ACDKF在SINS大方位失准角初始对准中的应用

将可以估计系统参数、噪声统计特性和修正滤波增益的自适应估计方法引入到CDKF算法中,并将其应用到SINS大方位失准角初始对准中,实现SINS大方位失准角初始对准,解决了噪声特性不准确的非线性问题,避免了线性化误差对滤波精度的影响,克服了噪声统计特性不准确的局限性,进一步提高了导航精度.采用自适应中心差分卡尔曼滤波(ACDKF)进行初始对准,提高了CDKF算法的收敛性和系统的稳定性.仿真结果表明:ACDKF能够克服噪声统计模型不准确对滤波结果的影响,对失准角的估计精度优于CDKF,进一步提高了系统的精度和可靠性.     

CDKF方法在外辐射源单站无源目标跟踪中的应用

针对外辐射源单站无源目标跟踪精度问题,将一种基于Sterling内插公式的新的非线性滤波算法—中心差分卡尔曼滤波算法(central difference Kalman filter,CDKF)应用到系统中。仿真结果表明,与传统的扩展卡尔曼滤波算法(extended Kalman filter,EKF)相比,CDKF具有更高的定位精度,且不需要计算Jacobian矩阵,更易实现;而与无迹卡尔曼滤波算法(unscented Kalman filter,UKF)相比,CDKF只有一个待优化的比例参数,参数的选择更加方便,且定位精度更高,所需运算时间更少。     

CDKF方法在外辐射源单站无源目标跟踪中的应用

针对外辐射源单站无源目标跟踪精度问题,将一种基于Sterling内插公式的新的非线性滤波算法-中心差分卡尔曼滤波算法(central difference Kalman filter,CDKF)应用到系统中.仿真结果表明,与传统的扩展卡尔曼滤波算法(extended Kalman filter,EKF)相比,CDKF具有更高的定位精度,且不需要计算Jacobian矩阵,更易实现;而与无迹卡尔曼滤渡算法(unscented Kalman filter,UKF)相比,CDKF只有一个待优化的比例参数,参数的选择更加方便,且定位精度更高,所需运算时间更少.     

基于简化差分插值滤波的编队卫星相对导航

将一种基于Stirling内插公式的非线性差分插值滤波(Divided Difference Filter-DDF)算法的简化形式(Simplified Divided Difference Filter-SDDF)应用到编队卫星相对导航中.该算法通过对非线性系统方程进行多项式展开并取有限差分插值项进行近似.数值仿真结果表明:该算法相对于EKF(Extended Kalman Filter)算法有明显的优势,有较高的滤波精度、更快的收敛速度和较好的稳定性,其中相对位置估计相比EKF提高79%、相对速度提高52%,对编队卫星相对导航具有一定应用价值.     

基于中心差分卡尔曼滤波的航天器视觉相对导航算法研究

在航天器视觉相对导航过程中,量测方程的非线性特性会影响航天器相对位姿的估计精度.分析了扩展卡尔曼滤波方法(EKF)将非线性模型线性化时存在的缺点,研究了中心差分卡尔曼滤波方法(CDKF),提出用中心差分卡尔曼滤波方法来解决视觉导航中两航天器的相对位姿估计问题,并给出了EKF与CDKF的仿真结果.仿真结果表明在相同条件下,CD-KF算法比EKF具有更高的精度和稳定性,该方法能够在航天器视觉相对导航中应用.     

两飞行体相对定位技术及其滤波算法研究

为了解决两飞行体相互之间的定位问题,在二维平面运动模型的基础上提出了相位差变化率定位方法,进行了可观测分析,给出了可观测分析结果。同时简单介绍了几种典型
非线性滤波算法,并将EKF（Extended Kalman Filter）、UKF（Unscented Kalman Filter）、PF(Particle Filter）等非线性滤波方法应用到定位模型中。仿真结果表明,UKF方法用时最短,PF滤波方法精度最高。     

EM-CDKF算法及其SINS初始对准应用

针对非线性捷联惯导系统噪声先验统计信息未知问题,基于中心差分卡尔曼滤波基本算法,采用极大似然准则构造极大期望最速下降梯度算法展开系统未知噪声统计特性在线估计计算研究,构建一类捷联惯导系统初始对准极大期望自适应中心差分最优滤波算法.该算法利用极大似然准则构造系统噪声统计特性对数似然函数,采用极大期望最速下降梯度法把系统噪声统计特性估计转化为对数似然函数期望最大值计算,获得系统过程噪声和观测噪声在线递推估计的自适应极大期望中心差分卡尔曼算法.经过大方位失准角捷联惯导系统初始对准仿真实验,与中心差分卡尔曼滤波基本算法相比,自适应极大期望中心差分卡尔曼算法能够有效解决基本算法在系统噪声先验知识未知情形下的滤波精度下降甚至发散问题,并且能够实现系统噪声统计特性的在线递推估计.     

SINS/CCD系统四元数中心差分姿态估计算法

针对载体捷联惯性导航系统(SINS)姿态确定中乘性四元数扩展卡尔曼滤波在大初始失准角情形下收敛速度慢及计算精度较低的问题,提出了捷联惯导与星敏感器组合系统姿态估计模型的单位四元数二阶中心差分算法.在推导系统姿态四元数非线性误差模型及其变量计算基础上,利用拉格朗日代价函数法计算四元数加权均值和四元数状态向量,以及非四元数向量分离策略计算估计均值及其方差矩阵,实施中心差分最优姿态估计计算达到提高算法计算精度和降低系统计算量的目的.仿真验证表明:在载体大初始失准角情形下,该算法相比于乘性扩展卡尔曼算法和四元数无迹卡尔曼算法,滤波精度得到提高,算法收敛速度相比于乘性扩展卡尔曼算法有所改善.     

