自适应滤波在GPS/IMU/MV组合导航系统中的应用

本文提出了一种自适应数据融合方法,该方法根据位置误差、角度误差和统计信息,采用模糊逻辑控制器对卡尔曼滤波器的增益矩阵K,测量误差协方差R,观测误差协方差Q进行实时修正,将卡尔曼滤波器调整到最优状态。仿真结果证明该方法比传统卡尔曼滤波具有更高的精度。     

基于分离协方差交叉的全局反馈航迹融合

针对多传感器数据融合中互协方差未知的问题,提出了一种基于分离协方差交叉的全局反馈航迹融合方法,将误差协方差矩阵分离为相关信息误差协方差矩阵和独立信息误差协方差矩阵.在此基础上,提出了分离形式的卡尔曼滤波算法,并设计了全局信息反馈的分布式融合结构,克服了简单凸组合融合算法和协方差交叉算法中将所有的信息一起考虑的缺陷.仿真实验表明:本文算法比简单凸组合融合算法和协方差交叉融合方法具有更小的均方误差.     

一种基于相关系数矩阵分解的非线性滤波方法

介绍了基于统计线性回归的确定采样型滤波器结构,回归点选取的差异是这一类滤波器的本质区别,针对确定性采样型滤波器在选取回归点过程中为获得协方差矩阵的平方根矩阵所采用的矩阵分解问题,通过对协方差矩阵的分析,提出将协方差矩阵分解为标准差对角矩阵和相关系数矩阵,采用对相关系数矩阵进行奇异值分解的方法来获得协方差矩阵的平方根矩阵,从而得到一种新的回归点选取方法.该方法消除了状态向量中量纲的影响,获得了更准确的回归点,从而可以提高滤波精度.最后,采用两个典型的非线性模型对新的非线性滤波方法进行了验证,通过仿真验证了该滤波方法的有效性.     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.      

基于推广卡尔曼滤波的目标高度识别方法

目的 研究现役红外制导反舰导弹对舰船目标高度的识别方法,从而为此类导弹的最佳命中点选择奠定基础。方法 根据实际使用的导引头的技术条件,建立识别目标高度所需的数学模型,然后利用推广卡尔曼滤波理论识别目标高度。结果 根据导引头的技术数据进行了大量的仿真试验,得到了目标高度的识别误差小于０．９ｍ的仿真结果。结论 推广卡尔曼滤波识别目标高度的方法是选择最佳回调规律及确定最佳命中点的一种新方法。     

传感器数据异常下动力定位鲁棒状态估计方法

针对时变环境带来的传感器数据异常、未知环境干扰等影响,导致基于无迹卡尔曼滤波的动力定位状态估计方法估计精度下降的问题,提出了一种鲁棒无迹卡尔曼滤波方法,该方法通过引入一种基于指数加权的观测噪声协方差矩阵R自适应更新模块和一种基于卡方分布假设检验方法的过程不确定性识别模块处理传感器数据异常情况并估计未知环境力.最后,以某平台供应船的船模为仿真对象,进行了仿真对比实验.仿真结果表明,鲁棒无迹卡尔曼滤波能够准确及时地识别传感器数据异常情况,相较于传统无迹卡尔曼滤波而言,鲁棒无迹卡尔曼滤波状态估计精度更高,收敛速度更快,表现出较强的鲁棒性.     

未知噪声协方差的自适应容积卡尔曼滤波

针对噪声协方差不确定情况下容积卡尔曼滤波解决非线性目标跟踪中存在的问题,提出了一种优化的自适应容积卡尔曼滤波.首先根据新息序列和残差序列导出的线性矩阵方程得到噪声的协方差,基于新息序列与残差序列的相关性,推导出一种新的过程噪声协方差Q估计方法;然后采用残差序列对测量噪声协方差进行估计,利用加权因子将当前的噪声协方差矩阵与估计值组合成为新的测量噪声协方差阵R,有效避免了不准确状态估计的局限性.仿真结果表明:在时变噪声协方差的条件下,所提出的自适应容积卡尔曼算法的跟踪精度明显提高.     

