基于自适应 UKF 微型航姿系统噪声在线估计

针对先验噪声与系统真实噪声不符引起标准无迹卡尔曼(unscented Kalman filter,UKF)性能退化的情况,提出一种应用于非线性时变状态和参数联合估计的自适应UKF(adaptive unscented Kalman filter,AUKF)算法.根据新的协方差矩阵与相应估计值之间存在的误差,构建成本函数.采用梯度下降法进行在线预估,对噪声的协方差进行在线更新并反馈给标准的UKF.实验和仿真分析表明,与标准UKF相比,自适应UKF算法在精度上有较大的提高.对于时变噪声协方差不确定时,自适应UKF噪声在线估计的鲁棒性得到明显改善,验证了自适应UKF噪声在线估计模型的准确性和可行性.     

基于专家系统与人工神经网络集成的航姿系统故障诊断

应用专家系统与人工神经网络的相关理论对某型飞机航姿系统的故障诊断问题进行了深入的研究,建立了基于专家系统与人工神经网络的集成式专家故障诊断系统,并利用该专家系统实现了某型航姿系统的故障诊断。应用结果表明：整个网络数据误差在训练10次时达到0．1,在训练829次时达到0．01,可以准确识别故障。     

面向移动传感器网络的自适应一致性融合估计方法

研究了具有时延和通信拓扑变换的移动传感器网络（MSN）分布式融合估计问题.结合无色信息滤波、自适应一致性算法并考虑通信时延而设计的基于自适应一致性的融合结构,提出了一种名为基于自适应一致性的分布式无色信息滤波（AC_DUIF）的分布式融合估计算法.以空中移动传感器网络跟踪移动目标为例,通过仿真验证了所提算法的性能.仿真结果表明,该方法能够在以分布形式提高网络中各节点对目标位置估计精度的同时,保证节点之间的一致性,并具备对网络通信延时的适应能力.     

基于UKF的无线传感器异步数据融合优化算法

提出了一种基于无迹卡尔曼滤波(UKF)的无线传感器异步数据融合算法,利用RNAT机制识别无线传感器网络中的冗余节点,构造数据冗余树来实现冗余数据的去除.根据重复数据消除的结果,在每个传感器检测范围半径相等的环境下,采用四圆定位法,任意选择2个检测目标信息的节点,计算2个圆形检测区域边界的交点,根据迭代法找到并近似目标.设定了不同传感器的原始传感器相互独立、同一传感器不同原始量测量值相互独立的前提条件,计算出各通道的测量值,利用未测量卡尔曼滤波器以滤波的形式更新测量值,引入卡尔曼滤波增益矩阵,并结合异步数据定位结果实现数据融合.实验结果表明,融合后的数据利用率高于现有结果,算法耗时短、能耗低,且具有较高的数据融合精度,整个融合的准确率在90％以上.     

无线传感器网络基于能量估计自适应算法SESP

无线传感器网络节点自身携带的能量有限,为了延长节点的使用寿命,在研究无线传感器网络节点能量消耗的基础上,提出一种基于同设备同参数能量估计的自适应算法SESP.SESP算法选择簇首时,不需发起通信以获知簇内其他节点的剩余能量,减少了簇内的通讯量,同时也简化了节点能量估计的计算复杂度,从而降低节点的能量,延长无线传感器网络的生命周期.     

目标状态的“全面”自适应估计

本文根据“全面”自适应的思想,建立了一种新的目标状态估计器——“全面”自适应估计器,通过目标动态特性识别、特征参数辨识和“全面”自适应模型集的结合,达到了跟踪估计目标各种运动的“全面”自适应能力.利用Monto-Carlo仿真表明,本文提出的新估计器具有所期望的良好性能.     

基于深度学习的平面位姿估计算法

为了在未知物体三维模型的情况下使用深度学习进行平面位姿估计,采用编码器-解码器网络,从单个RGB图像中检测平面实例分割及法线信息,并利用这些信息进行位姿解算,获得每个平面的实时位姿。实验结果显示,平面召回率为0.625,平面法线召回率为0.414,实时性为18.5 f/s,验证了算法的可行性。     

基于关键点特征融合的六自由度位姿估计方法

针对单张RGB-D图像进行六自由度目标位姿估计难以充分利用颜色信息与深度信息的问题,提出了一种基于多种网络(金字塔池化网络和PointNet++网络结合特征融合网络)构成的深度学习网络框架.方法用于估计在高度杂乱场景下一组已知对象的六自由度位姿.首先对RGB图像进行语义识别,将每一个已知类别的对象掩膜应用到深度图中,按...     

基于UKF的机动目标跟踪处理方法

提出了基于UKF的机动目标跟踪处理方法,能有效抑制动力学模型非线性和观测模型非线性带来的模型误差。和传统EKF滤波方法相比,该方法不仅避免了截断误差造成的滤波发散,而且避免了求解雅克比矩阵,简化计算流程,可以模块化处理,非常适合工程实现。仿真实验表明,当目标呈现明显非线性特征并且大机动运动时,该方法可以有效确定目标轨迹,实现高精度目标跟踪。     

基于EKF的多MEMS传感器姿态测量系统

姿态信息是飞行控制中最关键的参数之一,因此姿态测量成为飞行控制系统首要解决的问题。利用多M EM S传感器研制了一种微型姿态测量系统。利用三轴M EM S加速度计和三轴M EM S陀螺数据,由方向余弦矩阵的姿态表示形式推导了扩展K a lm an滤波方程,解算出飞行器的俯仰角和横滚角;设计专家系统判断飞行器的运动状态,并根据该状态调整滤波算法中的测量噪声矩阵,使系统可同时满足静态情况和动态情况的使用;利用空速和高度数据对俯仰角进行修正,利用GPS解算航向角。将实验结果与国外最新的商用自动驾驶仪的姿态结果进行了比较,二者在静态情况下非常吻合,在动态情况下基本吻合。     

