基于SRCKF的水下航行器动基座初始对准技术

针对当海况不佳时,水下航行器即使处于系泊状态下也会产生大幅晃动,从而使得捷联惯性导航系统（SINS）无法快速完成自主初始对准的问题,提出了利用多普勒计程仪（DVL）提供的速度信息来辅助SINS实现运动中对准的方法．同时针对该环境下SINS只能获取粗略的初始方位信息的问题,提出了基于平方根求容积卡尔曼滤波（SRCKF）的动基座对准滤波算法．该滤波算法克服了扩展卡尔曼滤波（EKF）存在的滤波精度低以及须计算雅可比矩阵的不足,并在滤波过程中以协方差平方根矩阵代替协方差矩阵进行迭代更新,从而提高了滤波算法的收敛速度和数值稳定性．仿真结果表明：该方法能够解决水下航行器的动基座初始对准问题,且对准精度高,数值稳定性好．     

二阶中心差分粒子滤波算法

为了改善非线性系统状态估计问题中粒子滤波算法的估计精度,提出采用二阶中心差分滤波方法来产生建议分布函数的新算法.新算法对非线性系统方程作中心差分的二阶Stirling插值公式进行展开,不需要计算雅克比矩阵,易于实现,并且采用Cholesky分解技术保证了协方差的正定性,在一定程度上减小了局部线性化近似的截断误差,并且在系统状态转移概率的基础上融合了最新的量测数据,提高了建议分布对系统状态后验概率的逼近程度.仿真实验表明,与无迹粒子滤波算法相比,新算法的计算量更小,估计精度提高了20%以上.     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波（EKF）在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波（UKF）算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。     

自适应Kalman滤波的改进及其在SINS/GPS组合导航中的应用

为解决自适应Kalman滤波中存在的问题,综合采用对观测粗差和滤波结果粗差进行判断、对系统噪声方差阵扩零和修改自适应方程减去项等措施对算法进行了改进.观测粗差的判断可以避免观测奇异,提高滤波稳定性;对滤波结果粗差的判断可避免矩阵求逆时的奇异现象;对状态噪声方差阵扩零,可保证在不影响滤波精度的情况下解决滤波过程中矩阵维数不对应的问题;修改自适应方程减去项,虽然牺牲了一定的精度,但可保证求解状态噪声协方差阵Q和观测噪声协方差阵R的等式右边非负定,从而保证Q和R的非负定.将上述改进后的自适应Kalman滤波算法应用到SINS/GPS组合导航中,仿真结果表明上述改进有效地提高了自适应Kalman滤波的稳定性,且保证了滤波的精度.     

体积积分新息滤波

为了提高扩展新息滤波的精度,将体积积分方法和新息滤波相结合,提出了体积积分新息滤波算法。新算法采用三阶球半径体积规则和高斯-拉盖尔积分规则选择积分点,估计新息滤波的新息状态和新息矩阵,不需要计算非线性函数的雅克比矩阵。实验结果表明,与扩展新息滤波和体积新息滤波相比,新算法提高了非线性系统的估计精度。     

基于空间差分算法的相干信号二维DOA估计

针对传统解相干算法对阵列孔径利用率不高的问题,提出了一种改进的空间差分算法,通过重构子阵之间的协方差矩阵,将阵列接收信号协方差矩阵的所有自相干信息和互相关信息充分利用,再通过建立差分矩阵,利用空间差分算法去除噪声的影响。最后采用传播算子（PM）算法完成二维波达方向（DOA）估计。仿真结果表明,该算法相比传统解相干算法,解相干效果较好,角度估计精度有较大的提高。     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.     

汽车毫米波雷达目标跟踪的快速平方根CKF算法

平方根容积卡尔曼滤波器(Cubature Kalman filter,CKF)算法直接以协方差阵三角分解因子进行滤波过程的预测和更新,保证协方差矩阵非负性,避免了滤波器发散,但预测更新都基于采样点,仍然具有较高的计算负荷。该文提出了一种适用于汽车毫米波雷达目标跟踪的快速平方根CKF算法,在预测阶段,利用Kalman滤波器方程进行状态和协方差阵预测,在更新阶段,利用预测值构造Sigma点,并以平方根CKF滤波器方程更新目标的状态和协方差阵。仿真实验表明:该文算法运算效率和滤波精度比平方根CKF、平方根无迹卡尔曼滤波(Unscented Kalman filter,UKF)等算法均有不同程度提高,适用于汽车毫米波雷达嵌入式目标跟踪软件。     

基于平方根UKF的水下纯方位目标跟踪

为了避免被动跟踪中非线性性带来的计算复杂化及跟踪精度的下降,该文将平方根无迹卡尔曼滤波(SR-UKF)算法应用到水下仅测角目标跟踪.利用协方差平方根代替协方差参加递推运算,解决了标准无迹卡尔曼滤波(UKF)算法中由于计算误差和噪声等因素有可能引起误差协方差矩阵负定而导致滤波结果发散的问题,保证了滤波算法的数值稳定性,提高了跟踪的精度和可靠性.仿真结果表明,SR-UKF非线性滤波算法应用于水下仅测角目标跟踪系统是有效的,而且滤波精度、稳定性和收敛时间明显优于扩展卡尔曼滤波(EKF)和标准UKF算法.     

多普勒雷达测量数据的Kalman滤波器设计

研究把多普勒雷达测量数据引入Kalman滤波的新方法.根据测量噪声协方差矩阵的分解导出一种理想的线性测量方程的等价形式,在方向余弦估计和误差补偿的基础上,给出可实现的测量方程及其对应的序贯处理的滤波方程.这种序贯处理结构有助于方向余弦继承位置测量更新带来的性能改善,从而减小其估计误差.蒙特卡罗仿真表明,这种序贯滤波算法,不但可以提高状态估计精度,而且其性能优于传统的推广Kalman滤波.     

