自适应联合H∞滤波器及其在组合导航系统中的应用

研究了联合H∞滤波模型融合信息在各子滤波器中的分配原则,利用改进的Elman网络设计了信息分配系数自适应调节算法,给出了引用此算法的自适应联合H∞滤波器模型,并且给出了该模型的详细算法．MIMU／GPS／HMR组合导航系统的仿真结果表明,应用本文提出的自适应联合H∞滤波器实现了融合信息在各局部滤波器和主滤波器的自适应分配,提高了系统状态估计精度和滤波器解算速度．     

光纤SINS/GPS组合导航系统分析

为提高光纤陀螺捷联惯导系统的精度,以光纤陀螺捷联惯导系统与全球定位系统（GPS Globle Position System）为研究对象,采用联邦卡尔曼滤波算法,构成了SINS/GPS(Strap-down Inertial Navigation Systerm/ Globle PositionSystem)组合导航系统。仿真结果表明,该算法能及时修正子滤波器的偏差,大大降低子滤波器的模型误差,进而提高整个滤波器的精度,并有效克服了滤波发散现象。     

广义相关时延估计算法的自适应实现形式

认为广义相关时延估计算法的缺陷是依赖对输入信号及噪声先验知识,特别是对其功率谱的了解,而在实际应用中,往往缺乏这种先验知识,只能以估计值来代替,从而影响时延估计精度,自适应滤波器一般只需要很少或根本不需要任何关于输入信号和噪声的先验知识且性能良好,若用自适应滤波器替代广义相关法中的预滤波器就可放松或免除对输入信号和附加噪声的条件限制,提高时延估计的精度,广义相关时延估计算法时域中的预滤波器就是其频域中的权函数,从理论上证明了,任何一个广义相关权函数,都能够变换成一个或几个Roth处理器的组合形式,实际上,Roth处理器就是自适应滤波器实现的,能对原始带噪信号做最优化估计的维纳滤波器,从而实现了自适应广义相关时延估计算法。     

联合卡尔曼滤波器在多传感器系统的信息融合及容错中的应用

对集中滤波器和分散滤波器的性能特点进行了比较和分析，指出了它们应用于多传感器系统时的不足之处，提出了联合卡尔曼滤波器的结构和算法，并在精度、计算效率和容错能力方面与传统的集中滤波器和分散滤波器进行了比较，提出联合卡尔曼滤波器由于采用了系统信息分配原理，可以进一步改善系统的容错能力及精度，因此特别适用多传感器系统，可以提高系统的精度和容错、复原能力。     

广义相关时延估计算法的自适应实现形式

认为广义相关时延估计算法的缺陷是依赖对输入信号及噪声先验知识 ,特别是对其功率谱的了解 ,而在实际应用中 ,往往缺乏这种先验知识 ,只能以估计值来代替 ,从而影响时延估计精度 .自适应滤波器一般只需要很少或根本不需要任何关于输入信号和噪声的先验知识且性能良好 ,若用自适应滤波器替代广义相关法中的预滤波器就可放松或免除对输入信号和附加噪声的条件限制 ,提高时延估计的精度 ,广义相关时延估计算法时域中的预滤波器就是其频域中的权函数 .从理论上证明了 ,任何一个广义相关权函数 ,都能够变换成一个或几个 Roth处理器的组合形式 .实际上 ,Roth处理器就是自适应滤波器实现的、能对原始带噪信号做最优化估计的维纳滤波器 ,从而实现了自适应广义相关时延估计算法 .     

混合坐标系singer模型跟踪突发机动目标改进算法研究

针对混合坐标系下singer模型对跟踪弱机动目标初期误差出现跳变现象,且对突发机动跟踪自适应能力较差的情形,本文提出一种改进算法,通过引入渐消因子,实时调节一步预测协方差,以此调节滤波器增益,增强了滤波器跟踪突发机动目标的适应能力,同时改进了混合坐系下singer模型跟踪算法的精度.仿真结果表明,本文算法对突发机动自适应跟踪能力和弱机动目标跟踪精度都有提高     

基于模糊推理的改进的交互式多模型算法

为了提高交互式多模型算法的跟踪精度,提出一种利用模糊推理对交互式多模型算法进行优化的方法,以模型概率为输入,输出值为模型系统噪声协方差的系数,通过该系数来调节模型系统噪声协方差以减少误差;以基于卡尔曼滤波器的交互式多模型滤波器的应用为例,分别对交互式多模型算法在模型匹配和不匹配的情况进行实验分析,并对改进前、后的交互式多模型算法进行比较。结果表明,基于模糊推理的改进的交互式多模型算法能取得更好的跟踪效果。     

基于模糊神经网络融合的目标自适应跟踪算法

为解决基于“当前”统计模型的自适应滤波器对弱机动,特别是非机动目标跟踪精度下降问题,提出基于模糊神经网络的目标自适应跟踪算法,对并行工作的两滤波器进行数据融合.仿真结果表明:与一般自适应算法相比,该算法对各种机动程度的目标跟踪精度均有不同程度的提高,能更好地适应目标的各种运动形式,尤其适用于对目标的速度和加速度估计精度要求较高的场合,在指控、火控系统中具有实用价值.     

