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。     

强跟踪自适应卡尔曼滤波在高铁沉降监测中的应用

以高铁沉降监测为应用背景,研究了一种强跟踪自适应卡尔曼滤波算法,并将其与其他几种卡尔曼滤波算法进行仿真对比。结果表明,滤波算法具有较高的精度和较强的跟踪能力。     

两种渐消滤波与自适应抗差滤波的综合比较分析

给出了两种渐消滤波解及其相应的原则，介绍了自适应抗差滤波原理和相应的解，分别从原理和解的表达式上分析了两种渐消滤波和自适应抗差滤波解算的基本性能。利用一个实际算例比较了渐消滤波与自适应抗差滤波解在控制状态异常影响方面的能力。     

简化自协方差最小二乘噪声估计的SINS静基座初始对准

目的 研究了观测噪声统计特性未知的情况下,简化的自协方差最小二乘噪声估计方法在捷联惯性导航系统静基座初始对准中的应用。该算法采用迭代计算的策略,同时进行噪声估计和初始姿态修正,估计精度较高。通过数值方法对此算法的正确性和有效性进行了验证。     

简化5级-CKF在SINS大失准角初始对准中的应用

针对大失准角情况下,利用3级-CKF进行SINS初始对准性能不高的问题,提出5级-CKF算法。在系统模型噪声和量测噪声均为加性噪声且量测方程为线性方程时,推导了简化5级-CKF算法,步骤需要在Kalman滤波的基础上利用5级容积采样点对非线性状态方程的状态及其方差进行预测。采用SINS静基座初始对准仿真实验验证算法的有效性,结果表明:简化5级-CKF对任意失准角都是有效的,失准角较小时,3级-CKF和简化5级-CKF的对准精度和收敛速度性能相近,但简化5级-CKF的数值稳定性更高;失准角较大时,简化5级-CKF较3级-CKF具有更高的收敛速度和对准精度。     

地固系下四元数和卡尔曼滤波方法的惯导初始精对准研究

从地心地固系中卡尔曼滤波方程的推导入手,设计了一个12状态滤波器,对失准角进行估计,在地心地固坐标系中完成了惯导的初始精对准。模拟计算证明了此算法的正确性与有效性,并讨论了对准的精度。     

自适应卡尔曼滤波在沉降预测中的应用

随着我国经济高速发展,对煤炭资源的需求与日俱增,矿山大量开采造成矿区地表大面积沉陷.对于地下采煤,地表点的移动经历一个由开始移动到剧烈移动,最后到停止移动的全过程.为了更好地掌握矿山开采地袁沉降移动规律,本文采用自适应卡尔曼滤波与标准卡尔曼滤波对其进行预测与分析.     

自适应卡尔曼滤波在地表沉降监测中的应用

方差补偿自适应卡尔曼滤波是在对观测数据进行递推滤波的同时,不断的对难以确定的模型参数和噪声进行估计和修正,以减小模型误差,使滤波结果更准确。本文采用方差补偿自适应卡尔曼滤波预测模型,对某矿区首采工作面地表沉降监测数据进行计算,得到相应的预测值,并与标准卡尔曼滤波预测值进行比较。探讨了方差补偿自适应卡尔曼滤波预测模型进行矿区地表沉降预测的可行性。     

自适应卡尔曼滤波在GNSS沉降监测中的应用

为解决GNSS-RTK实时测量中存在的数据波动性大,难以满足高精度沉降监测需求的问题,通过引入方差补偿自适应卡尔曼滤波,对原始测量数据进行滤波去噪,实现了绝大部分白噪声的过滤和修正。同时,对原始测量数据与滤波数据进行分析比对,滤波前原始数据标准差在7 mm左右,方差补偿法滤波后数据标准差在3 mm左右,实现了两倍多的精度提升。实践证明,方差补偿自适应卡尔曼滤波在抑制滤波发散和提高监测数据精度上具有显著的效果。     

抗差自适应卡尔曼滤波在GPS精密单点定位中的应用

卡尔曼滤波是GPS精密单点定位中最常用的参数估计方法.理论上讲,随着观测数据的增多,通过卡尔曼滤波可以得到更精确的状态估值,但有时由于状态异常或发生大的周跳等原因,使得状态估值与实际状态之间的误差较大,滤波会发生发散现象,为此,本文提出了将抗差自适应滤波模型运用到精密单点定位中,通过算例分析显示,该方法将显著提高定位结...     

