味卡尔曼滤波(unscented quaternion Kalman filter,USQUE)算法的量测噪声统计未知及时变引起滤波发散精度降低等问题,提出一种变分贝叶斯自适应四元数无味卡尔曼滤波算法(variational Bayesian-based adaptive USQUE,VB-AUSQUE).通过变分贝叶斯高斯迭代近似估计,获取近似的量测噪声协方差矩阵滤波先验条件.仿真和舰载测试表明:在捷联式惯性导航系统/全球定位系统(strapdown inertial navigation system/global navigation satellite system,SINS/GNSS)组合导航系统中,VB-AUSQUE算法能有效减少系统量测噪声未知及时变问题对姿态估计精度的影响,相比常规算法具有更高的精度.     

SINS/CCD系统四元数中心差分姿态估计算法

针对载体捷联惯性导航系统(SINS)姿态确定中乘性四元数扩展卡尔曼滤波在大初始失准角情形下收敛速度慢及计算精度较低的问题,提出了捷联惯导与星敏感器组合系统姿态估计模型的单位四元数二阶中心差分算法.在推导系统姿态四元数非线性误差模型及其变量计算基础上,利用拉格朗日代价函数法计算四元数加权均值和四元数状态向量,以及非四元数向量分离策略计算估计均值及其方差矩阵,实施中心差分最优姿态估计计算达到提高算法计算精度和降低系统计算量的目的.仿真验证表明:在载体大初始失准角情形下,该算法相比于乘性扩展卡尔曼算法和四元数无迹卡尔曼算法,滤波精度得到提高,算法收敛速度相比于乘性扩展卡尔曼算法有所改善.     

组合导航系统新息自适应卡尔曼滤波算法

全球定位系统(GPS)量测噪声的不稳定变化将造成惯性导航系统(INS)/GPS舰用组合系统卡尔曼滤波器性能下降,在对自适应卡尔曼滤波器分析的基础上,提出了一种新的基于新息估计的自适应卡尔曼滤波算法.该算法通过计算新息方差强度的极大似然估计最优估计,将新息方差计算直接引入卡尔曼滤波器的增益计算.仿真结果表明,本文方法较标准卡尔曼滤波器可以提高系统精度和抗干扰能力.     

卡尔曼滤波与H_∞滤波在GFSINS中的对比

针对加速度计随机噪声影响无陀螺捷联惯导系统(GFSINS)角速度解算精度的问题,提出了一种滤波设计方案.基于十加速度计构型方式,利用加速度计输出构成的角加速度项作为状态方程,而对数法解算的角速度作为观测量,构建了卡尔曼和H∞滤波器.在改变加速度计随机噪声、状态初始估值和噪声颜色的情况下,仿真分析和对比了卡尔曼滤波和H∞滤波的效果.结果表明,H∞滤波不受加速度计随机噪声统计特性大小、噪声颜色的影响,比卡尔曼滤波有更强的鲁棒性和稳定性;H∞滤波后,角速度精度比对数法提高了2个数量级.     

基于自适应简化容积卡尔曼滤波的编队卫星相对导航

针对在星间相对导航中噪声的统计特性未知可能引起滤波估计精度下降甚至发散的问题，提出了一种自适应简化容积卡尔曼滤波(ASCKF)算法。将Sage-Husa自适应滤波与容积卡尔曼滤波(CKF)相结合，通过容积规则摆脱线性滤波的局限性。改进Sage-Husa噪声估计器以避免噪声方差在线估计可能出现的非正定现象，从而保证了滤波器对噪声统计变化的自适应能力。结合编队卫星运动模型的特点，用常规卡尔曼滤波(KF)的时间更新代替相应的容积变换过程，在不影响滤波器性能的前提下减少了运算量。仿真结果表明：在测量噪声统计特性未知的情况下，与CKF相比，该文算法对相对状态的估计精度提高了近25%,同时滤波器的稳定性也得到了提高。     

基于Sage-Husa自适应滤波算法的锂电池荷电状态估计

当噪声的统计特性未知时,基于锂电池的戴维宁等效电路模型并使用扩展卡尔曼滤波(EKF)方法进行在线估算锂电池的荷电状态,会导致精确度迅速下降,容易发散。本文使用Sage-Husa自适应滤波算法来代替扩展卡尔曼滤波算法,并利用Matlab进行建模仿真比较。仿真结果误差大幅度减小,曲线趋于平滑。结果表明,在干扰噪声未知的环境下,基于Sage-Husa自适应滤波的荷电状态估计可以提高荷电状态在线估计的精度。     

高斯混合粒子滤波器在静基座捷联惯导系统初始对准中的应用

为解决传统粒子滤波算法中影响状态估计性能的采样枯竭问题,提出一种高斯混合粒子滤波(GMPF)算法,基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,采用加权EM算法取代传统粒子滤波的再采样过程,减弱了采样枯竭的影响,增强了算法的估计性能.对捷联惯导系统静基座大方位失准角初始对准的仿真结果表明,该算法的估计精度优于扩展卡尔曼滤波.     

