函数模型误差弹性自适应滤波修正

多源导航信息融合过程中,观测模型和动力学模型随时间和空间变化复杂,高精度的动态载体导航与定位需要观测模型和动力学模型具有准实时或实时修正的能力。针对包含观测模型误差以及动力学模型误差的滤波系统,提出了一种基于信息滤波的弹性自适应滤波算法。所提算法以不含模型误差的标准信息滤波器为主滤波器,分别构造了观测函数模型及动力学函数模型误差补偿滤波器,对两类模型误差进行补偿。所提方法强调模型补偿项的弹性自适应估计和状态参数的弹性组合,提高了时变模型误差估计的稳定性。半物理仿真实验结果表明,基于函数模型补偿的弹性自适应滤波算法可以有效地估计观测模型和载体动力学模型误差项,水下拖体的三维位置偏差在0.2 m以内,两类模型误差的影响基本消除,明显提高了载体动态参数的估计精度。     

抗差容积卡尔曼滤波及其在UWB室内定位中的应用北大核心CSCD

针对超宽带(UWB)观测值异常引起的量测误差及系统噪声先验统计信息未知而导致状态估计误差增大的问题,该文提出了一种带噪声时变估计器的抗差容积卡尔曼滤波(CKF)算法。该算法在滤波过程中,利用预报残差因子构建抗差等价协方差矩阵,控制观测异常值对滤波参数解的影响,同时利用sage_husa算法对系统噪声的统计特性进行实时估计和修正,提高滤波精度和稳定性。实验结果表明,所提算法不仅能有效地消除量测误差对滤波解的影响,而且能在系统噪声先验信息未知的情况下更进一步提高UWB室内定位的精度和可靠性。     

论动态自适应滤波

动态导航与定位的质量取决于对动态载体扰动和观测异常扰动的认知和控制。本文首先介绍了目前广泛使用的Sage自适应滤波，讨论了自适应滤波的残差向量、新息向量及状态参数预报值残差向量的解析关系，以及它们之间的协方差矩阵之间的关系；分析了基于新息向量、残差向量和状态参数预报值残差向量的自适应协方差估计存在的问题。对新近发展起来的抗差滤波、Sage自适应滤波及抗差自适应滤波进行了综合比较与分析，结果表明抗差自适应滤波解算理论与方法除自适应地估计载体状态预报向量的协方差矩阵外，还能自适应地估计任意历元观测量的权。计算结果证实，抗差自适应滤波不仅计算简单，而且能有效地控制观测异常和载体状态扰动异常对动态系统参数估值的影响。     

组合导航抗差自适应卡尔曼滤波

针对组合导航系统的定位精度与稳定性要求不断提高的现状,该文引入一种观测噪声协方差与抗差自适应相结合的Kalman滤波算法。利用新息向量和移动窗口协方差分析法,动态自适应修正观测噪声协方差阵;通过分析基于状态不符值、方差分量的统计量构造的自适应因子所存在的问题,提出一种由预测残差向量构造的自适应因子。仿真结果表明,该方法能够有效抑制观测异常对组合导航定位精度的影响。     

噪声协方差矩阵加权估计的Sage自适应滤波

介绍了经典 Kalm an滤波和目前广泛使用的 Sage自适应滤波 ,分析了基于新息向量、残差向量和状态改正数向量的自适应协方差估计存在的问题 ,提出了一种改进 Sage自适应滤波的新方法。计算结果表明 ,该方法能有效地控制观测异常和动态扰动异常对噪声协方差估计的影响 ,在高动态 GPS数据处理中具有较强的数值稳定性和自适应性。     

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。     

一种提高神经网络泛化能力的自适应UKF滤波算法

给出了利用EKF(extended Kalman)滤波和UKF(unscented Kalman)滤波提高神经网络泛化能力的方法.针对UKF参数选取随意性的问题,采用移动开窗估计法对状态噪声和观测噪声协方差矩阵进行自适应估计,提出了一种新的提高神经网络泛化能力的自适应UKF算法.利用检测样本进行了验证,结果表明,利用EKF、UKF和自适应UKF算法训练神经网络都能提高其泛化能力,其中自适应UKF算法优于其他几种算法.     

非线性自适应抗差滤波定轨算法

讨论了应用卡尔曼滤波进行卫星精密定轨所遇到的一些问题,提出了一种新的非线性自适应抗差滤波定轨算法.该方法首先采用非线性滤波来提高定轨精度,避免了模型线性化误差的影响.另外,采用双因子方差膨胀模型来自适应地调节观测噪声的协方差阵,以控制观测异常对定轨结果的影响;通过自适应因子实时调节状态噪声协方差阵,以降低状态异常对定轨结果的影响.通过CHAMP卫星定轨计算,验证了新方法的可行性和有效性.     

