有色噪声情况下状态预测值修正的Kalman滤波

利用线性最小方差估计方法,以正交投影理论为工具,推导了动态线性系统在状态噪声为有色噪声情形下的状态预测值及其相应的协方差阵.在形式上,此预测值比经典Kalman滤波预测值多出一项,该项包含了前一时刻的新息.对新预测值进行分析,得出了有色状态噪声条件下Kalman滤波的新算法,扩展了经典Kalman滤波的应用范围.最后通...     

一步相关卡尔曼滤波估计

传统的Kalman滤波方法只适用于白噪声数据处理,然而在实际应用中,数据噪声多为有色噪声,使得Kalman滤波精度和适用性受到严重制约。针对该问题,顾及有色噪声相邻历元间的相关性特性,本文提出一种有色噪声的一步相关卡尔曼滤波算法。数值仿真结果表明,本文所提算法能有效减弱有色噪声对卡尔曼滤波的影响,其滤波精度较传统的卡尔曼滤波方法有显著提高。     

处理有色观测噪声的粒子滤波算法

针对经典Kalman滤波无法直接处理有色噪声的问题,采用多项式长除法将有色观测噪声模型展开成无穷级数,截断取其有限项获得有色噪声的先验信息;然后利用粒子滤波能够处理非高斯噪声的特点对有色观测噪声进行处理。通过一个GPS定位算例,将此新方法与观测扩增方法进行了分析和比较。结果证明,利用该方法能有效地控制有色观测噪声的影响。     

处理有色观测噪声的粒子滤波算法

针对经典Kalman滤波无法直接处理有色噪声的问题,采用多项式长除法将有色观测噪声模型展开成无穷级数,截断取其有限项获得有色噪声的先验信息,然后利用粒子滤波能够处理非高斯噪声的特点对有色观测噪声进行处理.通过一个GPS定位算例,将此新方法与观测扩增方法进行了分析和比较.结果证明,利用该方法能有效地控制有色观测噪声的影响.     

顾及有色噪声的光纤陀螺随机噪声自适应滤波方法

作为光纤陀螺误差的重要组成部分,随机噪声严重影响着光纤陀螺的精度,对光纤陀螺随机噪声进行准确建模和补偿是提升陀螺精度的有效方式。本文针对光纤陀螺随机噪声的复杂性,难以对其进行精确分析,ARIMA （auto-regressive moving average）模型Kalman滤波中有色噪声不能使用状态扩充法建模的问题,扩展了Harvey方程,实现有色噪声白化。同时,考虑先验噪声的不确定性以及模型参数在线更新导致的参数与状态噪声相互耦合,分析了动态Allan方差估计量测噪声的不足,使用VBAKF （variational Bayesian adaptive Kalman filter）实时修正滤波状态噪声与量测噪声。试验表明,Harvey法较传统滤波建模方式,随机噪声序列方差降低40%,Harvey法结合VBAKF使序列方差降低了54%;VBAKF较动态Allan方差,可以更好地估计量测噪声。结果表明,此方法可有效抑制随机噪声Kalman滤波中有色噪声和随机模型不准确的影响,提高随机误差补偿精度。     

一种新型自适应滤波在时变有色噪声中的研究

针对紧耦合导航滤波中量测噪声模型表现出时变有色噪声特性的状况,本文提出了一种基于变分贝叶斯学习的新型自适应滤波算法。该算法考虑有色噪声和滤波随机模型不准确的影响,与变分贝叶斯学习优化技术相结合,将噪声二阶矩与状态参数进行联合估计。试验结果表明,新算法性能在时变有色噪声影响下具有较好的鲁棒性,精度比基于新息自适应滤波略高,但计算效率提高了约12%,在导航算法实时性研究上具有一定的工程价值。     

受外界随机干扰影响的光纤陀螺信号分析与处理

针对受外界随机干扰影响的光纤陀螺信号进行分析并作了相应处理。分别比较了小波变换和建立在AR模型基础上的Kalman滤波两种滤波方法,并用实测数据进行验证。结果表明,相对于小波变换,建立在AR模型基础上的Kalman滤波不仅能够削弱有色噪声的影响,还能够部分削弱高频噪声的影响,滤波效果较好;将小波变换和Kalman滤波两种方法的优点结合起来,可以获得更好的滤波效果,有效地削弱了信号中各种干扰噪声的影响。     