基于改进扩展卡尔曼滤波的爬架运行安全姿态估计

为了实时准确的获取爬架运行时的姿态信息,提出了一种基于改进Sage-Husa扩展卡尔曼滤波算法（ISHEKF）的爬架姿态估计方法。首先建立了爬架姿态估计模型,然后在扩展卡尔曼滤波（EKF）对传感器进行融合滤波时,加入Sage-Husa扩展卡尔曼算法（SHEKF）对时变噪声进行调节,再以协方差匹配技术对Sage-Husa进行滤波发散判定,通过在调节因子中引入爬架实时运动速度,改进滤波发散判定依据,从而满足爬架运行时高精度的滤波要求。实验结果表明：静态实验中以横滚角为例,ISHEKF的最大误差较SHEKF减少了21.9%,较EKF最大误差减少了70.8%;动态实验中ISHEKF表现出更好的稳定性和滤波精度,能够准确反映爬架运行的状态变化。     

Improved Square-Root UKF Algorithm for State Estimation of Nonlinear Systems

The square-root unscented Kalman filter (SR-UKF) for state estimation probably encounters the problem that Cholesky factor update of the covariance matrices can't be implemented when the zero'th weight of sigma points is negative or the numerical computation error becomes large during the filtering procedure.Consequently the filter becomes invalid.An improved SR-UKF algorithm (ISR-UKF) is presented for state estimation of arbitrary nonlinear systems with linear measurements.It adopts a modified form of predicted covariance matrices,and modifies the Cholesky factor calculation of the updated covariance matrix originating from the square-root covariance filtering method.Discussions have been given on how to avoid the filter invalidation and further error accumulation.The comparison between the ISR-UKF and the SR-UKF by simulation also shows both have the same accuracy for state estimation.Finally the performance of the improved filter is evaluated under the impact of model mismatch.The error behavior shows that the ISR-UKF can overcome the impact of model mismatch to a certain extent and has excellent trace capability.     

基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法

基于GPS/SINS组合导航系统的模型不准确或者量测噪声多变所产生的滤波发散问题,研究了自适应渐消卡尔曼滤波对于滤波发散的抑制作用,文章提出一种利用新息协方差估计值和量测值实时自适应计算渐消因子的方法,用它调节卡尔曼滤波方程中预测误差协方差阵和增益矩阵,调整历史新息和当前新息的权重达到抑制滤波发散的目的。该算法能有效减少严格收敛判据推导渐消因子的计算量和限制条件,有效利用了当前新息值。仿真验证表明,提出的算法能有效抑制滤波发散,并且比常规卡尔曼滤波效果更佳。     

Multi-sensor federated unscented Kalman filtering algorithm in intermittent observations

Aiming at the adverse effect caused by limited detecting probability of sensors on filtering precision of a nonlinear system state,a novel multi-sensor federated unscented Kalman filtering algorithm is proposed.Firstly,combined with the residual detection strategy,effective observations are correctly identified.Secondly,according to the missing characteristic of observations and the structural feature of unscented Kalman filter,the iterative process of the single-sensor unscented Kalman filter in intermittent observations is given.The key idea is that the state estimation and its error covariance matrix are replaced by the state one-step prediction and its error covariance matrix,when the phenomenon of observations missing occurs.Finally,based on the realization mechanism of federated filter,a new fusion framework of state estimation from each local node is designed.And the filtering precision of system state is improved further by the effective management of observations missing and the rational utilization of redundancy and complementary information among multi-sensor observations.The theory analysis and simulation results show the feasibility and effectiveness of the proposed algorithm.     

惯导初对准中的平方根无轨迹卡尔曼滤波

针对无轨迹卡尔曼滤波(UKF)在递推过程中,有些情况下出现状态协方差逐渐失去正定性,导致计算发散现象,对状态协方差进行矩阵分解,在滤波中用其平方根进行计算,保证其正定性.采用平方根无轨迹卡尔曼滤波(SRUKF)对大失准角情况下惯性导航系统初始对准非线性ψ角模型进行估计.蒙特卡罗仿真结果表明,SRUKF与UKF在滤波精度和收敛速度上基本一致,SRUKF的数值稳定性优于UKF.     

基于观测误差调整的集合预报同化方法?

集合卡尔曼滤波对预报方差阵的估计不准,导致了滤波发散.为解决此问题,我们从状态与观测的关系出发,提出一种判断预报误差方差阵估计是否准确的准则.在此基础上,我们构建了基于观测误差控制的一种膨胀集合预报同化方法.数据模拟结果表明,与其他膨胀EnKF相比,这种方法能很好地克服滤波发散现象,其均方根误差更小,其长时间估计结果更为稳定,且构造更为简单,计算效率更高,是克服EnKF滤波发散现象的理想途径.     

GPS动态定位的强跟踪卡尔曼滤波研究

提出一种改进的强跟踪卡尔曼滤波算法，应用于ＧＰＳ动态定位滤中获得明显效果，首先采用描述机动载体运动的“当前”统计模型，建立了一咱新的ＧＰＳ动态定位扩展卡尔曼滤波模拟及其适应算法，然后，为了进一步提高滤波器的动态性能，改进了周东华等提出了的强跟踪滤波器，大大提高了ＧＰＳ动态定位位扩展卡尔曼滤器的跟踪能力。