粒子滤波算法在GPS/DR组合导航中的应用

针对建议分布函数的选择问题,系统地分析比较了改进的粒子滤波算法.在此基础上提出了一种新的粒子滤波算法--自适应渐消扩展Kalman粒子滤波方法.该方法用渐消扩展Kalman滤波产生建议分布函数,由于参数的可在线调节性,使得系统具有更好的自适应性和鲁棒性.与用转移先验、扩展Kalman滤波、自适应扩展Kalman滤波、迭代扩展Kalman滤波以及无迹Kalman滤波产生建议分布函数的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度.通过对GPS与航位推算(DR)组合导航系统GPS/DR的试验,验证了该方法的有效性.     

IMU/GPS组合导航系统自适应Kalman滤波算法

给出了IMU在地固坐标系中的误差方程，介绍并分析了自适应滤波和渐消Kalman滤波算法原理，然后将渐消因子引入到自适应滤波算法中。并将其应用到IMU／GPS松组合导航系统中，最后利用一个实际算例证明了该组合导航系统的有效性。     

基于渐消因子的改进Kalman滤波时间尺度估计算法

Kalman滤波时间尺度算法是一种实时的原子钟状态估计方法，在守时实验室具有重要实用价值。由于原子钟状态模型误差估计存在偏差，Kalman滤波时间尺度算法中状态估计可能出现相应异常扰动，应当对状态模型误差进行实时控制。对此，引入基于渐消因子的改进Kalman滤波时间尺度算法。对状态预测协方差矩阵引入渐消因子，利用统计量实时计算渐消因子的量值，控制状态预测协方差阵的增长，降低了原子钟状态估计的扰动。实验结果表明，相比于标准Kalman滤波时间尺度算法和基于预测残差构造自适应因子的Kalman滤波算法，基于渐消因子的改进Kalman滤波时间尺度算法能够提高原子钟状态估计的准确度，改进时间尺度的稳定度。     

GPS/DR组合导航自适应Kalman滤波算法

针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法。给出了由预测残差确定自适应因子的过程。利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高。     

自适应Kalman滤波用于GPS层析大气湿折射率

在分析Kalman滤波层析方法的基础上,将基于指数渐消因子的自适应Kalman滤波方法用于层析大气湿折射率,并结合香港地区CORS网观测资料及探空气象观测资料进行了分析.结果表明,该方法能够长时间以较高精度反演湿折射率垂直轮廓线,较好地反映了大气的实际状况,有效避免了一般Kalman滤波可能出现的发散.     

GPS/DR原始观测值组合导航定位研究

根据GPS/DR组合系统的导航定位原理,推导了利用GPS原始观测值与DR航位推算信息进行组合的Kalman滤波模型,并利用该滤波模型对GPS/DR原始观测数据进行航位解算.数据处理结果表明,即使在只有两颗GPS观测卫星的情况下,该滤波模型也可以充分利用GPS现测信息提高DR航位推算精度.     

自适应抗差Kalman滤波在公路GPS测量中的应用

本文介绍了用载波相位平滑伪距观测数据和自适应抗差Kalman滤波算法进行差分动态定位的方法，用试验数据说明了车载GPS道路测量系统所能达到的精度水平。     

GPS／DR组合导航自适应Kalman滤波算法

针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法.给出了由预测残差确定自适应因子的过程.利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高.     