H∞滤波和旋转矢量在捷联惯导系统 初始对准中的应用

在捷联惯导的初始对准过程中,为提高系统方位角的收敛速度,采用了旋转矢量算法,同时应用鲁棒H∞滤波技术,避免由于模型和噪声统计特性的不确定性造成的系统发散. 对实际激光捷联惯导系统数据进行处理后结果表明,与传统的欧拉角方法相比,采用旋转矢量法能有效缩短对准时间.     

无迹卡尔曼滤波和无迹粒子滤波在惯导初始对准中的应用对比

捷联惯性导航系统是新型航位推算系统,在惯导系统执行工作任务之前需要进行初始对准,以保证系统的正常运行。对捷联式惯导系统,初始对准就是确定初始时刻的姿态阵,利用惯性元件的输出信息,选用合适的滤波方法,将计算的导航坐标系与真实导航坐标系的失准角估计出来,来修正姿态矩阵,使计算坐标系与真实坐标系尽可能重合。在实际的导航系统中,状态方程和量测方程通常都是非线性的,对于非线性特性,传统的解决方法是利用EKF滤波算法,但它只适用于弱非线性模型的估计,系统的非线性越强,引起的估计误差就越大,甚至会引起滤波发散。为此提出两种滤波算法无迹卡尔曼滤波UKF与无迹粒子滤波UPF,并将两者进行了仿真对比,结果表明(UPF)算法比(UKF)算法收敛速度更快,估计精度更高。     

基于变分贝叶斯理论的不确定厚尾噪声滤波方法

为了解决非线性滤波中量测噪声呈厚尾分布且统计特性不确定的问题,提出一种基于Pearson Type VII分布的自适应滤波算法.针对传统鲁棒卡尔曼滤波器因尺度矩阵和自由度参数固定不变而无法自适应调整的问题,以容积卡尔曼滤波器为基础,选择Pearson Type VII分布对厚尾噪声进行建模,将传统鲁棒滤波固定自由度参数的估计转化为Pearson Type VII分布中可自适应调整的双自由度参数的估计,并通过inverse Wishart和Gamma分布描述尺度矩阵、双自由度参数和辅助参数的先验分布,利用遗忘因子对各参数进行时间更新;基于变分贝叶斯理论,对系统状态、尺度矩阵、双自由度参数和辅助参数形成的联合后验概率密度函数进行变分迭代,实现对系统状态和未知厚尾噪声的联合估计.仿真结果表明,在不确定厚尾噪声条件下,本文算法的滤波精度高于传统鲁棒容积卡尔曼滤波.     

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明：ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。     

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。     

ISR-CDKF在SINS大方位失准角初始对准中的应用

针对捷联惯导系统（SINS: Strapdown InertialNavigation System）误差模型在大方位失准角条件下非线性的特点, 对非线性滤波算法的研究具有十分重要的意义。扩展卡尔曼滤波（EKF: Extended Kalman Filter）精度低, 而且需要计算复杂的雅可比（Jacobian）矩阵; 而中心差分卡尔曼滤波（CDKF: Central Difference Kalman Filter）虽然精度稍高, 但计算量大, 且算法不稳定。为克服以上不足,提出了迭代测量更新的平方根中心差分卡尔曼滤波(ISR CDKF: Iterative Square Root Central Difference Kalman Filter)算法, 并应用于SINS大方位初始对准中。通过滤波仿真, 进一步表明了ISR CDKF算法不仅具有更高的精度和收敛性, 同时具有较强的数值稳定性。     

ISCPF在捷联惯导初始对准中的应用

针对标准粒子滤波算法中存在的重要性密度函数难以选取的问题,提出了一种新的迭代平方根容积粒子滤波(ISCPF)算法.将高斯-牛顿迭代和平方根容积卡尔曼滤波(SCKF)算法相结合,得到迭代平方根容积卡尔曼滤波(ISCKF)算法.利用ISCKF算法获得粒子滤波算法的重要性密度函数,有效抑制了粒子退化现象.捷联惯导系统大方位失准角初始对准的仿真结果表明:该算法对航向失准角的估计精度可以达到2.21′,相比于标准粒子滤波(PF)算法和容积粒子滤波算法(CPF)具有更高的估计精度.