高动态GPS/INS组合导航算法研究

首先介绍了新型深组合GPS/INS系统原理图及组合导航滤波算法。在该算法中,组合卡尔曼滤波器除完成INS误差及GPS接收机时钟误差的估计外,还参与了GPS码跟踪,即完成传统码跟踪环中环路滤波器的功能。采用自适应码跟踪误差估计器补偿组合卡尔曼滤波器测量值中的相关分量,从而消除了传统组合中不稳定的主要根源。然后进行了计算机仿真计算,仿真结果表明,新型深组合GPS/INS导航算法适用于机动性较高的载体。     

基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

基于多重渐消因子的自适应卡尔曼滤波器

现有计算渐消因子的自适应卡尔曼滤波器得到的通常是标量渐消因子,从而导致各滤波通道具有相同的调节能力,不利于提高滤波精度。针对〖JP3〗该问题,提出了一种利用估计均方误差和新息协方差估计值来计算多重渐消因子的方法,通过一组并行工作的基于限定记忆指数加权的新息协方差估值器来计算渐消因子,并根据估计均方误差把渐消因子分配给各滤波通道,从而提高自适应卡尔曼滤波器整体性能,仿真结果证明了所提方法的有效性。     

基于时延补偿卡尔曼滤波器的NCS组合式X2故障检测

考虑一类时延网络控制系统,提出了一种具有时延补偿功能的卡尔曼滤波器设计方法,并对系统进行状态估计.通过对系统时延特性的研究,采用变分法推导出了时延网络控制系统的离散时间卡尔曼滤波公式,给出了具体的最优线性递推滤波算法.并且在对系统进行故障检测方面,提出了一种新的组合式x2检验法.最后通过仿真实例验证了所设计的卡尔曼滤波器与组合式x2检验法的有效性.     

基于无轨迹卡尔曼滤波器的感应电机转速估计

借助仿真,深入探讨了卡尔曼滤波器家族新成员—无轨迹卡尔曼滤波器(UKF)用于感应电机转速估计这一问题。分析了采样周期以及滤波器参数对UKF收敛特性的影响,从静态性能、动态响应速度、对电机参数的灵敏度、算法复杂度等各方面评价了UKF转速估计性能,并与经典的扩展卡尔曼滤波器(EKF)转速估计进行了比较。结果表明UKF并不能以预想的突出优势在感应电机转速估计问题上取代EKF。     

异常值和未知观测噪声鲁棒的卡尔曼滤波器

给出了对异常值和未知分布的观测噪声鲁棒的卡尔曼滤波器.分析表明当以Huber损失函数替代推导卡尔曼滤波器最大后验准则中观测误差的l2范数时,就构造了一个新的准则.由于Huber损失函数可同时描述l1和l2范数,因此由这个新准则推导的卡尔曼滤波器,在具有传统卡尔曼滤波器性质的同时,也有了l1范数对异常值鲁棒的特性.而当含...     

基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题, 提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上, 使用三阶容积原则推导了状态预测公式, 并使用M-M方法实现状态的量测更新, 构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中, 仿真结果表明, 基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后, 分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响, 验证了所提算法的鲁棒性。     

基于线偏差测量的目标运动参数估计方法及仿真研究

建立了遥控制导系统目标运动方程和观测方程,为估计目标运动参数,如目标距离,目标运动速度,目标机动方向等,设计了推广卡尔曼滤波器及针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器。进行了数学仿真,结果表明在制导系统中的目标运动参数估计方面,自适应推广卡尔曼滤波器的性能优于推广卡尔曼滤波器。     

模糊自适应强跟踪卡尔曼滤波器研究

针对卡尔曼滤波器对系统模型依赖性强、鲁棒性差和跟踪机动目标能力有限的问题,提出了一种具备模糊自适应特点的模糊强跟踪卡尔曼滤波器(fuzzystrongtrackingKalmanfilter,FSTKF)。这种方法主要利用模糊逻辑自适应控制器监测残差均值与标准差,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中多重次优渐消因子进行自适应调整,进一步提高滤波器的估计性能。仿真结果表明,该改进滤波器跟踪机动目标的精度高于常规卡尔曼滤波器和强跟踪卡尔曼滤波器。     

基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。     

动基站时差探测系统定位与滤波技术研究

针对传统长基线时差探测系统的缺点,本文提出了全新的动基站时差测量系统,并给出了目标的定位原理。针对此探测系统的特点,提出了一种高度简化的加权最小二乘算法,该算法利用子集选优法分析结果,并忽略各子集位置误差的相关性,从而有效地减小了运算量,同时保证了较高的目标位置测量精度。通过伪线性卡尔曼滤波法和广义卡尔曼滤波法进一步减小了目标位置的探测随机误差,统计仿真结果证明了这一数据处理流程的有效性。     

基于m-best数据关联和小轨迹关联多目标跟踪算法

视频多目标跟踪中目标较多时,联合概率数据关联算法计算量大,实时性差。由于遮挡等问题,联合概率数据关联算法得到的往往是目标的轨迹片段。针对上述问题,首先利用线性规划自适应迭代求解m个最优联合事件简化联合概率数据关联算法,然后提出基于Kalman滤波及外推法的双向运动预测计算轨迹间的距离矩阵,用近邻传播聚类对目标的轨迹片段进行关联。实验结果表明,本文提出的方法在目标多且容易发生遮挡的情况下仍能够实时有效的跟踪,提高了跟踪准确度,具有一定的抗干扰能力。     

