基于平方根UKF的多传感器融合再入段目标跟踪研究

为了提高再入段目标跟踪的精度,将平方根不敏卡尔曼滤波（unscented Kalman filter, UKF）算法与多传感器分布式融合算法相结合,提出了基于平方根UKF的多传感器融合跟踪算法。在各个独立的传感器中利用平方根UKF滤波器进行状态估计,然后通过分布式融合方法融合各传感器的状态估计值得到全局的状态估计值和误差协方差,将全局误差协方差进行加权对各传感器进行分配更新。通过仿真验证,基于平方根UKF的多传感器融合跟踪算法具有较高的跟踪性能,是一种有效的非线性融合跟踪算法。     

基于平方根UKF的车辆组合导航

针对扩展卡尔曼滤波(EKF)在车辆导航中存在着计算复杂、线性化误差大等缺点,将一种新的非线性滤波方法--平方根UKF方法(SRUKF)用于车辆GPS/DR组合导航中.和普遍采用的EKF方法相比,SRUKF方法不仅提高了车辆组合定位的精度和稳定性;而且不需要模型的具体解析形式,避免了复杂的Jacobi-an矩阵的计算,算法更简单,也更加易于实现.为了检验其有效性,将两种方法分剐对车辆GPS/DR组合导航系统进行滤波仿真,仿真结果进一步表明SRUKF方法明显优于EKF方法,是车辆组合导航中一种更理想的非线性滤波方法,真正实现了车辆低成本、高精度的实时定位.     

改进的强跟踪平方根UKF在卫星导航中应用

针对应用于受不确定性干扰和噪声影响的卫星自主导航系统中的无迹卡尔曼滤波（unscented Kalman filter,UKF）存在估计精度低、跟踪性能差和鲁棒性弱等缺陷,提出一种改进的强跟踪平方根UKF(strong tracking square-root UKF, STSRUKF)导航方法。该方法中利用星敏感器和光学导航相机设计出导航方案,并通过转换方程将间接量测量转换为观测量。针对平方根UKF（square-root UKF, SRUKF）在高阶系统中因为sigma点的零权值系数是负的或者数值计算误差太大时而可能造成滤波器发散问题,采用一种改良的平方根分解方法,改善了滤波器的稳定性。同时,基于强跟踪滤波器理论（strong tracking filters, STF）,引入多重自适应衰减因子调节协方差矩阵,使得滤波器具有强跟踪能力和克服系统模型不确定的鲁棒性,改善了滤波器的估计精度。将该方法应用于卫星自主导航系统中,实验仿真结果表明,相对于平方根UKF和STF,该方法不仅保证了系统的可靠性,还提高系统的导航精度和改善系统的鲁棒性及跟踪能力。     

基于核自构建-高斯过程回归的锂离子电池剩余使用寿命预测

高斯过程回归是锂离子电池剩余使用寿命的有效预测方法之一,其中核函数的选择对预测结果有着重要影响。对此,提出了一种自回归核自构建高斯过程回归的锂离子电池剩余寿命预测框架,可结合同型号电池的历史容量退化规律,自动构建出合适的组合核函数。通过与不同的机器学习方法及不同核函数比较,所提方法可在电池退化早期做出长期且准确的电池健康状态退化趋势预测,预测寿命均方根误差小于1%,相对误差小于6%,置信区间也更为集中,证明了所提方法能够有效提高电池剩余使用寿命的长期预测精度。     

基于高斯过程回归的大气进入段航天器飞行能力预测方法

轨迹优化技术是目前大气进入段研究的关键技术之一,如何在大气进入动力学复杂、航天器设计参数各异以及进入过程多约束的条件下,对进入轨迹性能参数进行评估是轨迹设计研究的重要问题。对此,以二维落点走廊为表征的大气进入段最大飞行航程作为性能指标,针对传统轨迹优化方法求解计算量庞大的问题,提出了一种基于高斯过程回归(Gaussian process regression, GPR)的大气进入段航天器飞行能力快速预测方法,挖掘航天器进入初始轨迹参量与轨迹包络特征参量之间的映射关系,求解航天器最大航程时避免了复杂的动力学建模以及大规模的迭代寻优过程。利用所提方法对1 000余组不同进入场景的进入轨迹最大航程进行快速预测,将预测结果用于进入段航天器飞行能力评估,为解决大气进入领域相关工程问题提供参考。     

