基于无轨迹卡尔曼滤波神经网络的SINS初始对准方法

针对扩展卡尔曼滤波算法的缺点,研究了基于无轨迹卡尔曼滤波的神经网络算法.建立了捷联惯导系统在大失准角下的误差方程和适用于初始对准的神经网络模型,研究了基于扩展卡尔曼滤波和无轨迹卡尔曼滤波的神经网络算法,将基于无轨迹卡尔曼滤波的神经网络学习算法应用于捷联惯导系统大失准角条件下的初始对准中.仿真结果表明,在大失准角条件下,用训练好的神经网络进行初始对准是可行的,且基于无轨迹卡尔曼滤波的神经网络算法可提高初始对准精度.     

基于EKF与UKF的利率期限结构模型估计及对比

在CKLS广义模型框架下,引入基于扩展卡尔曼滤波(EKF )和无损卡尔曼滤波(UKF )的利率期限结构均衡模型的估计方法,并使用加拿大国债数据对EKF和UKF的模型估计效果进行了对比实证研究.结论表明,引入的基于UKF的模型估计方法相对于文献中普遍采用的基于EKF 的估计方法的估计效果有明显改善,尤其存在强非线性和非正态分布的模型条件下,基于 UKF 的模型估计方法相对于基于EKF的估计方法有很大优势.进一步,基于UKF 估计方法对Vasicek 模型和CIR模型的数据拟合性进行了对比研究.结果表明,Vasicek 模型和 CIR 模型均具有较好的数据拟合性,而Vasicek 模型相对更好.     

基于UKF光电被动目标跟踪及可观性分析

光电经纬仪在跟踪测量过程中经常会由于云层遮挡等原因,导致目标暂时丢失情形,采用数据融合技术是保证系统连续平稳跟踪的一种有效解决办法.由于在数据融合中需要估计目标的状态信息,面临着被动目标跟踪领域普遍存在的非线性估计与可观测性两大难题.采用传统的扩展卡尔曼滤波(EKF)算法会产生较大的估计误差,并易导致滤波发散.介绍无迹卡尔曼滤波器(unscented Kalman:Filter,UKF)来解决非线性估计问题,同时分析了光电经纬仪在实际目标跟踪时的可观测性问题,提出在不可观测条件下保持滤波稳定的方法.Monte-Carlo仿真结果证明此算法有效、可行.     

考虑SAR量测特性的弹载SINS/SAR组合导航滤波算法

在弹载捷联惯性导航系统(strapdown inertial navigation system, SINS)/合成孔径雷达(synthetic aperture radar, SAR)组合导航系统中, 针对量测输出时间间隔不同及SAR量测滞后的问题, 提出一种利用曲线拟合法解决量测滞后的非等间隔无迹卡尔曼滤波(unscented Kalman filter, UKF)算法。首先，在UKF的基础上, 利用系统状态转移矩阵的特性, 根据SAR有无量测输出选择是否进行量测更新, 解决了量测不同步的问题。然后，利用曲线拟合补偿法拟合SAR输出信息, 获得SAR量测信息滞后的补偿算法。最后，以弹载SINS/SAR组合导航系统为研究对象, 验证所提算法的有效性。仿真结果证明，该算法得到的东向位置误差的绝对值为5.12 m, 航向角误差绝对值为6.63″, 北向速度误差绝对值为0.08 m/s, 相比于传统UKF算法有效提升了组合导航系统滤波精度。     

基于IMM-UKF方法的机电作动器突发性故障诊断研究

飞机飞行控制系统机电作动器（electromechanical actuator,EMA）的突发性故障会影响到飞机的飞行安全性,甚至导致飞机失控.针对EMA的突发性故障,提出一种基于交互式多模型（interactive multiple model,IMM）和无迹卡尔曼滤波（unscented Kalman filter,UKF）相结合的故障诊断方法.该方法利用UKF不仅能更好地逼近状态方程的非线性特性,而且能使滤波器具有更好的稳定性和更低的计算量要求;利用IMM不仅解决了可测量参数偏少导致的故障诊断困难的问题,而且还改善了发生的故障与预先假设的故障差异较大的情况下故障诊断的快速性和准确性.通过对某型EMA进行故障诊断,仿真结果表明所提出的IMM-UKF故障诊断方法可以实现对EMA部件和传感器故障的快速准确诊断.      

基于无迹卡尔曼滤波的LSSVR在线多步时间序列预测

准确宽范围多步预测在时间序列预测应用中带来了巨大挑战.提出了一种基于最小二乘支持向量回归(LSSVR)和无迹卡尔曼滤波(UKF)的在线多步预测方法,利用时间滑动窗口减小算法的计算负荷,UKF方法实现LSSVR模型参数更新以提高预测精度.当预测范围达到预定步长p时,由核宽度σ、支持值参数{α_k}_k~L_(=1)以及偏移项b所构成的模型参数通过新的测量值和UKF进行在线更新.提出的方法不仅以较少的训练数据建立在线预测模型(所需训练数据集大小为相空间维数与滑动窗口长度之和),且多步预测值的精度相比于传统方法得到进一步提高.最后,通过几个实验研究论证了提出方法的有效性和优越性.     

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。     

编队卫星自主相对导航简化强跟踪UKF滤波算法

针对编队卫星自主相对导航过程中存在模型不确定性及噪声统计特性时变导致EKF滤波算法估计精度降低、鲁棒性较差的问题,以STF为理论框架,设计了简化强跟踪UKF(SSTUKF,simplified strong tracking unscented kalman filter)滤波算法。该算法基于STF的等价表示来计算次优渐消因子,避免了计算Jacobi矩阵,通过在线实时调整滤波增益矩阵,确保系统理论模型偏离实际模型时输出残差序列相互正交,增强算法的鲁棒性,并且对时变的噪声统计特性不敏感。结合CW系统模型线性特点,用标准卡尔曼滤波中的时间更新代替相应的UT变换过程,在提高估计精度的同时有效地降低了运算量,增强算法的实时性。仿真结果验证了该算法的有效性。     

改进并行集中式数据关联算法

针对目标批次过多导致计算上的组合爆炸问题,提出一种改进并行集中式多传感器不敏近似联合概率数据关联（joint probabilistic data association,JPDA）算法。该算法首先采用基于unscented变换的卡尔曼滤波（unscented Kalman filter,UKF）实现非线性系统中状态估计的递推,然后通过改进的并行集中式方法将数据传至中心,利用改进的JPDA方法进行量测点迹与目标航迹关联。仿真实验表明,该算法在非线性复杂环境中具有较好的数据关联正确率,且计算耗时较集中式串行不敏JPDA算法少。     

针对高速自治水下航行器的UKF主动目标跟踪算法

研究了基于高速自治水下航行器平台下的主动单目标跟踪,基于Unscented Kalman Filter(UKF)建立跟踪滤波器,在强观测噪声、大采样时间间隔情况下完成对目标各运动状态参量的准确估计。将此跟踪滤波器与基于Extended Kalman Filter(EKF)的跟踪滤波器进行了对比。计算机仿真结果表明采用EKF滤波器,目标的速度估计值可以收敛向真值,而距离估计值无法获得收敛;采用UKF滤波器,目标的速度和距离估计值都能获得收敛,且其对目标的速度估计较EKF准确。