变分优化的高斯混合滤波及其在导航中的应用

针对时间差分载波相位/捷联惯导紧组合系统在非高斯噪声环境工作时，采用高斯混合滤波遇到的混合模型参数估计问题，提出了一种变分贝叶斯学习优化的高斯混合自适应滤波算法。该算法借鉴变分学习理论，准确高效地实现了高斯混合模型参数的自适应估计，进一步精化了滤波算法中的随机模型，能够显著提高估计精度，降低计算负担，改善滤波性能。实验结果表明，相比传统滤波算法，该算法的估计精度得到了进一步改善，运算耗时仅与拓展卡尔曼滤波相当。     

顾及组合导航闭环反馈的变分贝叶斯自适应滤波优化算法

多传感器组合的方式可以较好地应对全球导航卫星系统信号被遮挡、干扰等情况下的导航定位问题,滤波方法是导航定位中将多源数据融合最常使用的方法之一。在滤波过程中,组合导航的系统噪声和量测噪声无法实时精确地测定,常通过自适应滤波的方法进行时间更新和量测更新的平衡解算。贝叶斯自适应滤波方法在很多时候具有较好的效果,但是和其他的自适应滤波方法一样,该类方法都需要进行自适应因子的选取。本文根据组合导航对于实时性要求及其闭环反馈的特殊性,在变分贝叶斯自适应滤波的基础上进行了算法的优化,给出了一种调节因子的动态计算方法,并以GNSS和惯性导航系统组合系统为例,通过模拟和实测试验进行验证。试验结果表明,本文算法不需要通过迭代计算的方法就可以获取高精度组合结果,提升了计算效率;对于真实的动态场景中,本文算法的调节因子动态自适应确定,结果更具有优越性。     

多种有色噪声自适应滤波算法的比较

将控制有色噪声影响的自适应滤波算法分为函数模型补偿滤波和随机模型补偿滤波两类。在介绍各种自适应滤波理论和模型的基础上，重点分析了各种自适应滤波算法的优缺点，并用实际算例进行了验证。     

顾及系统噪声和观测噪声的分级自适应信息滤波算法

高精度的载体动态导航与定位不仅需要对载体异常扰动和观测异常有良好控制,还需要对状态方程系统噪声及观测噪声的时变特性有准确认识和处理。首先针对包含系统噪声的动力学模型和包含时变观测噪声的导航系统,提出一种基于信息滤波形式的分级自适应滤波算法。然后针对系统噪声的渐变性和突变性,增加了遗忘因子和二段自适应因子,提高了对突变噪声估计的稳定性;顾及观测噪声的时变特性,采用传感器间差分和观测数据历元差分法估计观测噪声协方差。最后进行了仿真实验和深海拖体实验,结果表明,该算法不仅可以有效地估计系统噪声,还能准确地估计时变观测噪声的协方差阵,提高水下载体动态参数的估计精度。     

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。     

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。     

改进的GNSS/SINS组合导航系统自适应滤波算法

GNSS/SINS(global navigation satellite system/strapdown inertial navigation system)组合导航系统已得到广泛的应用与研究,当处于复杂环境时,GNSS输出容易出现误差均方差突变、误差均方差缓变、硬故障和软故障4种现象,进而影响组合导航系统滤波精度及载体的导航安全。为了解决上述问题,提出了一种改进的GNSS/SINS组合导航系统自适应滤波算法。首先,利用滤波过程中的观测异常检验统计量与滤波器门限值构建观测因子,然后,将变分贝叶斯原理与抗野值滤波方法结合,设计了改进的组合导航系统自适应滤波算法。仿真实验表明,相较于传统算法,当GNSS输出误差均方差发生变化时,所提算法可将位置精度及速度精度提高11.8%及13.7%;在GNSS输出发生硬故障时,所提算法可将位置精度及速度精度提高70.8%及69.6%。实验结果表明,所提算法具有较强的自适应性,可提升复杂环境下组合导航系统的精度和连续可用性。     