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。     

确定指数平滑参数的最优化方法

依据统计学原理以指数平滑预测模型进行了精度分析,建立了估计指数平滑参数α的最优化模型,给出了优化模型求解算法。实例计算结果表明,与试算法比较,该优化方法具有较快的收敛速度和较高的计算精度。     

基于AR模型的非线性目标跟踪自适应算法

针对Jerk模型中各参数设置不合理对跟踪系统所造成的影响,提出一种基于自回归（AR）模型的Jerk参数自适应改进算法,实时估计并调整系统的参数,提高系统的跟踪精度及稳定性;同时,针对非线性目标跟踪系统扩展卡尔曼滤波算法（EKF）计算复杂跟踪精度低,提出采用平方根容积卡尔曼滤波器（SRCKF）进行状态估计,保证跟踪系统的精度和鲁棒性,为Jerk模型参数自适应提供良好条件.仿真结果验证了算法的有效性.     

改进的强跟踪平方根分解UKF算法应用研究

针对一类非线性系统滤波问题,提出了一种改进的强跟踪平方根分解UKF算法.该算法通过引入自适应渐消因子改善了滤波器的鲁棒性,利用改善的平方根分解方法提高了滤波器的计算效率.通过实验仿真验证,该算法相对于传统的强跟踪UKF算法具有相近的估计精度和更快的计算效率,相对于强跟踪滤波器具有更高的精度.     

车载GPS/DR组合导航系统卡尔曼滤波方法的改进

将全球定位系统(GPS)和航位推算法(DR)两种定位方式结合,实现车辆GPS/DR组合定位系统的自适应信息融合.联合卡尔曼滤波器存在数学模型不确定性和误差模型的随机性的缺点,提出改进方法是采用联邦滤波器,并引入利用模糊推理建立的模糊自适应联邦滤波器,提高了系统的精度和功能.     

惯性/北斗组合导航系统的鲁棒H∞滤波

为提高惯性/北斗组合导航系统的精度, 将鲁棒H∞滤波算法应用于惯性/北斗组合导航系统中, 该算法可克服模型的不确定性对滤波精度的影响, 并将滤波器的设计问题转化为线性矩阵不等式约束的凸优化问题。仿真试验最终表明, 鲁棒H∞滤波算法应用于组合导航系统是有效的。     

神经过程和运动模型混合驱动的机动目标跟踪算法

针对基于贝叶斯滤波器模型的目标跟踪算法非常依赖先验知识,在复杂场景中跟踪性能下降的问题,提出了一种神经过程和运动模型混合驱动的机动目标跟踪算法。利用神经网络构建一个目标运动的随机微分方程来提高对目标运动的建模能力;使用加速度模型作为领域知识约束目标状态的微分方程,构造一个混合驱动的解码器;利用所构成的混合驱动解码器替换神经过程的解码模块,形成一种无监督学习的混合驱动滤波器。仿真实验结果表明：所提算法同时具有数据驱动和模型驱动算法的优势,依赖先验知识少,能在不同场景下保持稳定的跟踪精度,生成的轨迹较神经过程滤波器更加平滑且具有目标动力学特征;与经典的贝叶斯滤波器相比,所提算法的状态估计峰值误差平均降低了20%。     

基于多传感器信息融合理论的交互式多模型算法

在经典的交互式多模型算法中,对似然函数的高斯近似以及概率密度函数与概率质量函数的混合计算使得所求得的模型概率仅为贝叶斯意义下的次优值.为解决此问题,基于各滤波器估计误差的相关性和多传感器最优信息融合准则,提出了一种重新加权的交互式多模型算法.该算法通过计算估计误差的互协方差阵对模型概率进行更新,在此基础上利用最优信息融合理论对各滤波器的滤波结果进行融合.理论分析及仿真结果表明:经过重新加权的交互式多模型算法较原始算法以及其他忽略误差相关性的交互式多模型的改进算法在估计精度上均有显著的提高.     

基于时空信息的无迹变换滤波算法

提出了一种利用UKF算法实现对机动目标进行无源定位与跟踪的滤波方法.仿真结果表明,与扩展卡尔曼滤波器相比,UKF算法的滤波精度和稳定性都有了明显提高.该算法能更好地解决测量模型非线性问题条件下的单站无源定位跟踪问题.     

粗糙控制可调精度规则挖掘模型与应用

针对粗糙控制中控制精度不高、控制效率低等问题,提出了基于区间概念格的粗糙控制可调精度规则挖掘模型,以降低规则挖掘成本及提高应用效率.模型首先对采集到的原始数据进行预处理,使其转化成布尔型的形式背景;其次,参照一般区间概念格的生成算法进行了粗糙控制背景下的区间概念格的构造;再次,提出可调精度控制规则挖掘算法,建立了基于区间概念格的粗糙控制可调精度规则挖掘模型,最后,模型分析和实例对比验证了模型在提高规则可靠性的前提下,实现了挖掘成本和控制效率的最优化.     

高速伺服注塑机成型过程预测迭代学习控制

将学习控制应用于高精密快速伺服注塑机成型过程，根据成型过程的特点设计了一个预测迭代学习控制器，并利用先前得到的系统模型对算法进行仿真．控制器由前馈和反馈控制两部分组成，引入滤波器用于增强学习控制器的鲁棒性．将预测学习控制算法在伺服注塑机上进行了实验．实验和仿真结果表明，该预测学习算法对提高成型过程的位置重复精度效果明显．     

遗传算法的BP网络模型进行瓦斯涌出量预测

从提高采煤工作面瓦斯涌出量预测的速度和精度入手,将遗传算法与神经网络2种非线性最优化算法的优势加以融合,提出了一种利用遗传算法同时优化BP网络的连接权和拓扑结构的网络模型,并以韩城下峪口煤矿为例,进行了实际应用。结果表明:改进后的BP网络模型预测精度较高,具有良好的应用前景。