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。     

基于强跟踪滤波器的自适应常加速模型及跟踪算法

建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服"当前"统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对"当前"统计(CS)模型的分析研究,在常加速(CA)模型的基础上提出了一种基于强跟踪滤波器的自适应常加速模型及跟踪算法(ACA-STF).该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比"当前"统计模型算法具有更高的跟踪精度.     

FLAKF在无陀螺惯性测量组合中的应用

在无陀螺惯性测量组合（non gyro inertial measurement unit, NGIMU）导航计算中,由于加速度计输出动态噪声的存在,造成误差随时间迅速累积。采用传统卡尔曼滤波方法进行NGIMU/GPS组合导航系统设计时,又由于观测噪声的复杂性,造成滤波结果不明显。针对上述噪声统计特性不易确定的问题,基于NGIMU九加速度计配置方案,提出利用模糊逻辑自适应卡尔曼滤波(fuzzy logic adaptive Kalman filter, FLAKF)方法进行NGIMU/GPS组合导航系统设计。该FLAKF方法通过对噪声方差进行修正,将卡尔曼滤波器调整到最优状态。同时进行了系统位移、速度、角速度仿真,仿真结果验证了FLAKF方法的可行性。     

基于当前统计模型的机动目标自适应跟踪算法

当前统计模型及其自适应卡尔曼滤波算法对强机动目标具有很好的跟踪效果,但当机动目标为弱机动和非机动时算法跟踪性能较差。针对这一问题,提出了采用铃形函数作为模糊隶属函数对模型中加速度极值进行修正的自适应滤波算法,调整加速度稳定时的系统过程噪声方差,提高算法的跟踪精度。同时,借鉴强跟踪滤波算法的渐消自适应滤波因子思想,针对加速度突变的情况引入渐消因子对修正的加速度极值进行调节,提高算法在加速度突变情况下的跟踪速度。仿真实验结果表明,算法对弱机动目标和非机动目标的跟踪具有良好的效果。     

基于模糊自适应α-β滤波的机动目标跟踪

针对机动目标的运动特点,提出了一种基于模糊自适应的α-β滤波新算法.算法首先详细分析了目标航向角和观测残差与目标机动的关系,提出综合利用航向角变化量和残差作为模糊逻辑输入变量来调整滤波器参数,且根据实际的机动目标跟踪情况,给出一种有效的模糊逻辑规则设计方法.实验结果表明,提出的算法能够准确对机动目标进行跟踪,性能要好于工程中常用的α-β滤波器,且算法设计简单,可工程实现.     

基于ANFIS的自适应机动目标状态估计算法

针对基于当前统计(current statistics,CS)模型的机动目标状态估计算法对机动目标加速度的极限值依赖性大的缺陷,提出了一种利用自适应神经网络-模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)自适应调整目标状态噪声方差的方法。首先利用ANFIS算法对目标机动强度进行估计,进而对目标状态噪声协方差矩阵进行自适应调整;然后利用粒子滤波(particle filter, PF)算法对目标状态进行估计。仿真结果表明,与该方法能够有效提高目标状态估计的精度。     

组合导航系统的自适应MCMC信息融合算法

针对组合导航系统为高维非线性非高斯的特点,提出了一种在线实时调整粒子个数的自适应MCMC(Markov Chain Monte Carlo)粒子滤波算法.该算法利用基于KLD(Kullback-Leibler Distance)采样方法的自适应粒子个数调整算法在线调整MCMC粒子滤波过程中的粒子个数,利用预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,从而有效减小算法的运算量,提高MCMC粒子算法的实时处理能力.最后,将该算法应用到了组合导航系统中进行了仿真研究.通过仿真结果可以看出,该算法在保持了MCMC粒子滤波算法的估计能力的同时,有效降低了算法的计算量,更适合于实际应用.     

多模型高精度组合导航算法研究

针对复杂操作环境所引起的INS/GPS组合导航系统模型参数变化导致单一固定参数滤波器精度降低问题,提出了多模型自适应Kalman滤波算法,并与单一模型下的Kalman滤波器方法进行了比较。仿真结果表明,相对于单一模型的Kalman滤波算法,该算法能大大提高导航系统的精度和可靠性。     

机动运动辐射源的单站无源定位自适应算法

利用目标到达角(DOA)和到达时间(TOA)作为测量数据,采用最优加权最小二乘估计和基于机动加速度的非零均值时间相关模型的自适应卡尔曼滤波算法,通过加速度方差对滤波增益的修正,完成机动加速度方差自适应算法,实现了对机动目标进行单站无源定位与跟踪的方法.计算机仿真验证了算法的有效性和可行性,证明该方法在无源定位系统中有一定的参考价值.     