含有色噪声的几何导航解自适应融合算法

组合导航系统的精度和可靠性，除受各传感器偶然误差和系统误差的影响外，还受时间相依的有色噪声的影响。任何基于高斯白噪声假设而忽略实际有色噪声影响的数据处理理论和方法均不能保证估计结果的实际可靠性。本文基于多源几何导航结果的融合算法，通过对状态方程有色噪声的拟合和预报，给出了含有有色噪声的几何导航结果的融合算法。并利用模拟数据进行了试算与比较。     

极大似然估计自适应Kalman滤波在变形监测中的应用研究

针对传统Kalman无法应对非线性变形系统中先验模型不准确或时变导致性能降低的问题,在变形监测数据降噪应用中引入基于极大似然准则的自适应Kalman滤波方法。建立观测噪声方差阵自适应估计(Res-R)和系统过程噪声方差阵自适应估计(Scale-Q)的自适应Kalman模型,并在应用中为解决信息序列不准确致使过程噪声Q扰动较大的问题,提出了基于信息序列方差调整因子的改进Scale-Q自适应滤波。工程实例数据分析结果表明,Res-R和改进Scale-Q模型降噪效果均优于传统Kalman滤波模型。     

基于卫星加速度恢复地球重力场的去相关滤波法

基于加速度法恢复地球重力场时,卫星加速度是由卫星轨道数值微分得到,而数值微分会放大高频误差,进而降低了重力场解算结果的精度.针对数值微分导出的加速度误差具有有色噪声的特性,提出利用去相关算法构造白化滤波器对加速度有色噪声进行滤波处理,并根据去相关的基本原理分别构造了基于三点差分和ARMA模型的白化滤波器.采用不同噪声背景的CHAMP卫星模拟轨道数据进行解算,结果表明:基于去相关滤波解算的重力场模型精度均要比等权解算的重力场模型精度高,初步验证了去相关滤波方法的有效性.     

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。     

改进的自适应滤波算法在BDS／INS组合导航中的应用

针对目前北斗与惯性导航系统的组合导航系统的导航性能和鲁棒性较差,基于衰减因子和噪声加权的自适应卡尔曼滤波技术,研究了组合导航系统在不确定性噪声干扰下的组合新算法。并在Matlab中进行了仿真实验,通过对比传统卡尔曼滤波技术,验证了新算法的有效性。并在Matlab中进行了无人机数据后处理实验。结果表明,改进的自适应滤波算法可以有效地降低不确定性干扰对组合导航系统的影响,从而提高了系统的导航性能和鲁棒性。      

干涉复小波复数域双变量滤波算法

针对复小波双变量滤波模型仅考虑小波复系数实部,忽略了系数的虚部,导致信号相位噪声的增加而影响滤波效果的问题,提出基于复小波变换的复数域双变量模型干涉图滤波算法。该算法将双变量贝叶斯估计算法从实数域推广到了复数域,用噪声复系数概率密度函数刻画了小波复系数实部与虚部的相关性,根据小波分解复系数来估计噪声方差和信号方差,建立了复小波复数域双变量滤波模型,求得了干涉图复系数的贝叶斯估计。试验结果表明,本算法对干涉图噪声有较强的抑制能力,保留了干涉图的边缘及细节信息,滤波性能优于传统的实数域复小波双变量滤波、Goldstein滤波、单小波滤波和最优化融合滤波方法。     

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。     

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。     

GPS导航中的抗差自适应Kalman滤波算法

GPS导航与定位的质量取决于对动态载体函数模型和随机模型的认知。本文首先基于机动载体的当前统计模型 ,设计了离散系统的Kalman滤波器 ,进而基于方差分量估计给出了一种适合GPS动态定位的抗差自适应卡尔曼滤波算法。该算法模型简单 ,实时性好。实测数据计算结果表明 ,滤波导航解能有效地控制观测异常和动态扰动异常对导航解的影响 ,使导航解更能反映导航目标的真实情况     

顾及动力学模型误差影响的GPS/INS组合导航自适应滤波算法

在顾及动力学模型随机误差的情况下,设计了一种GPS/INS自适应滤波算法.针对BP神经网络存在的训练速度慢、易陷入局部极小值等问题,对神经网络学习算法进行了改进.利用神经网络进一步减小系统误差对导航解的影响,给出了顾及动力学模型随机误差和系统误差的GPS/INS自适应滤波算法,并利用实测数据验证了算法的有效性.     

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。     

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。