SINS/DVL/AST水下组合导航中的鲁棒信息融合方法

捷联式惯导系统由于自主性强等优势成为自主式水下航行器长航时、长航程导航的主要手段。针对水下环境中外部多导航传感器如多普勒计程仪提供的测速信息和水声单应答器提供的位置信息容易受到非高斯噪声污染的问题,提出基于马氏距离算法的联邦鲁棒卡尔曼滤波算法。在联邦鲁棒卡尔曼滤波算法中,通过马氏距离算法引入膨胀因子,对量测噪声协方差阵进行膨胀,以实现非高斯条件下水下组合导航系统鲁棒性的提升。同时基于子滤波器的滤波性能对信息分配系数进行自适应调整以确保水下组合导航系统的高精度。基于江试试验实测数据进行水下组合导航半物理仿真试验,试验结果表明:相比于传统的联邦卡尔曼滤波算法,联邦鲁棒卡尔曼滤波算法可在非高斯条件下实现更高精度、更加稳定的组合导航；能够满足水下组合导航系统对容错性和鲁棒性的要求。     

基于SVD的机动目标自适应滤波研究与仿真

由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响滤波算法的收敛速度和稳定性.该研究在机动加速度"当前"统计自适应卡尔曼滤波算法的基础上,引入了基于奇异值分解(SVD)的协方差平方根滤波的自适应卡尔曼滤波算法.仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点.     

惯性导航系统中的Kalman滤波技术

近年来针对在实际应用中出现的Kalman滤波精度低,甚至滤波器发散的问题,出现了多种改进的状态估计算法,研究了偏差分离滤波,自适应Kalman滤波,H∞滤波,鲁棒Kalman滤波,根据它们的特点,对于它们在惯性导航领域中的应用进行了论述和分析,这些算法对于提高Kalman滤波精度,增强滤波的稳定性,提高惯性导航系统性能具有一定的效果,同时具有广阔的应用前景。     

数据同化系统中的集合时间局地化鲁棒滤波方法

针对传统的卡尔曼滤波方法对不确定因素不具备鲁棒性问题,在集合鲁棒滤波的基础上,提出一种从观测角度构建优化数据同化的方法,称之为放大观测协方差矩阵的集合时间局地化鲁棒滤波,并推导了新方法的算法准则和递归公式。利用非线性系统Lorenz-96模型,基于性能水平系数、驱动参数、观测数目和集合数目变化的条件,对新方法和集合卡尔曼滤波方法的鲁棒性和同化精度进行比较。结果表明:集合卡尔曼滤波方法的均方根误差大于时间局地化鲁棒滤波的;在观测数或集合数较少的情况下,集合卡尔曼滤波出现了滤波发散问题,而鲁棒滤波的均方根误差波动较小;相较于传统的集合卡尔曼滤波算法,观测角度构建的时间局地化的H_∞滤波方法对系统参数的变化更具鲁棒性,滤波精度更高。     

基于对称非线性函数的变步长LMS自适应滤波算法

为解决自适应最小均方误差（least mean squares,LMS）滤波算法难以平衡稳态误差和收敛速度的问题,提出了基于对称非线性函数的变步长LMS自适应滤波算法。通过自变量取绝对值、叠加非线性拉伸量改进Sigmoid函数,构造一个对称非线性函数用于刻画步长因子与稳态误差的非线性关系。该对称非线性函数具有能够根据误差动态调整步长、更快达到收敛状态的特点。根据构造的对称非线性函数和输入信号功率生成归一化变步长因子,解决噪声逐级放大的问题,进一步提高算法的滤波效果同时,加速收敛。实验表明：该算法在低信噪比、信噪比变化、信号频率变化、滤波器阶数变化、延迟采样点数变化条件下均具有更好的滤波效果、更优的稳定性和更快的收敛速度。     

一种改进的次级通道辨识算法

为提高次级通道的辨识精度、减小辨识误差对自适应控制的影响,以横向滤波器作为估计模型,分别应用带遗忘因子的最小二乘递推算法和变步长最小均方算法来对横向滤波器的权系数进行了更新,并对两种算法的辨识精度和控制效果进行了对比。结果表明:变步长最小均方算法的性能优于带遗忘因子的最小二乘递推算法,但变步长算法仍存在收敛速度过慢、辨识残差较大的问题。为此,提出一种改进的变步长最小均方算法,并对其进行了实验验证。实验结果表明:改进之后的变步长最小均方算法的辨识精度满足控制要求,收敛速度较快。     

基于角速率输入的圆锥误差补偿算法

针对光纤陀螺姿态测量系统中利用角速率拟合角增量进行圆锥误差补偿精度下降的问题,在陀螺仪角速率输入下,采用参数解析法优化的三子样算法,直接利用陀螺的角速率输出进行圆锥误差补偿。同时考虑工程实际中滤波器的影响,推导滤波角速率输入下三子样误差补偿算法的具体表达形式。仿真分析表明：参数解析法优化的角速率输入圆锥误差补偿算法优于传统算法;而针对滤波器引入的不可忽略的算法误差,可通过修正圆锥算法系数进行补偿。     

