联邦滤波的改进算法

分析并综述了联邦滤波算法,以及该算法存在的问题。针对观测信息不足的情况下,结合抗差估计和自适应估计理论对联邦滤波算法进行了改进,给出了联邦滤波在局部传感器观测信息不足情况下的改进算法。由模拟计算结果可知,在局部传感器观测信息不足的情况下,改进的联邦滤波器能较好地抑制载体观测异常和状态扰动异常对动态系统参数估值的影响,具有很强的的抗差性和自适应性。     

自适应抗差联邦滤波算法

简要介绍了抗差估计理论;在顾及扰动异常的情况下,把自适应抗差Kalman滤波应用到联邦滤波上,对联邦滤波进行了改进,提出了一种自适应抗差联邦滤波算法.由计算结果可知,自适应抗差联邦滤波能较好地抑制载体观测异常和状态扰动异常对动态系统参数估值的影响,较好地提高导航解的精度.     

自适应抗差联邦滤波算法

简要介绍了抗差估计理论；在顾及扰动异常的情况下，把自适应抗差Kalman滤波应用到联邦滤波上，对联邦滤波进行了改进，提出了一种自适应抗差联邦滤波算法。由计算结果可知，自适应抗差联邦滤波能较好地抑制载体观测异常和状态扰动异常对动态系统参数估值的影响，较好地提高导航解的精度。     

结合自适应滤波和神经网络的GNSS/INS抗差组合导航算法

针对GNSS/INS松组合导航系统观测信息无冗余,而且观测信息可能存在异常的情形,结合自适应滤波算法和神经网络算法,提出了两种GNSS/INS抗差自适应组合导航解算方案,根据观测信息和动力学模型信息异常情况,给出了4种GNSS/INS抗差自适应滤波算法。利用实测数据进行了验证,结果表明,4种抗差自适应滤波算法在观测信息不足的情况下,不但能够抑制动力学模型扰动异常对导航解的影响,而且能够较好地抑制异常观测信息对导航解的影响。     

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。     

观测卫星不足时的GPS/INS紧组合抗差自适应滤波

常规GPS/INS紧组合抗差自适应滤波只适用于卫星数≥4的情况,且预测残差构造自适应因子要求观测值可靠。针对该局限性,对常规抗差自适应滤波算法做出两点改进:1)采用两步滤波,用第1步常规EKF滤波残差构造第二步抗差算法的粗差判别量;2)在第2步滤波用预测残差构造自适应因子时,剔除异常观测值对应的预测残差和预测残差协方差,以削弱观测异常对自适应因子的不良影响。实验结果表明,常规抗差算法在卫星数4时不适用。常规自适应滤波算法在观测值存在异常的情况下无法正确修正模型异常。改进后的抗差自适应滤波算法在组合系统观测卫星数4且观测值存在异常的情况下,仍能正确修正观测粗差和动力学模型异常,能够达到良好的导航精度。     

一种基于抗差自校正Kalman滤波的GPS导航算法

为减弱异常观测值对自校正Kalman滤波精度的影响,引入抗差M估计的等价权函数,建立了抗差自校正Kalman滤波算法,并用实例进行了验证。计算表明,该自适应滤波算法在完全未知噪声统计的情况下,不仅能够自适应地求解状态参数,而且还能在一定程度上有效地抵制观测异常对导航解的影响。     

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。     

动态系统的抗差Kaliman滤波

离散历元的动态观测量及其相应的动态模型可能存在异常，若数据处理模型不考虑对这些异常的特别处理，则动态模型参数估值及其所提供的动态信息将极不可靠。基于贝叶斯统计和抗差估计原理，我们构造了一种抗差滤波算法。该算法考虑观测分布和参数验前分布均为污染分布。并利用一个实测网验算该算法和模型的可靠性。     

观测值含有粗差的抗差粒子滤波算法

作为非线性滤波的代表，粒子滤波得到广泛应用。该算法通过随机生成的具有权重的样本（粒子）来计算后验概率密度。其中赋权的过程需要综合系统信息和观测信息，当观测值含有粗差时，会使粒子错误赋权影响滤波结果。提出一种新的基于抗差估计的抗差粒子滤波算法，通过计算粒子等价权，抑制观测值粗差的影响。模拟计算分析表明，当观测值含有粗差时，与标准粒子滤波相比，该方法能有效提高滤波精度。     

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。     

基于多传感器观测信息抗差估计的自适应融合导航

首先利用抗差估计原理构造了基于观测信息的融合导航解，再利用动力学模型信息进行自适应融合，最后利用模拟算例进行多种方案的计算与比较。     

自适应联邦滤波器在GPS-INS-Odometer组合导航的应用

针对多传感器观测信息较多、计算效率较低、对动力学模型误差稳键性不佳的问题,提出了一种自适应联邦滤波器并应用于GPS-INS-Odometer组合导航。首先介绍GPS-INS-Odometer组合导航的动力学模型和观测模型,比较分析了信息分配因子和自适应因子的共同特性,论证了联邦滤波器和自适应滤波器的等价性及其等价成立条件,提出了自适应联邦滤波器的信息分配因子构造方法。最后利用实测数据验证了算法的有效性。结果表明,相比于基于GPS和Odometer(里程计)初始方差构造信息分配因子的联邦滤波器,本文提出的自适应联邦滤波器兼容了联邦滤波器高效计算效率,且具有较好的抵抗动力学模型误差效果,能够有效削弱多传感器动力学模型误差对于导航解算的影响,对直接可测参数和间接可测参数的精度提高均起到了积极的作用。     

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。     

多传感器融合导航方法的比较

多源传感器融合导航有多种算法，但不同算法之间存在理论和计算方面的差异。本文试图从理论上探讨联邦滤波融合法、动静态滤波融合法、基于观测信息的融合法以及基于各传感器几何导航解融合法的基本原理，分析各种方法的优劣，为多传感器融合导航的应用打下基础。     

基于容错型联邦强跟踪滤波的多星座组合导航算法研究

在多星座组合导航应用于高动态场景时,由于受加速度变化范围大、动态噪声和观测噪声难以准确预测等因素影响,常规联邦滤波估计精度将会严重下降甚至发散。针对这一问题,提出将强跟踪滤波算法应用到容错型联邦滤波器中,构成容错型联邦强跟踪滤波器。对COMPASS/GPS/GLONASS组合导航系统进行的仿真结果表明:该算法设计灵活,容错性强,对高动态目标有较强的跟踪能力,能够显著提高导航定位的精度和可靠性。同时,由于组合应用了无重置联邦滤波结构和渐消矩阵一步次优算法、残差χ2检验算法等实用算法,使得该算法整体计算量适中,易于实现,具有一定的工程实用价值。     

抗差估计及滤波在平差中的应用

本文对观测值误差的配赋情况进行了研究,提出了一种统计量,以此统计量进行选权迭代,具有很强的剔除粗差能力。本文还对动态网的抗差问题做了研究;利用Masreliez滤波和极大验后MAP滤波,推出了一套适于动态大地网和工程变形网的抗差滤波模型。算例充分体现了上述几种抗差方法的可行性和有效性。