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。     

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。     

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。最后通过一个模拟算例,证明了该算法的有效性。     

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...     

一种新的综合Kalman滤波及其在星载GPS低轨卫星定轨中的应用

针对将Kalman滤波方法应用到星载GPS定轨时,由于动态噪声和观测噪声确定不准而造成滤波的发散、污染观测值造成Kalman滤波估值的扭曲及计算舍入误差可能带来协方差阵的不正定性等缺陷,提出了一种新的综合Kalman滤波方法。该方法用拟准检定法准确地探测和修正量测方程中存在的粗差;用UD分解算法克服了数值的不稳定性,改进了计算精度;用Sage自适应滤波器克服滤波器的发散。算例结果表明,这种综合卡尔曼滤波方法具有数值稳定性好、较强的自适应性和较好地削弱粗差影响等优点。     

有色噪声作用下的卡尔曼滤波

利用GPS载波相位三差观测量进行动态定位(或精密导航),就必须研究有色噪声滤波的理论问题.根据需求,推导了动态噪声、观测噪声为有色噪声的线性系统滤波公式,并证明白噪声卡尔曼滤波是有色噪声卡尔曼滤波的特例,或者说有色噪声的卡尔曼滤波是白噪声卡尔曼滤波的推广.     

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%。     

基于Kalman滤波的GM(1,1)-AR模型在高层建筑物沉降变形分析中的应用

在传统的GM(1,1)模型和AR模型的基础上提出一种基于Kalman滤波的GM-AR模型预测新算法。利用卡尔曼滤波对原始监测数据进行滤波消噪,获取有效地实际变形量;然后对实际变形量中的趋势项和随机项运用GM(1,1)-AR组合模型进行建模组合。通过工程实例分析表明,基于卡尔曼滤波的GM(1,1)-AR模型相比单一的GM(1,1)模型和GM(1,1)-AR模型,有效地减弱观测噪声的影响,提高预测精度。     

结合滤波算法的不敏卡尔曼滤波器相位解缠方法

提出结合预滤波算法的不敏卡尔曼滤波（UKF）相位解缠方法。该方法把UKF、传统路径跟踪策略、全方位的局部相位梯度估计技术以及小窗口干涉图预滤波算法有效结合起来,能在相位解缠的同时进行干涉相位噪声抑制,既不受相位残差点影响,又避免了传统方法在相位解缠之前须尽可能滤除干涉图中相位噪声的不足。模拟和实测数据实验结果验证了本文方法的有效性,且与扩展卡尔曼滤波相位解缠算法（EKFPU）以及传统方法相比具有较高的精度。     

有色观测噪声下的无迹卡尔曼滤波算法

传统的无迹卡尔曼滤波算法(UKF)要求噪声是高斯白噪声,但在实际应用中,噪声往往呈现非高斯特性。本文在有色观测噪声满足一阶AR模型的条件下,基于观测信息扩增法及最小方差估计准则,通过Unscented变换(UT变换)计算出非线性状态后验均值,进而得出一类具有处理有色观测噪声的无迹卡尔曼滤波处理算法。通过实际数据验证了该算法能有效控制有色噪声的影响。     

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。     

Sage-Husa随机加权无迹卡尔曼滤波及其在导航中的应用

在吸收Sage-Husa滤波和无迹卡尔曼滤波优点的基础上,利用随机加权估计算法将传统的定义在线性系统上的Sage-Husa噪声估计器推广到非线性系统中,提出一种非线性Sage-Husa随机加权无迹卡尔曼滤波算法。该算法首先利用Sage滤波的开窗平滑方法求得观测残差向量和新息(预测残差)向量的协方差阵;然后用随机加权自适应因子对观测残差和预测残差进行调节;最后对状态预报向量的协方差矩阵进行自适应随机加权估计,以控制观测残差和预测残差对导航精度的影响。计算结果表明,提出的非线性Sage-Husa随机加权无迹卡尔曼滤波算法,滤波精度明显优于无迹卡尔曼滤波和自适应无迹卡尔曼滤波算法,能够提高组合导航的解算精度。     

