自适应渐消卡尔曼滤波及其在SINS初始对准中的应用

卡尔曼滤波常常被用于惯性导航系统初始对准算法,其使用前提是对系统状态进行建模,从而得到比较准确的系统噪声和观测噪声统计特性。在模型失配和观测噪声干扰的情况下,常规卡尔曼滤波会出现精度下降甚至发散,从而影响初始对准精度。针对这一问题,提出了一种新型渐消卡尔曼滤波算法,引入了多重渐消因子对预测误差协方差阵进行调整,设计了基于新息向量统计特性的滤波状态χ2检验条件,使渐消因子的引入时机更加合理,算法的自适应性得到增强。将改进的卡尔曼滤波算法应用到惯性导航系统的初始对准问题中,仿真试验和实测数据试验结果表明,与常规渐消因子滤波算法相比,新算法可以有效提高滤波精度及鲁棒性。     

渐消滤波原理及其理论分析

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。本文首先分析了渐消滤波的理论背景和基本原则；基于其基本原则，推导了渐消滤波解；然后从理论模型、极值原则全面分析了渐消滤波理论存在的问题。分析认为，理论上，渐消滤波具有控制状态模型误差影响的能力；现有渐消因子的求解在实践中可能出现负定现象，求解时必须附加条件。     

基于双因子抗差卡尔曼滤波在动态导航中的应用

针对动态导航卡尔曼（Kalman）滤波的异常扰动影响问题,根据观测量中的粗差对状态向量滤波值的影响规律,引入了双因子算法,导出基于预报残差的抗差卡尔曼滤波模型,该模型具有良好的抗差性,利用实测数据加模拟粗差进行验证,结果表明：抗差卡尔曼滤波可以很好的控制状态对滤波估值的影响,精度相对于标准卡尔曼滤波有明显的提高。     

基于移动开窗法协方差估计和方差分量估计的自适应滤波

基于移动窗口协方差估计和方差分量估计，提出了一种新的自适应Kalman滤波技术。计算结果证实，该方法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。     

一种改进的无迹信息滤波相位解缠算法

针对传统相位解缠算法难以精确解缠低信噪比干涉图的问题,该文提出一种渐消因子调节的无迹信息滤波相位解缠算法.首先建立基于二阶泰勒展开式的状态空间方程,利用修正矩阵束模型梯度估计方法来获取状态空间方程所需要的一阶相位梯度信息与二阶相位梯度信息;其次,把渐消因子引入到无迹信息滤波递推程序中对状态变量预测估计误差方差进行自适应...     

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。     

动力学模型自适应滤波算法研究

在全球导航卫星系统（global navigation satellite system,GNSS）动态测量中,常采用Kalman滤波进行导航解算。但是,载体运动的不规则性经常会导致动力学模型偏差增大,从而出现定位精度下降的问题。针对此,在实时估计协同转弯模型（coordinated turn,CT）转弯率的基础上提出了两种减弱动力学模型偏差影响的自适应滤波算法。一种是实时估计转弯率的CT模型与改进的椭球约束方程相结合的滤波算法;另一种是通过对载体运动规律的分析,推导了实时估计转弯率的三维转弯模型,提出了一种三维转弯模型与新息向量构造的自适应因子相结合的自适应滤波算法。实验结果表明,这两种算法在不同的机动情况下都能较好地控制动力学模型误差的影响,其精度明显优于标准Kalman滤波和CT模型与常速度模型相结合的滤波算法。尤其是第二种算法,不仅通过自适应估计提高了动力学模型的精确性,还通过自适应因子进一步控制了动力学模型扰动的影响,显著提高了动态导航解的精度和可靠性。     

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。     

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。     

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。     

附加原子钟物理模型的PPP时间传递算法

传统精密单点定位(PPP)时间传递算法通常把接收机钟差当作相互独立的白噪声逐历元进行估计,而忽略了钟差参数历元间的相关性。针对这一问题,本文提出了一种附加原子钟物理模型的PPP时间传递算法。该算法通过利用Kalman滤波对高稳定度的原子钟钟差进行建模,拓展传统PPP时间传递模型中的接收机钟差参数,并给出了Kalman滤波过程噪声协方差和初始状态向量的确定方法。试验结果表明:该算法可以有效避免传统算法时间传递结果需要一定收敛时间的问题,使解算结果更加符合原子钟的物理特性,能够显著提高时间传递结果的精度和稳定性,可将单站时间传递精度平均提高58%,站间时间传递精度平均提高51%。     

附加基线矢量约束的双站协同精密定位方法

传统精密单点定位(PPP)具有高精度、操作方便等诸多优点,其通常利用Kalman滤波进行未知参数的解算,但是定位性能依赖于准确的动态模型和滤波初值,如果动态模型不准确或者滤波初值设定的不正确会导致滤波性能下降甚至发散.针对该问题,提出了一种附加先验的基线约束信息的双站协同PPP定位方法,算法利用双站所成基线的方向信息和长度信息对Kalman滤波过程中双站位置的估计值进行修正,减小了浮点解的误差协方差矩阵,提高了浮点解的精度.利用实测的全球定位系统(GPS)数据进行PPP实验,实际结果表明,与传统PPP参数估计模型相比,本方法有效改善了定位的精度,缩短了收敛时间.     