星载GPS卫星定轨的UKF-EKF算法

针对无味Kalman滤波（Unscented Kalman Filter）在卫星定轨应用中存在计算效率和估计精度之间如何平衡的问题,本文提出了一种将无味Kalman滤波和扩展Kalman滤波（Extended Kalman Filter）相结合的新算法。该算法对标准的无味Kalman滤波算法作了两个方面的改进,一方面改进采样策略,以最小偏度单形采样策略代替对称采样策略;另一方面改进算法结构,以无味Kalman滤波和扩展Kalman滤波融合算法代替单纯的无味Kalman滤波算法,系统的强非线性部分采用无味Kalman滤波来处理,弱非线性部分采用扩展Kalman滤波来处理。算例结果表明,新算法估计精度与无味Kalman滤波相当,但计算效率提高了30%左右。     

基于自适应 Kalman 滤波的边坡变形预测研究

研究Kalman滤波和自适应Kalman滤波算法,结合边坡监测点的运动模型将其应用于边坡变形监测动态数据变形预测。利用小湾水电站二号山梁高边坡GPS监测数据进行实验研究。结果表明,自适应Kalman滤波在边坡三维形变预测及变形速率估算方面有很好的预测结果。     

顾及有色噪声的自适应粒子滤波UWB定位算法

传统卡尔曼滤波算法要求噪声模型符合高斯分布，在UWB室内定位中，由于载体本身的机制等干扰，观测噪声不仅仅是白噪声，也存在有色噪声的情况，而粒子滤波可以处理有色噪声的问题。本文通过增加似然分布自适应调整来改进粒子滤波用于目标跟踪的精度，同时研究在白噪声、有色噪声下似然分布自适应调整粒子滤波和拓展卡尔曼滤波在UWB中的优势与不同。试验结果表明：观测噪声为白噪声时，拓展卡尔曼滤波和粒子滤波均可以较好地实现对行人的定位跟踪；观测噪声为有色噪声时，自适应粒子滤波定位效果优于粒子滤波、拓展卡尔曼滤波。     

Adaptive estimation of multiple fading factors in Kalman filter for navigation applications

Kalman filter is the most frequently used algorithm in navigation applications. A conventional Kalman filter (CKF) assumes that the statistics of the system noise are given. As long as the noise characteristics are correctly known, the filter will produce optimal estimates for system states. However, the system noise characteristics are not always exactly known, leading to degradation in filter performance. Under some extreme conditions, incorrectly specified system noise characteristics may even cause instability and divergence. Many researchers have proposed to introduce a fading factor into the Kalman filtering to keep the filter stable. Accordingly various adaptive Kalman filters are developed to estimate the fading factor. However, the estimation of multiple fading factors is a very complicated, and yet still open problem. A new approach to adaptive estimation of multiple fading factors in the Kalman filter for navigation applications is presented in this paper. The proposed approach is based on the assumption that, under optimal estimation conditions, the residuals of the Kalman filter are Gaussian white noises with a zero mean. The fading factors are computed and then applied to the predicted covariance matrix, along with the statistical evaluation of the filter residuals using a Chi-square test. The approach is tested using both GPS standalone and integrated GPS/INS navigation systems. The results show that the proposed approach can significantly improve the filter performance and has the ability to restrain the filtering divergence even when system noise attributes are inaccurate.     

融合小波变换和自适应Kalman滤波在GPS监测中的应用研究

针对自适应卡尔曼滤波只适用于滤除高斯分布的白噪声,本文提出了融合小波变换和自适应卡尔曼滤波的算法。该算法利用小波变换的多尺度分解,将GPS高频的监测时间序列进行多层分解,重构出新的GPS监测时间序列,将其作为新的自适应卡尔曼滤波初始值,进行滤波处理。将融合算法的滤波结果与单一的自适应卡尔曼滤波结果进行对比分析,结果表明融合算法的滤波效果较为显著。同时,对融合算法滤除的噪声信息进行统计分析,结果表明融合算法滤除的噪声符合正态分布,进一步说明了该融合算法的有效性,为GPS的高频率、高精度的监测提供了技术支持。     