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．     

R-T-S平滑算法在捷联惯性异航系统初始对准精度事后评估中的应用

捷联惯性导航系统(SINS)通常采用Kalman滤波实现初始对准．由于R-T-S最优固定区间平滑算法的精度比Kalman滤波高，采用R-T-S最优平滑算法通过事后处理SINS对准数据来计算SINS的失准角，作为参考失准角，对SINS初始对准的精度进行事后评估．以船用SINS为例进行了仿真．结果表明，R-T-S最优平滑算法的精度比Kalman滤波精度高，从而说明利用R-T-S平滑算法对SINS初始对准精度进行事后评估是可行的．     

基于UKF的INS/GPS组合导航系统仿真

通过Unscented卡尔曼滤波(UKF)算法,研究INS/GPS紧耦合组合导航系统中滤波算法的问题,避免了对非线性的系统方程进行线性化。同时将自适应原理引入UKF,给出了一种自适应UKF算法。将EKF、UKF和自适应UKF分别应用到INS/GPS组合导航系统的滤波中。仿真结果表明,相比UKF算法,自适应UKF算法进一步提高导航解的精度和收敛速度,同时系统的鲁棒性也得到了提高。     

CDKF 算法在四旋翼飞行器组合导航系统中应用

针对基于四旋翼无人飞行器的组合导航系统在小失准角情况下滤波器较短时间内发散的问题, 将中心差分卡尔曼滤波算法应用于低成本的组合导航系统中, 设计了飞行器组合导航系统的硬件电路。该系统采用MPU-6050 芯片作为飞行器姿态传感器, 选用u-Blox 公司的NEO-6M 模块获取GPS(Global Positioning System)信号, 并利用中心差分卡尔曼滤波算法实现多传感器的数据融合, 从而获取导航信息。在四旋翼无人飞行器平台上对该系统进行实验的结果表明, 该导航系统能有效抑制传感器噪声, 克服了陀螺仪的漂移现象, 避免了传统EKF((Extended Calman Filter) )算法近似程度不高, 易导致解算结果发散等问题的发生, 为飞行器提供了准确的导航信息。     

乙苯化工过程的分布式无迹卡尔曼滤波方法

乙苯化工过程由一系列连续搅拌釜式反应器和分离器组成的大规模非线性系统,针对这一类系统提出了一种基于分布式无迹卡尔曼滤波的状态估计方案。该方法通过将系统分解,对每个子系统设计局部无迹卡尔曼滤波,它接收局部测量值,并与其他滤波器协同计算局部状态估计值的方法完成整个系统的状态估计。给出了详细的分布式无迹卡尔曼滤波的设计方法和估计算法。在不同的噪声下对分布式和集中式无迹卡尔曼进行了比较分析。仿真结果表明,分布式无迹卡尔曼滤波可以很好地处理强噪声,正常噪声下比集中式无迹卡尔曼滤波有更稳定的性能,但在理想噪声下集中式无迹卡尔曼滤波有更好的表现。     

基于非线性预测滤波和UKF的状态估计方法

非线性系统存在建模误差时,UKF的状态估计误差较大,为了提高UKF对非线性系统的状态估计能力,本文将非线性预测滤波(NPF)方法和UKF相结合,提出了一种改进的UKF。首先应用NPF求得模型误差值,得到非线性系统的修正模型,将模型离散化再应用UKF进行状态估计。在仿真实验中分别应用单纯的UKF和改进后的UKF对一个存在模型误差的非线性系统进行状态估计,对它们的估计结果进行了比较和分析,结果表明结合NPF的UKF能够提高非线性系统状态估计的精度。     

基于改进IMM-UKF算法的一种融合航迹推演的红外路标室内定位方法

在结构化环境中,针对室内机器人导航对精度和实时性的要求,在一种新型红外路标定位方法的基础上,为满足全局导航的需要并简化硬件结构,提出一种融合航迹推演的红外路标室内定位方法,将单个大功率红外发射管作为路标,移动机器人上的红外摄像头作为接收传感器,融合采用改进的交互多模型无迹卡尔曼滤波(interacting multiple models unscented Kalman filter,IMM-UKF)算法.将融合航迹推演的红外路标室内定位方法和一般的定位方法做了比较,并将融合所采用改进的IMM-UKF算法与一般的融合算法做了比较.实验结果表明,提出的基于改进IMM-UKF算法的融合航迹推演的红外路标室内定位方法获得了比一般的定位方法更快的定位速度和更高的定位精度,且改进IMM-UKF算法比一般融合算法获得的定位精度更高.     

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

中央差分多模型算法在蛇形机动目标跟踪问题中的应用

将中央差分卡尔曼滤波算法整合融入多模型算法,提出一类中央差分多模型算法并将其应用于典型的非线性跟踪问题,针对蛇形机动目标进行仿真验证。结果表明,和经典非线性多模型滤波器相比,该算法具有更高的估计精度和更快的收敛速度,且计算量适中,易于实现实时跟踪。     

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.