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。     

GPS／INS组合中观测噪声方差阵的自适应估计方法研究

在GPS/INS松散组合滤波中,首先利用新息辨别异常的观测量,然后根据选权滤波的思想,通过调节滤波器中观测噪声方差阵改变系统对相应观测信息的信赖度.实验结果表明,改进的滤波算法不仅提高了滤波精度,而且较好地控制了异常点的误差影响.     

一种基于渐消因子的区间卡尔曼滤波器方法

在噪声环境中,运动目标发生稳态突变会降低卡尔曼滤波器的滤波性能,进而导致组合导航的可靠性降低,导航系统抗干扰能力下降,影响导航的精确度。为了提高卡尔曼滤波器性能,提高抗干扰能力和导航精度,在采用基于卡尔曼滤波器的超紧耦合同时,提出一种新型的基于渐消因子的区间卡尔曼滤波器算法。该算法通过引入渐消因子和区间矩阵对滤波器增益矩阵进行实时调整,并利用区间运算中的交集运算将各种误差源约束到交集区间,进而保证在区间运算中保真集合映射的完备性并取得最优化。结果显示,该算法能够克服原有滤波器算法的缺陷,在噪声环境中提升对稳态突变目标的跟踪能力,且在噪声中滤波器效果提高,算法计算量没有明显增加。     

带约束条件的自适应滤波及其在GPS定位中的应用

推导了约束状态下的卡尔曼滤波递推方程,采用不消去状态参数的方法,在卡尔曼滤波的数学模型中增加约束状态方程推导出约束状态下的卡尔曼滤波递推方程.表明采用带约束条件的滤波递推过程与一般卡尔曼滤波递推方程相似,只要对预报值及其协方差增加一项约束条件改正项即可,因此,在滤波计算上不需要做大的修改.还讨论了带约束条件的卡尔曼滤波的自适应算法,说明一般自适应滤波算法同样适用于带约束条件的滤波,因此在应用上非常便利.利用一组GPS动态定位数据中的伪距观测值进行计算分析,并以距离作为一个约束条件,结果显示约束条件对滤波结果的改善程度与约束条件和动态系统本身有关.对于一般卡尔曼滤波中因模型确定误差和动态目标突然加速而导致的滤波发散现象,如果增加约束条件的约束力较小时,同样会出现滤波结果偏离,因此,带约束条件的滤波同样需要考虑滤波的自适应性.     

UKF的改进算法及其在伪卫星定位中的应用

首先介绍了伪卫星导航系统的观测方程和动力学模型方程。然后,分析了基于UT变换的UKF算法,针对该算法存在的问题,结合迭代滤波思想和抗差估计原理提出了一种新的抗差UKF算法。并与EKF和UKF算法进行了比较。计算结果表明,该算法不仅可以提高滤波器的精度,而且能够更有效地控制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。     

自适应抗差KF-UKF的超宽带导航定位方法

针对超宽带导航定位中量测信息异常误差和非线性滤波问题,该文提出了一种基于自适应抗差卡尔曼滤波-无迹卡尔曼滤波(KF-UKF)的超宽带导航定位算法。该算法首先利用卡尔曼滤波计算预测状态向量及其协方差矩阵,利用无迹卡尔曼滤波进行量测更新;然后利用先验阈值和预测残差构建量测噪声的抗差协方差矩阵,以减少量测信息异常误差的影响,同时利用自适应因子对算法进行调节和修正。结果表明,该算法能有效地抑制并消除超宽带测距中量测信息异常误差的影响,能有效地处理状态模型误差的影响,提高超宽带导航定位的精度和稳定性,同时拥有比无迹卡尔曼滤波算法更高的计算效率。     

改进的Sage—Husa自适应滤波在GPS动态导航定位中的应用

本文利用Kalman滤波方法对动态测量进行数据处理,由于高动态的GPS测量,不易确定系统动态噪声和观测噪声.同时标准的Kalman滤波在应用过程中由于状态模型确定的误差存在,滤波效果不佳.因此本文结合动态导航的实时性和高动态性,建立了动态导航系统中滤波状态方程和观测方程,采用改进的Sage-Husa自适应滤波对来进行实时定位数据处理,利用已有测量数据进行了实例分析.改进的Sage-Husa自适应滤波在计算过程中计算量小,结果稳定,有较强的自适应性.     

强跟踪抗差自适应滤波算法及其在无人机导航定位中的应用

针对Sage-Husa自适应滤波算法在无人机导航定位应用中存在滤波发散和定位精度低的问题,本文提出一种强跟踪抗差自适应滤波算法。该算法在Sage-Husa自适应滤波算法基础上,引入强跟踪技术,通过自适应渐消因子降低历史数据对当前滤波的影响,从而抑制滤波发散,增强算法的稳健性;结合量测噪声和系统噪声进行实时估计,并且在估计中加入抗差因子抑制粗差对滤波的干扰,提高定位精度。仿真结果表明,该算法在发生滤波发散和粗差干扰的情况下能够表现出良好的滤波性能,较Sage-Husa算法有更强的稳健性。