一种基于抗差滤波的行人导航算法研究

行人导航系统(pedestrian navigation system, PNS)通常采用全球定位系统(global positioning system, GPS)和航位推算(dead reckoning, DR)组合导航的方式进行定位,因此其定位精度易受GPS定位误差特别是定位粗差的影响。为了减小这种影响,提高行人导航系统定位精度,采用了一种基于抗差滤波的GPS/DR组合行人导航算法。该算法首先对DR系统误差建模,获得行人导航系统卡尔曼滤波模型,再通过GPS与DR系统观测量之差,估计当前观测噪声与先验统计特性的符合程度,利用等价权实时调整观测权值,以避免观测粗差对组合导航精度的影响。最后通过对实测数据的分析表明,在GPS定位误差较大或含粗差情况下,该方法较卡尔曼滤波算法能明显抑制定位误差的影响,将定位精度提高5 m左右,能够在不增加硬件的基础上有效提高GPS/DR组合行人导航精度。     

IAE-adaptive Kalman filter for INS/GPS integrated navigation system

1 .INTRODUCTIONInertial navigation system(INS) and Global posi-tioning system ( GPS) are two major navigationsystems now widely usedfor marine applications a-round the world. Considering both systems pos-sess complementary working characteristics , abooming attention is focused on finding effectivemethods to combine the two different systems toconstituteintegrated navigation system with higheraccuracy and better performance .Information likeGPS position and velocity are often chosen as…     

基于自适应SSUKF的组合导航信息融合方法

针对车载组合导航系统噪声统计特性无法事先实时获取的问题,提出了一种神经网络辅助的自适应SSUKF信息融合算法.该算法利用神经网络在线估计系统噪声,采用SSUKF同时估计系统状态和在线训练神经网络的权值,从而能在系统噪声统计特性未知的情况下获得组合导航系统的实时最优估计,给出了算法的详细实现过程.最后,针对车载INS/GPS组合导航系统的信息融合问题进行了仿真研究.仿真结果表明,该算法在系统噪声统计特性未知的情况下仍能获得高精度的估计效果,同时与自适应UKF算法相比,有效降低了算法的计算量,提高了算法运行的实时性,证明了该算法是一种有效而实用的方法.     

基于AEKF的高速自旋飞行体组合导航方法

针对高速自旋飞行体运行过程中噪声特性无法准确获取的问题, 提出了基于改进自适应扩展卡尔曼滤波(adaptive extended Kalman filter, AEKF)算法对量测噪声进行自适应调节, 并在扩展卡尔曼滤波(extended Kalman filter, EKF)的基础上提出了一种基于对状态变量新的建模方式的EKF算法, 提高算法的实时性。采用北斗/捷联惯性导航系统(strapdown inertial navigation system, SINS)组合导航方案, 在EKF的基础上, 引入带遗忘因子的噪声估计器, 通过AEKF对组合导航数据进行融合, 对量测噪声进行估计。仿真结果表明, 所提出的组合导航方法对高速自旋飞行体的姿态和位置定位误差较小, 与无改进的AEKF相比, 具有更好的收敛性。     

基于多智能体导航的高超飞行器信息融合方法

精确导航技术是高超飞行器(hypersonic vehicle, HV)充分发挥威力的关键所在。然而,高马赫数和强机动性致使HV的导航系统误差及其观测噪声无法准确描述,制约着导航信息的精确性和实时性。为及时获取高精度导航信息,设计基于集员框架的卡尔曼滤波算法。一方面采用多智能体分布式协同探测,形成观测椭球交叉集合,提高了观测效率和测量精度;另一方面,通过设计两类噪声模型,求其与状态估值的最小均方误差,实现滤波增益的计算,提高算法对噪声的抗扰动能力,使状态估值达到均方误差最小。通过数字仿真,将设计方法应用到HV导航模型中,并与扩展卡尔曼滤波和集员滤波的状态估值进行比较,结果表明,提出算法在不同噪声影响下具有更高的估计精度。研究成果将为HV实现实时精确导航提供技术支持,并具有重要的理论意义和应用价值。     

基于新息正交性抗野值的自适应的α-β-γ滤波跟踪器

针对传统α-β-γ滤波器抗野值能力差和受跟踪精度与收敛速度之间的矛盾以及系数固定的影响而难以跟踪强机动性目标的局限性,设计了一种基于新息正交性抗野值的自适应的α-β-γ滤波跟踪器。该滤波器通过判断α-β-γ滤波新息序列估计值的正交性质是否丧失而判别出观测值中是否存在野值,采用活化函数对新息序列进行加权修正,利用活化函数的性质,恢复新息序列原有的统计特性和正交性,从而达到抗野值的目的。同时,根据目标机动性的变化,利用跟踪误差调整模糊集系统的输出,在保证精度的前提下,得到自适应的系数值,使跟踪结果快速收敛,很好地解决了跟踪精度与收敛速度之间的矛盾。计算机仿真结果表明,在满足所要求精度的前提下,该算法可以克服传统算法的局限性,解决野值剔除问题,并有效跟踪强机动性目标。     

基于模糊控制的舰船组合导航Kalman滤波器

经典的舰船组合导航Kalman滤波器对异常量测值处理过于简单 (只分为野值、正常值 ) ,致使包含新息的略大于正常值的量测数据失去作用 ,从而使滤波器产生波动。为克服这一弊端 ,提出在滤波器中加入模糊控制器 ,模糊规则由专家确定 ,对不同类型的滤波新息进行判别后加权处理 ,从而增强滤波器对野值的适应能力。计算机仿真结果表明 ,模糊控制器的加入可以提高滤波器工作的稳定性和可靠性     

联合高斯回归的平方根UKF方法

针对传统的滤波方法容易受系统动态模型不确定性和噪声协方差不准确的限制这一问题,提出一种将高斯过程回归融入平方根不敏卡尔曼滤波（unscented Kalam filter,UKF）算法中的滤波算法。该算法用高斯过程对训练数据进行学习,得到动态系统的回归模型及系统噪声的协方差;采用标准的平方根UKF算法,状态方程和观测方程,相应的噪声协方差由高斯过程实时自适应调整。将应用于飞行器SINS/GPS组合导航,结果表明,该方法能够自适应系统噪声,收敛速度快,导航精度高。