组合导航系统新息自适应卡尔曼滤波算法

全球定位系统(GPS)量测噪声的不稳定变化将造成惯性导航系统(INS)/GPS舰用组合系统卡尔曼滤波器性能下降,在对自适应卡尔曼滤波器分析的基础上,提出了一种新的基于新息估计的自适应卡尔曼滤波算法.该算法通过计算新息方差强度的极大似然估计最优估计,将新息方差计算直接引入卡尔曼滤波器的增益计算.仿真结果表明,本文方法较标准卡尔曼滤波器可以提高系统精度和抗干扰能力.     

一种用于天线面形恢复测量的无人机导航方案

天线近场面形恢复算法需要搭载发射源的无人机沿特定轨迹飞行,并获得其位置。根据面形恢复算法对无人机飞行的要求设计一种包含差分GPS和视觉传感器的导航方案,在此导航方案的数据融合时间策略下使用常规扩展卡尔曼滤波器将出现震荡问题。为此提出一种基于SageHusa滤波算法改进的自适应扩展卡尔曼滤波器,并通过仿真和实际飞行测试将其与常规扩展卡尔曼滤波器进行对比。实验结果表明,此自适应扩展卡尔曼滤波器在实际应用中表现出更好的性能,并在弱GPS信号情况下能够趋向于更可信的视觉里程计数据。此方案基本满足天线测量时无人机沿轨迹飞行并采集位置数据的要求,有望实现射电望远镜主动面实时闭环修正。     

无人机组合导航系统的自适应算法研究

为了缩短捷联惯导系统的初始对准时间并提高对准精度,分别设计了常规卡尔曼滤波器和自适应卡尔曼滤波器用于精对准。在系统噪声统计特性未知时,自适应卡尔曼滤波算法利用滤波残差的均值和方差,不断对卡尔曼滤波的状态噪声方差阵和测量噪声方差阵进行实时修正,从而提高滤波器对模型不确定性和噪声变化的适应能力和鲁棒性。仿真结果表明,使用自适应UKF算法与常规的UKF算法相比,可以获得更优的对准精度和快速性。     

自适应两阶段卡尔曼滤波器在传递对准中的应用

研究自适应两阶段卡尔曼滤波器在动基座传递对准中的应用. 利用两阶段卡尔曼滤波器将子惯导的惯性器件偏差分离,从而减小由于系统状态过多而导致的滤波计算量,提高计算实时性. 加入自适应环节,使得随机系统偏差的先验统计特性不准确时也能取得良好的估计效果. 仿真结果表明,在对准模型存在未知的随机系统偏差时,自适应两阶段卡尔曼滤波器能够快速且准确地估计出失准角,符合传递对准在快速性和精度方面的需求.     

机动巨标跟踪的自适应混合多模算法

本文介绍了用于机动目标跟踪的自适应混合多模算法.这个算法不需要预先定义模型,它利用一个二级卡尔曼滤波器来估计目标的加速度,这个加速度被用于混合多模算法中具有不同确定性加速度的子滤波器中.文中给出了自适应混合多模算法的一个计算机模拟结果并和无自适应混合多模算法的结果进行了比较.     

基于自适应衰减卡尔曼滤波的多传感器信息融合

工程实践证明, 标准卡尔曼滤波器的鲁棒性较差. 在解决实际问题时, 如果所建立的目标运动模型不能真实反映实际的运动过程, 就会导致滤波器发散. 针对此问题, 提出了基于自适应衰减卡尔曼滤波的多传感器信息融合方法, 这种方法可以有效地消除系统状态方程在建模存在误差时给信息融合带来的影响.     

基于自适应卡尔曼滤波的叉车质心侧偏角估计

质心侧偏角是叉车动力学研究中的重要状态参数,工程上常采用卡尔曼滤波器估算获取该参数值。文章以CPD15型电动叉车为研究对象,考虑到叉车质心以及前、后轮侧偏刚度会随货物的质量和形状产生较大的变化,建立了带有模型误差的线性二自由度叉车模型,基于该模型设计了自适应卡尔曼滤波器估计叉车质心侧偏角,并采用遗传算法在线优化滤波器参数,有效地解决了当叉车模型参数发生变化时卡尔曼滤波器估计精度降低的问题。Matlab仿真结果表明,自适应卡尔曼滤波器不仅能滤除叉车运动中的随机不确定性噪声,还能有效抑制未知的模型误差给估计带来的不利影响,增强了滤波器的估计精度。     

卡尔曼滤波器在海马场电位ripple节律分析中的应用

利用自适应自回归(adaptive autoregressive,AAR)模型和卡尔曼滤波器算法,分析小鼠海马CA1区场电位ripple高频振荡的时频特性.研究发现,与传统的基于短时傅立叶变换的实时频谱分析方法相比,利用AAR模型以及卡尔曼滤波器算法的参数化方法在对ripple高频振荡信号进行实时频谱分析时,具有更高的...     