基于高斯过程回归的大气进入段航天器飞行能力预测方法

轨迹优化技术是目前大气进入段研究的关键技术之一,如何在大气进入动力学复杂、航天器设计参数各异以及进入过程多约束的条件下,对进入轨迹性能参数进行评估是轨迹设计研究的重要问题。对此,以二维落点走廊为表征的大气进入段最大飞行航程作为性能指标,针对传统轨迹优化方法求解计算量庞大的问题,提出了一种基于高斯过程回归(Gaussian process regression, GPR)的大气进入段航天器飞行能力快速预测方法,挖掘航天器进入初始轨迹参量与轨迹包络特征参量之间的映射关系,求解航天器最大航程时避免了复杂的动力学建模以及大规模的迭代寻优过程。利用所提方法对1 000余组不同进入场景的进入轨迹最大航程进行快速预测,将预测结果用于进入段航天器飞行能力评估,为解决大气进入领域相关工程问题提供参考。     

基于四元数平方根UKF算法的SINS/GPS紧组合导航系统研究

在较大初始姿态误差角下,针对SINS/GPS紧组合导航系统扩展卡尔曼滤波（extenthed Kalman filter, EKF）算法定位精度下降的问题,提出了一种基于四元数的平方根无迹卡尔曼滤波（square root unscented Kalman filter, SRUKF）算法。为解决SRUKF算法中四元数正交规范化的限制,通过构造姿态矩阵代价函数将四元数预测均值问题转化为代价函数最小时的四元数向量求解问题,保证了均值四元数的规范化;利用乘性四元数误差表示四元数预测值与均值之间的距离,求取四元数的预测协方差矩阵,保证了算法的合理性。在此基础上,给出了SINS/GPS紧组合系统四元数平方根无迹卡尔曼滤波算法的具体步骤。在较大初始姿态误差角下的仿真实验结果表明,与EKF算法相比,该算法精度更高,稳定性更强。     

基于UKF的导弹SINS/CNS姿态估计方法

针对中远程弹道导弹的特点,在分析研究捷联惯性导航系统/天文导航系统(strapdown inertial navigation system/celestial navigation system, SINS/CNS)组合导航测量修正方案的基础上,建立了导弹四元数运动学方程、陀螺测量模型,星敏感器测量模型等系统方程,将无轨迹卡尔曼滤波(unscented Kalman filter, UKF)算法应用于主动段关机点环境,通过对陀螺常值漂移、一阶漂移的在线估计,达到高精度导弹姿态的实时输出。与EKF、QUEST、MLS和捷联惯性迭代递推算法比较,仿真结果表明了UKF算法具有更高的精度,收敛快,适于在无控飞行阶段的工程应用。     

金融波动的平方根随机自回归波动模型

讨论了SR-SARV模型的时间聚合性和同期聚合性,比较了波动模型之间的关系,指出了SR-SARV模型研究的意义,并给出其参数估计方法,对上证指数进行了实证研究。     

基于平方根UKF的双星编队相对状态自主确定

基于AFF技术,提出了一种利用类GPS敏感器进行星间测量的双星编队相对状态自主确定算法。该算法以双星编队相对轨道和相对姿态运动方程为状态方程;为消除系统误差和钟差的影响,用同一卫星不同接收天线之间的伪距观测值的单差来构造测量方程;为保证协方差阵的正定性,提高计算精度和速度,应用平方根UKF滤波方法进行双星编队相对状态的自主确定。仿真结果验证了所给出方法的可行性和有效性。     

迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter, IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2~3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter, UKF)的迭代收益就难以保证。     