受外界随机干扰影响的光纤陀螺信号分析与处理

针对受外界随机干扰影响的光纤陀螺信号进行分析并作了相应处理.分别比较了小波变换和建立在AR模型基础上的Kalman滤波两种滤波方法,并用实测数据进行验证.结果表明,相对于小波变换,建立在AR模型基础上的Kalman滤波不仅能够削弱有色噪声的影响,还能够部分削弱高频噪声的影响,滤波效果较好;将小波变换和Kalman滤波两种方法的优点结合起来,可以获得更好的滤波效果,有效地削弱了信号中各种干扰噪声的影响.     

新型自适应滤波算法在惯导/双星组合中的应用

在系统模型误差和噪声统计特性未知时,为防止滤波发散和提高系统的实时性,提出了一种模糊自适应Kalman滤波算法。该算法利用滤波异常判据获得一个滤波状态因子,进而利用模糊推理系统在线调整量测噪声协方差阵的值,使滤波实现自适应。将该算法应用到惯导/双星组合导航系统中,并和简化的Sage-Husa自适应滤波算法进行仿真比较。仿真结果表明：在滤波精度相当的情况下,该算法简化了运算,提高了实时性。     

基于随机模型改正的有色状态噪声处理新方法

控制有色状态噪声影响除了通过状态向量扩展的方法外,也可以通过修正随机模型.提出采用多项式长除法将有色状态噪声模型展开成无穷级数,截断取其有限项,进而求取有色状态噪声方差.利用该方差对随机模型进行修正,再结合现代时间序列分析方法,构造出新的ARMA新息模型,并根据该新息模型设计状态最优滤波器.为了说明该方法的正确性和合理性,将它与标准的Kalman滤波和状态向量扩展法进行分析和比较.结果证明利用该方法能有效地控制有色状态噪声的影响.     

应用预测滤波估计卫星姿态

本文推导了预测滤波法的基本原理,应用了预测滤波作为卫星姿态状态预报算法,并与经典卡尔曼滤波进行了比较。实验表明采用预测滤波法对不同姿态角均能得出较好的估计结果,克服了经典卡尔曼滤波法进行估计存在的估计模型误差和推广卡尔曼滤波(EKF)的线性化误差。     

一种卫星钟自相关的实时钟差预报算法

针对实时精密单点定位(RT-PPP)中实时数据流存在中断、延迟等问题,该文构建了顾及卫星钟自相关的随机模型,提出了一种基于方差分量估计的自适应卡尔曼滤波钟差超短期/短期预报算法,评估了连续27d实测法国空间研究中心(CNES)实时数据流CLK93产品完整率和精度水平,利用哈达玛方差对比分析了该实时产品与德国地学研究中心(GFZ)事后GBM产品的频率稳定性。利用本文算法与传统卡尔曼算法对两类产品进行预报,结果显示:CLK93产品BDS系统(C)、GPS系统(G)、GLONASS系统(R)、Galileo系统(E)30s和1min预报精度分别平均提升了8.50%、8.44%、7.20%、6.96%;GBM产品相应4个系统12h和24h预报精度分别平均提升了3.14%、3.53%、0.96%、10.01%。     

基于Kalman滤波器的卫星钟差预报精度分析

Kalman滤波器稳态条件下的卫星钟差预报精度可作为评估星地时间同步性能的重要依据,研究了基于Kalman滤波器的卫星钟差预报精度问题。在卫星钟差包括3阶白噪声情况下,建立了卫星钟差的状态方程和测量方程,利用离散Riccati方程的非递归代数解,得到了Kalman滤波器的稳态解,进一步得到了卫星钟差预报误差,做了典型参数情况下的数值分析。     

一种新的混合迭代UKF

从统计线性回归的角度对无味变换(unscented transformation,UT)进行分析,推导了迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)。针对IUKF计算量大的问题,结合弦线迭代法和IUKF,得到了一种新的混合迭代无味卡尔曼滤波器。数值仿真的结果表明,新滤波算法的精度优于扩展卡尔曼滤波、迭代扩展卡尔曼滤波和无味卡尔曼滤波,并可以有效降低IUKF的计算量。     

