组合导航自适应交互多模型算法研究

针对交互多模型(IMM)方法模型集覆盖能力与计算量相矛盾的问题,提出了将简化的Sage-Husa自适应滤波与IMM相结合,构成一种自适应交互多模型的方法.简化的Sage-Husa自适应滤波首先给出噪声统计特性的粗略值,IMM方法以该粗略值为中心,对称地得到模型集,再进行IMM估计.车栽组合导航仿真表明,该算法能够以较少的模型实现对实际模态的覆盖,而且精度比IMM方法也进一步提高.     

无源北斗/高度组合导航自适应滤波算法

为了减小用户机动对无源北斗双星组合导航系统定位精度的影响,论文研究了自适应滤波定位算法.首先,在分析组合导航算法Singer模型的基础上,提出了模糊逻辑自适应滤波方案.然后,通过仿真获取系统知识,建立模糊逻辑系统,实时调整滤波器驱动噪声方差,实现滤波定位算法模型对用户机动的适应性.最后,通过仿真验证,设计的模糊逻辑自适应滤波算法能根据用户机动情况实时调整卡尔曼滤波器的驱动噪声方差参数,并能有效提高组合导航系统机动时的定位精度.     

基于最大熵方法的鲁棒自适应滤波及其应用

针对过程噪声和量测噪声受到脉冲噪声影响而呈现非高斯分布,且噪声统计特性不精确从而导致估计精度下降的问题,提出一种基于最大熵方法的变分贝叶斯自适应卡尔曼滤波(maximum correntropy variational Bayes adaptive Kalman filter, MCVBAKF)算法,并将其应用于捷联惯导系统(strapdown inertial navigation system, SINS)/全球卫星定位系统(global positioning system, GPS)组合导航系统。首先,使用最大熵鲁棒滤波方法对由脉冲噪声产生的野值问题进行处理;然后,通过改进的变分贝叶斯自适应方法进行后验更新,估计噪声,收敛所估参数的估计值;最后,进行了仿真对比。结果表明, MCVBAKF在复杂环境下可以有效提升滤波精度和稳定性。     

自适应联邦H∞滤波在水下组合导航系统中的应用

为了提高自主水下航行器组合导航系统精度,选择了捷联式惯性导航系统、多普勒速度声纳、电子磁罗经和海底地形匹配作为水下航行器组合导航系统导航传感器,建立了水下航行器组合导航系统的状态模型和导航传感器观测模型,提出了一种基于RBF神经网络进行联邦滤波信息分配的自适应联邦滤波信息融合方法并进行了计算机软件仿真试验,仿真实验结果表明:采用RBF神经网络进行信息分配系数的自适应调整的改进自适应联邦滤波器的水下航行器组合导航系统的导航姿态、速度和位置精度得到了提高,满足高精度水下组合导航的要求.新型信息融合方法克服了传统滤波容易发散的缺点,有效地提高了水下航行器组合导航系统的容错性能和导航精度.     

H∞自适应滤波的理论分析及其在导航系统中的应用研究

由于双星系统的误差模型未知，且稳定性较差，采用Kalman滤波实现惯导／双星组合导航时，其滤波特性较差。而H^∞自适应估计对模型的不定性和干扰信号的统计信息不需做任何假设，而使它在工程实践中有广泛的应用。本文研究了H^∞自适应滤波，并将其应用到惯导／双星组合导航系统中。该方法是通过从输入干扰信号到估计误差间的最大能量增益的最小化找到一种H^∞最优估计策略来保证滤波器的鲁棒性。利用双星和惯导的实测数据进行仿真实验，并和递推最小二乘法、最小均方法进行比较。仿真结果表明，H^∞自适应滤波的鲁棒性优于其它两种算法。     

基于Sage-Husa算法的自适应平方根CKF目标跟踪方法

在目标跟踪中,噪声的统计特性未知可能会引起滤波精度下降甚至发散,针对该问题,提出了一种新的自适应平方根容积卡尔曼滤波算法。所提方法在常规Sage-Husa算法的基础上采用容积规则,推导出了一种适用于非线性系统的自适应噪声统计估计器。仿真结果显示,相对于标准的平方根容积卡尔曼,所提方法在噪声统计特性未知或时变的情况下滤波精度有显著提高。     

H~∞自适应滤波的理论分析及其在导航系统中的应用研究

由于双星系统的误差模型未知,且稳定性较差,采用Kalman滤波实现惯导/双星组合导航时,其滤波特性较差。而H自适应估计对模型的不定性和干扰信号的统计信息不需做任何假设,而使它在工程实践中有广泛的应用。本文研究了H自适应滤波,并将其应用到惯导/双星组合导航系统中。该方法是通过从输入干扰信号到估计误差间的最大能量增益的最小化找到一种H最优估计策略来保证滤波器的鲁棒性。利用双星和惯导的实测数据进行仿真实验,并和递推最小二乘法、最小均方法进行比较。仿真结果表明,H自适应滤波的鲁棒性优于其它两种算法。     

干扰条件下自适应滤波定位精度分析

在干扰条件下,单纯采用自适应滤波(adaptive Kalman filter, AKF) 或扩展卡尔曼滤波器(extensive Kalman filter, EKF) 在全球导航卫星系统/惯性测量单元(global navigation satellite systems/inertial measurement units, GNSS/IMU)组合导航的运用中都无法达到系统精度最优。为了指导组合导航系统的数据融合滤波器设计,获取AKF和EKF定位性能的经验数值是十分必要的。首先推导出EKF和一种AKF算法--新息序列自适应估计(innovation based adaptive estimation, IAE)的数学模型和计算公式。然后提出了一种实际数据结合仿真的验证方法。针对不同的干扰程度造成的精度降低的测量值,比较AKF算法跟普通EKF在GNSS/IMU组合导航数据融合中的定位精度性能。试验和仿真得到了在实验所采用的IMU精度条件下,自适应滤波在组合导航方面的定位性能的经验曲线以及IAE与EKF定位精度存在的临界点。     