Fault tolerant navigation method for satellite based on information fusion and unscented Kalman filter

An effective autonomous navigation system for the integration of star sensor, infrared horizon sensor, magnetometer, radar altimeter and ultraviolet sensor is developed. The requirements of the integrated navigation system manager make optimum use of the various navigation sensors and allow rapid fault detection, isolation and recovery. The normal full fusion feedback method of federated unscented Kalman filter (UKF) cannot meet the needs of it. So a no-reset feedback federated Kalman filter architecture is developed and used in the autonomous navigation system. The minimal skew sigma points are chosen to improve the calculation speed. Simulation results are presented to demonstrate the advantages of the algorithm. These advantages include improved failure detection and correction, improved computational efficiency, and reliability. Additionally, its’ accuracy is higher than that of the full fusion feedback method.     

Modified unscented Kalman filter using modified filter gain and variance scale factor for highly maneuvering target tracking

To improve the low tracking precision caused by lagged filter gain or imprecise state noise when the target highly maneuvers, a modified unscented Kalman filter algorithm based on the improved filter gain and adaptive scale factor of state noise is presented. In every filter process, the estimated scale factor is used to update the state noise covariance Qk, and the improved filter gain is obtained in the filter process of unscented Kalman filter （UKF） via predicted variance Pk｜k-1, which is similar to the standard Kalman filter. Simulation results show that the proposed algorithm provides better accuracy and ability to adapt to the highly maneuvering target compared with the standard UKF.     

Phase noise filtering and phase unwrapping method based on unscented Kalman filter

This paper presents a new phase unwrapping algorithm based on the unscented Kalman filter(UKF) for synthetic aperture radar(SAR) interferometry.This method is the result of combining an UKF with path-following strategy and an omni-directional local phase slope estimator.This technique performs simultaneously noise filtering and phase unwrapping along the high-quality region to the low-quality region,which is also able to avoid going directly through the noisy regions.In addition,phase slope is estimated directly from the sample frequency spectrum of the complex interferogram,by which the underestimation of phase slope is overcome.Simulation and real data processing results validate the effectiveness of the proposed method,and show a significant improvement with respect to the extended Kalman filtering(EKF) algorithm and some conventional phase unwrapping algorithms in some situations.     

基于自适应UKF算法的机载INS/GPS空中对准研究

在空中对准失准角不满足小角度假设的条件下,推导了一种新的机载INS/GPS大失准角空中对准的误差模型。将基于极大似然估计的自适应估计器与无迹卡尔曼滤波(unscented Kalman filter, UKF)算法相结合,修改自适应滤波算法中自适应参数的表达式。提出将自适应UKF算法用于非线性误差模型的空中对准方案中。仿真表明,自适应UKF算法能够克服噪声统计模型不准确对滤波结果的影响,失准角估计的精度好于UKF算法的精度。     

基于UKF的自组织模糊神经网络训练算法

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点,针对这一问题,提出了基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的自组织模糊神经网络的训练算法。分析了模糊神经网络的非线性动力系统表示,并用递推最小二乘法（recursive least square, RLS）和UKF分别学习线性和非线性的参数,给出了模糊规则生成的准则和参数更新的策略;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则。通过典型的函数逼近和系统辨识实例,表明所提算法得到的模糊神经网络的结构更为紧凑,泛化性能更佳。     

UKF方法在惯性导航系统初始对准中的应用研究

针对初始对准的精度直接影响系统工作性能问题,在初始对准中引入Unscented卡尔曼滤波算法(UKF)。Unscented卡尔曼滤波算法没有把非线性系统近似为线性系统,而是使用确定性样本的方法处理非线性问题,使采样点的均值和方差完全符合实际的非线性系统的均值和方差,解决了惯性导航系统正常工作的基本条件。仿真结果显示,使用Unscented卡尔曼滤波时惯性导航系统初始对准的精度和稳定性都好于普遍使用的广义卡尔曼滤波方法。