时空Kalman滤波在变形分析中的应用研究

时空Kalman滤波可对变形监测数据进行时空滤波去噪、数据插补和变形预测,本文利用时空Kalman滤波进行变形分析,从模型原理及试验两方面比较分析了Kriged Kalman filter(KKF)、space time Kalman filter(STKF)和spatio-temporal mixed effects(STME) 3种典型时空Kalman滤波模型的性能和适用性。结果表明:3种时空Kalman滤波模型均基于空间基函数及动力学模型组合形式描述时空数据的时空相关性,其主要差异在于空间变异的描述形式不同、空间基函数和状态转移矩阵构造过程不同及模型降维方法不同。在适用性方面,KKF模型更适合于稀疏测站的变形分析,STKF模型及STME模型更适合于海量测站的变形分析。在变形分析应用效果方面,3种时空Kalman滤波模型均具有较高精度的时空滤波去噪、数据插补和变形预测性能,其滤波结果相对于普通Kalman滤波结果的平均改善率为21.1%,其缺失数据插补结果相对于Hermite时间插值结果的平均改善率为42.4%,其空间预测结果相对于Kriging空间插值结果的平均改善率为65.3%,其对已知测站未来变形的时空预测结果相对于普通Kalman滤波时间预测结果的平均改善率为20.6%,其对非观测站点未来变形的时空预测结果相对于Kalman滤波+Kriging组合模型预测结果的平均改善率为20.5%。     

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。     

状态约束卡尔曼滤波的导航定位精度分析

针对满足一些状态约束的线性系统,通常的卡尔曼滤波未能有效利用状态约束信息,从而限制了导航定位解算性能的问题,该文将线性系统的状态约束条件融入卡尔曼滤波中,充分利用状态约束信息,对比分析了准确测量法、估计投影法、系统投影法和滑动时域估计法4种状态约束下的卡尔曼滤波方法,以提高卡尔曼滤波的导航状态估计精度。以陆地车辆导航定位的状态估计为对象,对比分析了非约束卡尔曼滤波和带有状态约束的卡尔曼滤波的状态估计精度,结果表明,状态约束卡尔曼滤波可以明显提高导航定位精度。     

Robust adaptive filter for shipborne kinematic positioning and velocity determination during the Baltic Sea experiment

Information on trajectory and attitude is essential for analyzing gravimetric data collected on kinematic platforms. Usually, a Kalman filter is used to obtain high-accuracy positional and velocity information. However, this can be affected by measurement outliers and by state disturbances that occur frequently under a fast-changing environment. To overcome these problems, a robust adaptive Kalman filtering algorithm is applied for state estimates, which introduces an equivalent weight to resist measurement outliers and an optimal adaptive factor to balance the contributions of the kinematic model information and the measurements. In addition to the conventional robust estimator, an improved Current Statistical (CS) model is proposed. The improved CS model adopts a variance adaptive learning algorithm, and it can perform self-adaptation of acceleration variance with the innovation information; thus, it can overcome the shortcoming of lower tracking accuracy and avoid setting the maximum acceleration. Following a gravimetry campaign on the Baltic Sea, it is shown in theory and in practice that the robust adaptive Kalman filter is not only simple in its calculation but also more reliable in controlling the colored observation noise and kinematic state disturbance compared with the classical Kalman filter. The improved CS model performs best, especially when analyzing the positioning errors at the turns due to the target maneuvering. Compared to the CS model, the RMS values of the positional estimates derived from the improved CS model decrease by almost 30% in the horizontal direction, and no significant improvement in the vertical direction is found.     

K-GM（1，1）模型在岩体变形监测中的应用

传统GM （1,1）模型存在着长期预测效果差、模型精度不高等问题,卡尔曼滤波能够排除建模过程中随机干扰因素,滤波值能够反映更真实的数据情况。为了能更好地提高变形监测的预测精度,基于传统GM （1,1）模型和卡尔曼滤波,提出K‐GM （1,1）模型,利用该模型对岩体变形监测数据进行建模预测,并与传统GM （1,1）模型预测结果进行对比分析,结果表明,K‐GM （1,1）模型具有较高的预测精度,可作为变形监测的一种新方法。