一种改进的UKF算法在捷联惯导初始对准中的应用

Unscented卡尔曼滤波具有精度高、稳定性好、实用性强等特点,因此UKF算法逐渐成为处理非线性滤波问题的有效方法和导航系统中数据处理与信息融合技术的研究热点。但是UKF具有计算量大、效率低等缺点,因此限制了UKF在实时导航中的应用。针对这一缺点,本文提出了一种改进的UKF算法,该算法可以减少UT变换中Sigma点的计算数量,从而提高运算效率;推导了改进的算法公式,给出了适合该算法的初始对准非线性模型,并分析了其精度,用实测数据进行了验证。结果显示,改进的UKF算法性能与传统UKF相当,但效率提升了40%左右。     

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。     

一种自适应两阶段卡尔曼滤波算法

当动力学模型存在未知的随机系统偏差时,两阶段卡尔曼滤波要优于标准卡尔曼滤波。两阶段卡尔曼滤波的基础是准确的知道随机系统偏差的统计特性,这在实际过程中是很难做到的。提出了基于新息向量的自适应两阶段卡尔曼滤波。它不仅能够很好的估计随机系统偏差,而且在随机系统偏差的先验统计特性不准确时也能取得良好的效果。最后通过一个仿真算例,验证了自适应两阶段卡尔曼滤波的适用性。     

An Optimal Adaptive Kalman Filter

In a robustly adaptive Kalman filter, the key problem is to construct an adaptive factor to balance the contributions of the kinematic model information and the measurements on the state vector estimates, and the corresponding learning statistic for identifying the kinematic model biases. What we pursue in this paper are some optimal adaptive factors under the particular conditions that the state vector can or cannot be estimated by measurements. Two optimal adaptive factors are derived, one of which is deduced by requiring that the estimated covariance matrix of the predicted residual vector equals the corresponding theoretical one. The other is obtained by requiring that the estimated covariance matrix of the predicted state vector equals its theoretical one. The two related optimal adaptive factors are given. These are analyzed and compared in theory and in an actual example. This shows, through the actual computations, that the filtering results obtained by optimal adaptive factors are superior to those obtained by adaptive factors based on experience.     

一种自适应两阶段卡尔曼滤波算法

当动力学模型存在未知的随机系统偏差时,两阶段卡尔曼滤波要优于标准卡尔曼滤波。两阶段卡尔曼滤波的基础是准确的知道随机系统偏差的统计特性,这在实际过程中是很难做到的。提出了基于新息向量的自适应两阶段卡尔曼滤波。它不仅能够很好的估计随机系统偏差,而且在随机系统偏差的先验统计特性不准确时也能取得良好的效果。最后通过一个仿真算例,验证了自适应两阶段卡尔曼滤波的适用性。     

基于小波变换和序贯抗差估计的捷联惯导初始对准

基于小波变换和三参数序贯抗差估计,提出了一种新的确定捷联惯导初始姿态的方法。利用静基座下的模拟数据对该方法进行了验证。结果表明,该方法能够保证捷联惯导在较短的时间内获得较高的对准精度。     

基于改进Kalman滤波算法的粗差修正及应用

现代动态数据处理中,以Kalman滤波为代表的现代时间序列分析方法发挥着举足轻重的作用。对于平稳性比较好的数据,一般方法都能够得到良好的处理结果,并可以做出相对准确预测,但是在动态数据中总会出现一些粗差值或异常值,如果这些异常数据不能得到有效的处理控制的话,不仅会对本期处理结果造成严重影响,还会因计算过程中状态值吸收此项粗差而对后期数据的处理结果产生影响。针对可能出现的粗差项及其带来的影响,本文首先详细地讲解了Kalman滤波的具体理论,在此基础上提出了一种改进的基于Kalman滤波的修正方法,经过实际实验发现,在无需先探测粗差的情况下,本方法能够对所含粗差项进行有效的修正并且效果良好。