多站雷达中机动目标高精度跟踪分析

在快速卡尔曼滤波跟踪算法的基础上,提出了一种机动目标位置和速度的高精度卡尔曼滤波算法,用于仅提供距离和测量的多站雷达系统对机动目标的高精度定位和高精度测速。多站雷达系统提供给数据处理中心的距离和信息,通过滤波迭代算法估算出目标的位置和速度。对机动目标的仿真实验结果表明,该算法不仅改善了以前文献中目标位置的定位精度,而且对目标速度也同样具有优良的测量性能。     

递推最小二乘算法在新型无源探测系统中的应用

针对新型无源探测系统的要求,在原有最小二乘算法的基础上,为缩短定位时间,减少运算量,提出了递推最小二乘算法。同时引入自适应卡尔曼滤波算法对原始定位结果进行了处理。多次计算机仿真结果表明该算法有效地提高了定位的实时性、可靠性和定位精度,能够满足新型无源探测系统的技术要求。     

基于理想弹道鲁棒容积卡尔曼滤波视线角估计

针对惯性元件在低成本全捷联制导弹药中应用难度大的问题,设计了一种利用理想弹道弹体运动参数代替惯性元件测量值的弹目视线角滤波估计方法。根据坐标系转换关系及弹目视线几何关系,将理想弹道参数作为系统不确定性参数,建立非线性滤波系统;针对具有参数不确定性的非线性系统滤波问题,提出了一种基于理想弹道的鲁棒容积卡尔曼滤波(ideal trajectory robust cubature Kalman filter,ITRCKF)算法,将具有不确定性系统的滤波问题转化为带参数κ的误差协方差上界最小化问题;最终利用导引头探测器测量得到弹体视线角,结合ITRCKF对非线性系统状态进行估计。实验结果表明:在小扰动条件下,ITRCKF偏角估计最大误差值较容积卡尔曼滤波(cubature Kalman filter,CKF)下降了85.57%,误差均方根(root mean square error, RMSE)下降了81.93%;在大扰动条件下,ITRCKF倾角估计值最大误差较CKF下降了31.64%,误差均方根下降了46.39%。所提方法对弹目视线角的估计值满足精度要求,并且相对于CKF估计值具有较好的鲁棒性能。     

基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。     

被动定位跟踪中的非线性滤波技术

针对被动定位跟踪中状态空间模型非线性程度较高所引发的滤波精度偏低的问题,分析和总结了已有的包括推广卡尔曼滤波(EKF)、修正增益的推广卡曼滤波(MGEKF)、二阶滤波、自适应推广卡尔曼滤波(AEKF)等各种次优递推滤波算法的特点。在此基础上重点论述了一种基于贝叶斯原理的序贯蒙特卡罗粒子滤波技术,该方法通过粒子的加权和表征后验概率密度,获得状态估值,在处理非线性非高斯系统的状态估计问题时精度逼近最优,鲁棒性更好。     

临近空间高超声速飞行器机动模型及弹道预测

讨论了临近空间轴对称高超声速机动飞行器的跟踪及弹道预测问题。通过引入3个与气动力参数相关的状态变量,建立起一种非线性机动模型,并证明了基于该模型的非线性跟踪系统的可观性。针对此非线性跟踪系统,设计了扩展卡尔曼滤波器以及状态预报器,实现弹道跟踪和预测。仿真结果表明,对于临近空间飞行器在巡航末段的运动状态,采用所提出的机动模型,可以取得优良的跟踪和预测效果。     

基于固定滞后滤波平滑的弹道重构算法

为有效利用雷达测量的飞行数据进行弹箭的实际弹道重构,建立了弹道重构需要的状态方程和量测方程,考虑模型的非线性和重构状态非高斯分布的可能性,结合Bootstrap粒子滤波给出一种一步固定滞后滤波平滑算法的实现,并将其作为弹道重构的估计工具。算例仿真表明,相比于Bootstrap粒子滤波和无迹卡尔曼滤波,该Monte Carlo平滑算法可以进一步提高估计的精度,为弹道重构提供一种新的有效工具。     

基于抗差扩展卡尔曼滤波和外推-积累的RAIM方法

为了提高接收机自主完好性监测(receiver autonomous integrity monitoring, RAIM)算法对微小缓变伪距偏差的检测能力,提出一种基于抗差扩展卡尔曼滤波和外推-积累的RAIM方法。该方法结合了新息外推法和累积历元法在检测微小缓变伪距偏差上的优势,即在新息外推法的基础上,累加多个历元的检验统计量,来更有效地检测微小缓变伪距偏差;同时,利用抗差扩展卡尔曼滤波对偏差进行抗差处理,提高了定位精度。仿真结果表明,相比较于传统RAIM方法、新息外推法以及累积历元法,新的RAIM方法均提高了对微小伪距偏差正确检测的概率,缩短了对缓变伪距偏差的检测延时,且经过伪距偏差修正后定位精度提高。