自适应滤波器在微型姿态确定系统中的应用

基于MEMS的IMU由于低成本、体积小和低耗能得到了很广泛的应用.但是,惯性MEMS传感器有很大的噪声、偏差以及刻度误差,由于传统低成本的MEMS传感器使用的捷联算法很难取得令人满意符合性能要求的姿态确定值.利用改进的自适应增益卡尔曼滤波器在随机模式下建立一个小型姿态确定系统.这个改进的滤波器在一个时间变量转移矩阵中有六个状态量,它们分别是:三个姿态倾斜角和三个陀螺偏移误差.滤波器用三个加速度计的测量量和磁罗盘来驱动状态的更新.当系统处于非加速度状态下,加速度计对重力加速度的测量以及磁罗盘对航向的测量很显然可以产生很好的状态估计量;当系统处于高速动态状态并且偏移可以收敛到一个精确估计值时,对姿态的估算就需要很长一段时间.自适应滤波器可以在动态状况下用加速度计自动调整增益产生最佳性能.提供了这种技术的算法,并且对此进行分析,之后给出实验结果.     

基于UKF的参数和状态联合估计

对于因模型参数失配造成的非线性系统状态估计不准确现象,采用基于不敏卡尔曼滤波(UKF)的参数和状态联合估计方法,即将未知模型参数和状态组成增广的状态向量,用UKF同时获得参数和状态估计值.通过一个离散非线性随机系统的蒙特-卡洛仿真,总结滤波器参数对联合估计器性能的影响及参数选择规律.最后将该方法应用于一个典型的化工反应过程,获得了较好的效果.     

基于Cauchy鲁棒函数的UKF改进算法

对于大多数实际系统,其噪声统计特性未知,不敏卡尔曼滤波(unscented Kalman filter,UKF)算法对噪声信息不准的鲁棒性较差,导致滤波精度急剧下降,甚至滤波发散。借助鲁棒数据校正的思想,提出了一种基于Cauchy鲁棒函数的UKF改进算法。以UKF的测量先验值与其实际值的残差作为基准,采用联合权函数对噪声估计值进行实时修正,从而提高了UKF算法的精度。通过两个实例的仿真,验证该算法的有效性。     

基于平方根UKF的机载单站无源定位算法

介绍了基于多普勒频率变化率和波达角变化率的机载单站无源定位原理,并引入一种新的基于平方根（uKF）算法．通过仿真与扩展卡尔曼滤波（EKF）和不敏卡尔曼滤波（UKF）算法进行了比较．结果表明,新算法比EKF算法精度高,与UKF算法相比,新算法的方根形式增加了数字稳定性和状态协方差的半正定性,同时具有更快的收敛速度．     

多天线GPS和微机械惯导组合进行姿态确定

描述了一种多天线GPS和微机械惯导系统组合来进行姿态确定的系统.目的是设计和装配一种具有可靠的高精度姿态确定性能、而且具有高输出率、低耗、快速初始化、通过数据合成而具备坚固和冗余性的多天线GPS和MEMS惯导组合的系统.这个系统在一段时间内没有GPS测量信息也能提供姿态以及其他的导航信息.性能分析显示在200 Hz状态下姿态、位置、速度、加速度以及角速率可以达到0.08o/s、1.5 m、0.1 m/s、0.12 m/s2和0.1o/s.     

基于自适应Kalman滤波的汽车横摆角速度软测量算法

利用参数软测量技术,提出了基于自适应Kalman滤波和汽车两自由度动力学模型的横摆角速度软测量算法．该算法实现了横摆角速度的线性最小均方误差估计,且可对汽车行驶过程中的系统噪声和观测噪声统计特性进行在线估计．仿真与场地试验结果对比验证了该算法的有效性,同时软测量技术的采用也为汽车状态参数测量提供了一条可行的、准确且低成本的研究思路。     

基于模糊自适应卡尔曼滤波的SLAM算法

针对同步定位与地图创建（SLAM）问题中难以建立准确的先验噪声模型的问题,提出一种改进的模糊自适应卡尔曼滤波算法.该算法通过在线监测新息的变化,利用模糊逻辑对系统噪声和观测噪声的权重进行实时调整,进而改变系统对观测信息的信赖和利用程度,使滤波器最终趋于稳定.为了保证系统的实时性,提出一种直接将输入和输出进行模糊隶属函数匹配的方法代替模糊推理.将新的滤波算法用于SLAM仿真实验,结果表明该算法能根据噪声变化进行快速调整,滤波精度较高,相比标准EKF对定位和构图精度提升了50%以上.     

基于两阶段卡尔曼滤波的多传感器信息融合

在目标跟踪中,对目标运动建模时,常会遇到系统状态方程存在偏差问题. 传统的信息融合方法总是假设系统状态方程中的偏差为常量,很少涉及偏差为随机变量的情形,但实际建模中常会出现这类问题. 针对此问题,提出了基于两阶段卡尔曼滤波的多传感器信息融合方法. 这种方法可以有效地消除系统状态方程在建模存在随机偏差时给信息融合所带来的影响,从而提高了融合精度.     

基于自适应Kalman滤波的输油管道状态估计

通过离散化输油管道瞬变流动控制方程,基于扩展Kalman滤波方法,用带有未知时变噪声统计的虚拟噪声补偿线性化模型误差,构造了鲁棒自适应Kalman滤波器,以进出口压力及站间测量点为系统的输入与输出向量,对输油管道进行状态估计,并将状态估计结果与实际运行采集数据进行对比.结果表明,该滤波器迭代收敛速度较快,其误差控制在3%以内.