基于衰减因子的虚拟应答器信息融合方法研究

针对虚拟应答器(VB)信息融合时使用Kalman滤波易出现滤波发散的问题,提出了基于改进Sage-Husa自适应滤波算法的信息融合方法. 首先采用自适应滤波动态调节噪声统计特性参数,抑制滤波发散,在预测误差方差矩阵中引入衰减因子,减小陈旧数据的影响进而提高滤波精度,最后进行仿真实验,将所提出的滤波算法与Kalman滤波和Sage-Husa自适应滤波在VB的位置误差和速度误差上进行对比. 仿真结果证明:在相同的时间内,本文所述算法在VB的定位误差上具有显著优势,具有较好地稳定性.      

Improved adaptive filter with application to relative navigation

An improved adaptive Kalman filter algorithm is presented to model error and process noise uncertainty. The adaptive algorithm for model error is obtained by using an upper bound for the state prediction covariance matrix. The process noise is estimated at each filter step by minimizing a criterion function, which was determined by measurement prediction. A recursive algorithm is provided for solving the criterion function. The proposed adaptive filter algorithm was successfully implemented in GPS relative navigation for spacecraft formation flying in high earth orbits with real orbit perturbations. Software simulation results indicated that the proposed adaptive filter performed better in robustness and accuracy compared with previous adaptive algorithms.     

原子钟模型和频率稳定度分析方法

首先给出典型的原子钟时差观测量模型，包括确定性部分（时差、频差、线性频漂和周期性波动项）、随机性部分（即原子钟噪声）和观测噪声；分析了各分量对应的Allan偏差的表达式。针对部分文献对Kalman滤波器估计原子钟状态原理描述不清晰的问题，描述了原子钟随机微分方程模型和各物理量的含义，从最优估计和低通滤波器两个角度阐述其原理。针对观测噪声过大、存在周期性波动等原因造成无法准确估计原子钟噪声强度的情况，提出了综合Kalman滤波器状态估计结果和Allan偏差图，估计原子钟噪声和观测噪声强度的方法；提出了3种不同的估计线性频漂幅度的方法，并通过实测数据相互验证；针对周期性波动在时差中不明显的问题，结合原子钟随机微分方程模型，提出了综合Kalman滤波器状态估计的结果和对数Allan偏差图估计周期性波动周期和幅度的方法。对两台国产氢钟的实测数据进行了验证，证明该方法物理原理清晰，操作简便易行，具有实用性。通过该方法可以外推得到所有平滑时间的Allan偏差估计值。     

一种采样型平方根滤波及其应用

探讨了非线性系统的滤波问题，提出了将采样型平方根滤波SR-UKF（square root unscented Kalmanfilter）用于星载GPS卫星实时定轨。在滤波过程中，以协方差阵的平方根代替协方差阵参加递推运算，有效地提高了滤波算法的计算效率和数值稳定性。实例计算结果表明，SR-UKF的性能要优于推广卡尔曼滤波（extended Kalmanfilter）和Unscented卡尔曼滤波（unscented Kalmanfilter）。     

组合导航中一种新息自适应卡尔曼滤波算法

全球定位系统/航位推算组合导航定位中,由于目标运动的不确定性,GPS接收机与DR器件接收的数据存在噪声,使预置目标运动模型通常很难得到较高跟踪精度,针对应用常规卡尔曼滤波进行组合导航解算由于噪声统计特性未知而引起滤波不稳定的问题,本文提出了一种基于新息序列的量测计算进行自适应估计的卡尔曼滤波算法。该算法通过对新息方差强度进行极大似然估计,将新息计算引入卡尔曼滤波器的增益计算,达到控制发散的目的。最后对改进的算法与一般卡尔曼滤波算法做了对比仿真试验分析,结果表明了改进算法的有效性。     

分布式导航星座自主时间同步性能评估

针对星座自主导航任务需求，分析了基于星载钟性能和星间相对钟差估计星座自主时间同步精度的可行性，验证了星座中星载原子钟性能与卫星自主时间同步滤波结果的相关性，评估了有无时间参考基准、星间电文交互条件下的卫星钟差预报性能。评估结果表明：当缺少地面或参考星为基准且星间电文无交互时，单颗卫星的自主钟差预报结果是不可观的，会随着时间增长发生偏移，并在地面或基准星对其校准后迅速收敛，继续随星载钟性能和滤波状态参数发散；当缺少基准且星间电文正常交互时，卫星自主钟差滤波结果与精密钟差相比存在整体偏移；基于本文设计的验证条件，卫星自主运行15 d卫星钟差整体漂移量优于60 m；当以某颗卫星或锚固站为时间参考基准时，全网卫星可根据与基准时间的相对钟差进行自主校准，星间相对钟差RMS为0.6 m。     

基于哈达玛总方差的卫星钟差参数估计与预报

钟差参数估计与预报是卫星导航系统应用中的一项关键技术。本文研究了基于哈达玛总方差的钟差参数预报方法。随机部分采用幂律谱模型,利用哈达玛总方差计算Kalman噪声参数,进而得到状态噪声和测量噪声协方差阵。最后利用IGS数据,验证了基于哈达玛总方差进行钟差参数估计与预报的适用性。结果表明,短期预报精度可达到亚纳秒级。