一种改进的自适应平方根传递对准滤波算法

提出了一种解决时变噪声条件下传递对准的改进自适应平方根滤波算法。该算法将状态方差调节因子阵、自适应调节的系统噪声和量测噪声方差以及噪声有限记忆尺度融入平方根滤波结构中,采用序列算法滤波解算。算法通过一步控制和多步自适应调节过程,以较少的计算量从数值计算、噪声抑制及自适应调节方面提高滤波性能。仿真结果表明,该算法滤波稳定性强,能够根据实际噪声快速调整,且滤波精度高,为机载导弹提供了一种有效的快速精确传递对准方法。     

一种改进的自适应滤波预测方法

本文对确定型常参数预测方法中的自适应滤波技术加以改进，即在最优化理论中对多变量函数极值问题的直接迭代搜索性解法中引入衰减／增益函数，在建立预测模型时把对时间序列分析定量方法与专家对相关因素的定性分析有机地结合起来，提高了原自适应滤波模型的解释能力和拟合水平，特别适合于存量经济变量和某些流量经济变量在发生比较急剧变化阶段的预测．作者应用此模型对处于成长期的我国蜂房式移动电话的市场需求进行了实证研究     

自适应变步长LMS滤波算法及分析

为了提高最小均方（LMS）自适应滤波算法的性能,通过建立步长因子与误差信号之间的非线性函数关系,提出一种自适应变步长LMS算法。该算法具有初始阶段和时变阶段步长自适应增大和稳态阶段步长很小的特点,消除了不相关噪声的影响,并且进一步克服了Sigmoid函数变步长LMS算法在自适应稳态阶段步长取值偏大的缺陷,计算机仿真结果与理论分析相一致,证实该算法优于传统算法。     

用于组合测姿的Kalman渐消因子自适应估计算法

提出了适用于姿态测量的Kalman滤波渐消因子自适应估计算法,滤波中采用序贯处理的方法计算出每个量测量对应的渐消因子,在位置速度组合导航系统中,只有位置、速度的误差状态是直接可观测的,用序贯滤波处理计算得到的渐消因子对协方差阵中对应于位置和速度误差状态的对角元素进行自适应控制,抑制滤波发散,提高位置、速度和姿态的测量精度。半实物仿真表明,与原来的算法相比,修改后的方法不仅能够提供高精度位置、速度信息,而且还可以提供高精度姿态信息,其中航向误差在0.08°以下,俯仰和横滚误差在0.02°左右。     

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法,并对最小均方(LMS,LeastMeanSquares)、归一化LMS(NLMS,NormalizedLeastMeanSquares)和递推最小二乘(RLS,RecursiveLeastSquares)三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,RLS算法具有良好的收敛性能,除收敛速度快于LMS算法和NLMS算法以及稳定性强外,而且具有更高的起始收敛速率;更小的权噪声,更大的抑噪能力。     

基于冗余量测的GNSS多路径误差抑制算法

针对惯性/卫星组合导航系统中,全球卫星导航系统(global navigation satellite system,GNSS)量测受多径效应影响的问题,提出了一种基于冗余量测的GNSS多径误差抑制方案。该方案包含了一个基于量测新息的GNSS多径误差卡方检验器和一个自适应Kalman滤波器。首先,通过卡方检验来判断量测新息零均值的特性丧失与否以检测GNSS量测中的多径误差。当检测到量测中存在多径误差时,自适应滤波器根据惯性导航系统的冗余量测估计出当前GNSS测量噪声协方差阵,以合理调节量测权重,增强滤波性能。最后,通过仿真与实际跑车试验,验证了该方案能够有效抑制GNSS多径误差,提高了导航精度。     

捷联惯导系统初始对准的SVM自适应Kalman滤波算法

作为捷联惯导系统初始对准关键技术的Kalman滤波要求事先精确已知系统及量测噪声的统计特性,当在滤波过程中这些特性改变时,滤波器性能将会降低甚至发散,针对这一问题采用了一种支持向量机(SVM)自适应Kalman滤波(SVMAKF)算法,根据协方差匹配技术应用支持向量机来动态调谐量测噪声方差阵R,当量测噪声随时间改变时,SVMAKF可以实时的估计出准确的噪声方差阵,这就降低了系统对量测噪声先验统计特性的依赖性,能够改善kalman滤波器的状态估计效果.基于SVMAKF的捷联惯导系统初始对准计算机仿真结果表明在滤波精度和滤波器鲁棒性上,SVMAKF都有比传统Kalman滤波器好的表现.     

一种改进的自适应局部噪声消除滤波算法

指出了美国冈萨雷斯教授(Rafael C.Gonzalez)提出的一个基于自适应局部噪声消除滤波器算法存在的不足,并提出了一种改进的自适应局部噪声消除滤波新算法.通过比较可以发现改进的算法要比原算法的均方误差emse降低了一个数量级,而且各种信噪比SNR、SNRm、PSNR都将比原算法提高了1/4.计算机仿真实验证明了改进的自适应局部噪声消除滤波算法是有效的.     

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。     

基于双欧拉角的UKF组合导航滤波算法

针对非线性滤波组合导航中四元数无迹估计器(unscented quaternion estimator,USQUE)规范性约束导致的算法计算量大、实时性差等问题,提出一种基于双欧拉角姿态表示的无迹卡尔曼滤波(dual-Euler un-scented Kalman filter,DEUKF)算法.通过正、反欧拉角相互切...