基于压缩采样信号特征值的信号检测方法

以压缩采样为理论基础,通过调制宽带转换器进行信号采样,利用采样数据协方差矩阵特征值的特性进行信号检测.在多带信号检测研究里,依据传统的信号检测方法需要极高的采样速率和大量的采样点数,对采样系统和存储容量构成了很大的挑战.针对这一问题,提出了一种基于压缩采样信号特征值的信号检测方法.依据最小二乘法的求解原理,应用调制宽带转换器(MWC)结构进行数据采样,求得采样数据协方差矩阵并计算得到其归一化的特征值;根据高斯白噪声协方差矩阵特征值的直线分布特性,利用特征值偏离拟合直线的程度构造信号检测的判定准则.仿真结果表明了在低信噪比情况下依据少量数据进行信号检测的有效性,而且仿真也表明了随着MWC采样路数的增加,检测性能也随之增加.     

城市表层土壤重金属污染状况分析

研究了某城市表层土壤重金属污染问题。首先利用采样点数据和曲面插值方法得到8种重金属元素的城市土壤分布图。接着利用单因子指数法对各城区土壤中每一种重金属元素的污染程度进行评价,再利用内梅罗综合指数法得到各采样点及各城市功能区的综合污染状况。之后,对城市的污染源进行了分析,提出了确定污染源位置的原理和方法。     

基于模式识别的供水管网污染源追踪分析方法

针对供水管网单点源污染问题,建立了一种污染源定位分析方法,通过识别监测数据与模拟数据两系列之间的变化模式,求得污染物投加点、投加时间、投加浓度三者的信息．同时,针对可能存在的误差问题,提出了确定误差限的方法,进而保证最终求解结果包含真实污染源点．以某地区供水管网系统进行实例验证,结果表明,对于管网单点源连续注入式的污染事件,本方法可以较为快速而准确地定位出污染情况．对于实际供水管网污染的污染追踪,该方法具有一定的理论指导意义和应用价值．     

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.     

基于改进DAEKF的锂电池SOC和SOH联合估计

为提高锂离子荷电状态（state of charge,SOC）及健康状态（state of health,SOH）的精度,提出改进双自适应扩展卡尔曼滤波（dual adaptive extended Kalman filter,DAEKF）算法。基于二阶RC模型,建立空间状态方程;选取电池容量作为SOH的表征量,在双扩展卡尔曼滤波算法基础上引入改进的Sage-Husa自适应算法,实现系统协方差矩阵的实时更新;为降低系统计算量,进一步加入多时间尺度理论进行优化。实验结果表明,提出的算法能较准确地估计锂电池的SOC与SOH,SOC的平均误差为0.58%,SOH最大估计误差为0.8%,该算法正确有效。     

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.     

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.     

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.     

扩展卡尔曼粒子滤波算法的一种修正方法

针对扩展卡尔曼粒子滤波（EKF-PF）算法滤波精度较低的缺点，提出对其建议分布进行高阶修正的新算法．该算法针对非线性系统方程，基于二阶泰勒级数展开，利用高阶项对一阶扩展卡尔曼滤波（EKF）的状态估计向量及协方差阵做出适当修正，同时考虑到协方差阵计算中存在矩阵相减运算、计算误差以及参数不匹配等因素的影响，采用矩阵QR分解技术保证了协方差阵的正定性．新算法在一定程度上减小了局部线形化的截断误差，提高了建议分布的逼近程度．仿真实验表明，新算法在计算量增加不多的情况下，滤波精度有明显的提高．     

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。     

Robust SLAM using square-root cubature Kalman filter and Huber’ s GM-estimator

Mobile robot systems performing simultaneous localization and mapping ( SLAM) are generally plagued by non-Gaussian noise.To improve both accuracy and robustness under non-Gaussian meas-urement noise, a robust SLAM algorithm is proposed.It is based on the square-root cubature Kal-man filter equipped with a Huber’ s generalized maximum likelihood estimator ( GM-estimator) .In particular, the square-root cubature rule is applied to propagate the robot state vector and covariance matrix in the time update, the measurement update and the new landmark initialization stages of the SLAM.Moreover, gain weight matrices with respect to the measurement residuals are calculated by utilizing Huber’ s technique in the measurement update step.The measurement outliers are sup-pressed by lower Kalman gains as merging into the system.The proposed algorithm can achieve bet-ter performance under the condition of non-Gaussian measurement noise in comparison with benchmark algorithms.The simulation results demonstrate the advantages of the proposed SLAM algorithm.