动态定位有色噪声影响函数--以一阶AR模型为例

动态定位的精度和可靠性除受观测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。基于动态数据处理的2种主要方法，即序贯平差法和Kalman滤波法，将有色噪声分为有色观测噪声和有色状态噪声分别进行讨论。结果表明，有色噪声对状态参数的影响是明显的，由影响函数所计算的结果是可靠的。     

量测噪声自适应平方根TCKF姿态数据融合算法

为了提高微电机系统(Micro-Electro-Mechanical Systems, MEMS)器件的姿态解算精度,本文提出了一种量测噪声自适应平方根正交变换容积卡尔曼滤波(Adaptive-Square Root Transformed Cubature Kalman Filter, A-SRTCKF)姿态数据融合算法。该算法对MEMS器件中的加速度计、陀螺仪和磁力计输出的数据进行数据融合,以TCKF作为基础算法,采用QR分解更新误差协方差矩阵的平方根进行滤波运算,并通过渐消记忆Sage-Husa噪声估计方法对量测噪声进行实时估计。实验结果表明,该算法使姿态测量系统的估计误差至少降低了79.6%,不但避免了因误差协方差矩阵非正定导致算法异常终止的情况,而且解决了系统因量测噪声未知造成的状态估计精度急剧下降问题,具有比TCKF和SRTCKF更高的精度和鲁棒性。     

GPS动态相对定位的自适应Kalman滤波算法

GPS动态数据处理中广泛应用卡尔曼滤波,经典Kalman滤波认为预报误差是白噪声,服从零均值的正态分布,并利用动态噪声协方差矩阵来控制它对当前信息的影响,但实际测量定位中难以保证观测对象的规则运动,因而容易出现模型误差。针对GPS动态定位的这一问题,探讨了在实际应用中存在模型误差时的卡尔曼滤波,介绍了一种自适应Kalman滤波算法,该法顾及了载体机动加速及接收机发生周跳时的影响,减少了滤波发散的机会。     

顾及有色噪声的光纤陀螺信号的抗差谱分析

在惯导系统中，对光纤陀螺仪的零位漂移一般采取滤波的方法对其进行补偿或削弱。本文针对信号中含有低频有色噪声，在Kalman滤波和小波变换消噪不理想的情况下，提出一种新的处理零位漂移的方法。首先对信号中的有色噪声进行拟合和预报，然后对信号进行抗差谱分析，以期将有用信号、有色噪声以及周期噪声分离开。利用模拟数据对该方法进行验证，发现该方法能够剔除信号中的周期噪声，并能够削弱有色噪声的影响。     

星载GPS卫星定轨的UKF-EKF算法

针对无味Kalman滤波（Unscented Kalman Filter）在卫星定轨应用中存在计算效率和估计精度之间如何平衡的问题,本文提出了一种将无味Kalman滤波和扩展Kalman滤波（Extended Kalman Filter）相结合的新算法。该算法对标准的无味Kalman滤波算法作了两个方面的改进,一方面改进采样策略,以最小偏度单形采样策略代替对称采样策略;另一方面改进算法结构,以无味Kalman滤波和扩展Kalman滤波融合算法代替单纯的无味Kalman滤波算法,系统的强非线性部分采用无味Kalman滤波来处理,弱非线性部分采用扩展Kalman滤波来处理。算例结果表明,新算法估计精度与无味Kalman滤波相当,但计算效率提高了30%左右。     

Kalman滤波在变形监测数据处理中的应用

卡尔曼滤波通过建立状态方程和观测方程来描述系统的动态过程,依据滤波增益矩阵的变化,从测量数据中定量提取有效信息,修正状态参量,利用已有的信息对动态噪声方差阵进行实时估计,从而补偿噪声对数据的影响,有效地提高数据精度。通过用Kalman滤波对郑州某地高层建筑变形监测数据的处理与预测分析,并同多项式拟合方法比较,表明Kalman滤波在处理变形监测数据时具有实时快速、精度高的特点。     

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.