机动目标跟踪的自适应混合多模算法

本文介绍了用于机动目标跟踪的自适应混合多模算法。这个算法不需要预先定义模型,它利用一个二级卡尔曼滤波器来估计目标的加速度,这个加速度被用于混合多模算法中具有不同确定性加速度的子滤波器中。文中给出了自适应混合多模糊算法的一个计算机模拟结果并和无自适应混合多模算法的结果进行了比较。     

基于自适应卡尔曼滤波的车辆编队控制

针对具有网络传输延时和噪声的多车辆系统的编队问题,提出了一种基于自适应卡尔曼滤波器的协作路径跟踪控制方法.根据车辆运动学模型和给定队形及其路径参数,给出车辆协作路径跟踪控制器设计方法,将系统线性化,针对延时情况重构状态方程,用自适应卡尔曼滤波算法滤除噪声的影响,实现系统稳定控制.仿真实验证明了该方法的有效性.     

抗差与自适应组合的卡尔曼滤波算法在动态导航中的研究

针对观测信息不充足时,无法使用现有的一些抗差自适应滤波的问题,提出一种组合抗差滤波和自适应滤波的方法.该方法利用基于m估计实现的抗差滤波和基于新息向量马氏距离平方服从卡方分布而构造的自适应滤波,同时采用2次对检验统计量进行判别的方法,可以在单个历元实现在标准卡尔曼滤波、自适应卡尔曼滤波和抗差卡尔曼滤波之间选择一种当前时刻的最优滤波,因此,采用该方法也能构成抗差自适应卡尔曼滤波.仿真结果表明,在观测信息不足且滤波模型出现异常时,该方法能有效控制动力学模型误差和观测异常对导航解的影响,使导航解更能反映导航系统的真实情况.     

Fuzzy Adaptive Strong Tracking Cubature Kalman Filter

To solve the problem that the choice of softening factor in conventional adaptive strong tracking filter( STF) greatly relies on the experience and computer simulation,a new concept of softening factor matrix is introduced and a fuzzy adaptive strong tracking cubature Kalman filter( FASTCKF) based on fuzzy logic controller is proposed. This method monitors residual absolute mean and standard deviation of each measurement component with fuzzy logic adaptive controller( FLAC),and adjusts the softening factor matrix dynamically by fuzzy rules,which is capable to modify suboptimal fading factor of STF adaptively and improve the filter's robust adaptive capacity. The simulation results show that the improved filtering performance is superior to the conventional square root cubature Kalman filter( SCKF) and the strong tracking square root cubature Kalman filter( STSCKF).     

一种应用于GPS/低成本INS组合导航的自适应滤波算法

为了提高在全球卫星定位系统(GPS)接收机导航解更新间隔期间组合导航系统的定位精度,在分析了惯导系统(INS)误差模型的基础上,使用一种对噪声协方差矩阵进行实时自适应估计的算法改进了通常使用的标准Kalman滤波器。采集清华大学内的跑车实测数据,并使用自适应算法进行处理,结果表明:该方法可以有效地提高GPS导航解间隔期间组合导航系统的定位精度,整体定位精度可以提升近10%,在车辆行驶状态变化较大的路径中获得了最高达40%的位置精度提升。该方法易于实时实现,在实际工程实现中具有一定的应用前景。     

锂离子电池参数辨识与SOC估算研究

电池SOC的估算精度是影响电动汽车性能的重要因素之一.针对传统的卡尔曼滤波方法在滤波时,需要已知系统噪声统计特性这一问题,本文在采用RC等效电路模型,运用多元线性回归方法辨识得到电池模型参数后,提出了采用模糊自适应卡尔曼滤波算法来估算电池SOC.城市道路循环工况仿真对比结果表明,该算法相比传统卡尔曼滤波方法具有更高精度,且能够将误差保持在2%以内,较好地提高了SOC估算精度.     

基于自适应Kalman滤波的输油管道状态估计

通过离散化输油管道瞬变流动控制方程,基于扩展Kalman滤波方法,用带有未知时变噪声统计的虚拟噪声补偿线性化模型误差,构造了鲁棒自适应Kalman滤波器,以进出口压力及站间测量点为系统的输入与输出向量,对输油管道进行状态估计,并将状态估计结果与实际运行采集数据进行对比.结果表明,该滤波器迭代收敛速度较快,其误差控制在3%以内.     

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。     

改进的自适应Kalman滤波在GPS/SINS中的应用

以GPS/SINS组合导航为应用背景,针对常规Kalman滤波由于先验知识不足,观测数据突变等容易引起的发散问题,提出了一种改进的自适应Kalman滤波。该算法将Sage-Huse自适应滤波和衰减记忆滤波相结合,以解决由于先验知识不足引起的滤波发散问题;在此基础上引入压缩函数,通过对野值进行有效地判断和处理以达到抑制滤波发散的目的。仿真结果表明:改进的自适应滤波算法不但可以有效地解决由于模型不够准确和野值等容易引起的发散问题,同时与传统滤波算法相比水平位置滤波精度分别提高了6倍和5.7倍,高程滤波精度提高了2.39倍,具有较好的自适应性和稳定性。