神经网络辅助的GPS/INS组合导航自适应UKF算法

GPS/INS组合导航非线性系统最优估计算法中,基于统计信息和假设检验理论的多渐消因子自适应滤波算法的应用前提条件是残差向量为高斯白噪声。本文针对观测异常会影响残差向量的数字特性分布,提出了一种神经网络辅助的多重渐消因子自适应SVD-UKF算法。该算法采用神经网络算法削弱观测异常对残差序列高斯白噪声分布特性的影响,利用奇异值分解抑制UKF中先验协方差矩阵负定性变化,同时构造多重渐消因子对预测状态协方差阵进行调整,使得不同的滤波通道具有不同的调节能力,高效地应用于多变量复杂系统。最后利用车载实测数据进行了验证。结果表明,神经网络算法极大削弱了观测粗差对残差序列高斯白噪声分布特性的影响,拓展了多重渐消因子的应用范围,使其能在观测值含有粗差的条件下自适应调节不同滤波通道,消除滤波状态中的异常,提高组合导航解的精度和可靠性。     

一种用于RSS提取的改进粒子滤波算法

针对室内WiFi指纹位置定位中取RSS的平均值作为其定位特征值在室内环境的复杂性和动态性不能准确地反映RSS信号真值的问题,以及卡尔曼滤波和粒子滤波算法等用于RSS信号的提取只针对线性噪声或非线性噪声中的一种,在室内动态多变、干扰复杂多样的环境下鲁棒性不理想的问题,结合卡尔曼滤波和粒子滤波,提出一种用于RSS提取的改进的粒子滤波算法。给出了算法实现的步骤,并且在不同地点不同环境条件(静态环境和动态环境)下分别进行了指纹定位在线端的数据采集实验。实验结果表明:基于改进粒子滤波的RSS提取算法的定位精度和鲁棒性均优于均值算法、卡尔曼滤波算法、粒子滤波算法等已有算法。     

一种次优并行Sage自适应滤波器

提出了一种新的次优Sage自适应卡尔曼滤波算法，该算法针对经典次优Sage滤波器经常存在的结果偏移现象，设计了一种附加伴随滤器的并行滤波结构，消除了结果偏移，提高了滤波精度。     

正反向Kalman滤波用于动态精密单点定位参数估计

提出了采用正反向Kalman滤波进行动态精密单点定位事后处理参数估计的方法,连续实施两次方向相反的Kalman滤波,第一次滤波结果作为第二次滤波的初始信息,第二次滤波结果作为最终结果。该方法克服了传统Kalman滤波方法在模糊度参数收敛之前定位精度不高的缺陷,同时还具有原理简单、易于实现的优点。实测数据解算实验表明,该方法正确有效,可以获得理想的动态精密单点定位结果。     

多源传感器动、静态滤波融合导航

首先给出联邦滤波各局部输出量之间的相关协方差矩阵，进而给出了基于各传感器独立观测信息的动、静态滤波解法，这种解法避免了重复使用载体状态方程信息的问题，保证了多传感器数据融合的最优性，而且很容易扩展到抗差滤波和自适应滤波融合。     

自适应卡尔曼滤波法用于变形监测数据处理

卡尔曼滤波作为一种动态数据处理方法广泛应用在变形监测数据处理中。文中针对传统卡尔曼滤波因动态噪声不准或不容易确定影响结果准确度的问题,提出并探讨了方差补偿自适应卡尔曼滤波,并通过传统卡尔曼滤波和自适应卡尔曼滤波对GPS变形监测数据进行处理,其结果表明方差补偿自适应卡尔曼滤波对GPS变形监测具有很好的剔除噪声的作用,效果明显。     

基于EKF和自适应抗差滤波的星载GPS定轨方法

针对在星载GPS卫星定轨中由于卫星动力学模型误差和不可避免的观测异常严重影响定轨精度的问题,通过采用适当的自适应控制因子和应用抗差估计原理,构造自适应抗差扩展卡尔曼滤波(RAEKF)来实现星载GPS卫星定轨。实测计算表明,自适应抗差扩展卡尔曼滤波对观测误差和状态扰动有一定的抵制能力,与一般扩展卡尔曼滤波相比提高了精度,证明其理论的可行性。