一种基于Q-R矩阵分解的自适应滤波算法

由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响滤波算法的收敛速度和稳定性。在机动加速度"当前"统计自适应卡尔曼滤波算法的基础上,引入了基于Q-R矩阵分解的自适应卡尔曼滤波算法。将协方差阵分解为两个矩阵的乘积,来保证协方差矩阵的正定性。仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点。     

鲁棒滤波在机动目标跟踪中的应用

在交互多模型中通常使用的卡尔曼滤波器中,引入广义H∞(鲁棒滤波器,以一定的精度为代价,换取满意的鲁棒性能.H(鲁棒滤波算法可以分解为卡尔曼滤波和鲁棒化两个环节,从而形成一种基于增益失调因子的结构化分解算法.为验证算法的有效性,进行了Monte Carlo仿真.仿真结果表明,本文算法跟踪复杂机动目标时跟踪性能有较大提高,有很好的可实现性.     

H∞鲁棒滤波在机动目标跟踪中的应用

在交互多模型中通常使用的卡尔曼滤波器中，引入广义H∞鲁棒滤波器，以一定的精度为代价，换取满意的鲁棒性能。H∞鲁棒滤波算法可以分解为卡尔曼滤波和鲁棒化两个环节，从而形成一种基于增益失调因子的结构化分解算法。、为验证算法的有效性，进行了Monte Carlo仿真。仿真结果表明，本文算法跟踪复杂机动目标时跟踪性能有较大提高，有很好的可实现性.     

基于正态分布曲线的分段式变步长LMS算法

针对传统最小均方误差(Least Mean Square, LMS)自适应滤波算法由于步长固定,在解决稳态误差与收敛性之间的关系时,始终处于矛盾状态的问题,在对传统的固定步长LMS自适应滤波算法分析的基础上,根据变步长LMS自适应滤波算法的步长调整原则,通过构造步长因子与误差信号的非线性函数,提出了一种基于正态分布曲线的分段式变步长LMS自适应滤波算法,并分析了参数取值对算法性能的影响。针对实际信号处理过程中参考信号难以选取的问题,提出了一种基于分裂阵的参考信号选取方法。理论和海试数据分析结果表明:该算法的收敛速度和稳态误差明显优于固定步长的LMS自适应滤波算法和基于Sigmoid函数的变步长LMS自适应滤波算法。     

改进的最速跟踪微分器滤波效果仿真

为保证获得数据的实时性以及滤除数据在获取过程中存在的一系列野值干扰,利用鲁棒滤波理论对最速跟踪微分器的跟踪和抗野值功能进行了改进,利用误差反馈的思想,对最速跟踪微分器进行实时在线的补偿修正,并将改进型跟踪微分器与标准最速跟踪微分器和鲁棒Kalman滤波器仿真结果进行了比较,表明经改进的最速跟踪微分器有更好的跟踪、滤波以及抗野值效果。     

基于非线性Kalman滤波的导航系统误差补偿技术

针对非线性非高斯导航系统信息处理问题,采用自组织算法、神经网络和遗传算法等改进传统非线性Kalman滤波算法,构建一种自适应的组合导航系统。应用具有冗余趋势项的自组织算法、Volterra神经网络和遗传算法,建立导航系统误差的非线性预测模型,进而计算得到其预测值;将该预测值与Kalman滤波算法求得的估计值进行比较得到差值,以此监测Kalman滤波算法的工作状态;采用自适应控制方法,在导航系统结构层面改进Kalman滤波算法,构建新型的导航系统误差补偿模型。开展基于导航系统KIND-34的半实物仿真研究,应用所提出的改进方法改善了导航系统误差的补偿效果,提高了组合导航系统的自适应能力和容错能力。     

机抖激光陀螺捷联系统姿态算法优化设计

机械抖动激光陀螺捷联惯性导航系统中通常要对陀螺信号进行预滤波处理以消除抖动偏频,数据滤波后其幅值和相位的变化引入了附加的姿态算法误差.为了减小此误差,研究了抖动解调滤波器的特性以及数据滤波对系统姿态算法精度的影响,推导了与滤波器匹配的姿态算法优化公式.优化算法仅修正了传统算法系数,不增加算法实现难度.仿真和实验表明,优化算法能有效减小滤波器引入的附加姿态算法误差,明显改善算法精度,有很高的工程实用价值.     

一种基于预测滤波器的自适应卡尔曼滤波算法

针对系统过程噪声统计特性不确切或未知的条件下,研究了一种基于预测滤波器的自适应卡尔曼滤波算法。由预测滤波器实时估计系统模型误差及其协方差矩阵,再用其修正系统状态预测值及预测误差协方差矩阵,从而自适应调节卡尔曼增益。将该算法应用于弹载SINS/GPS紧耦合组合导航系统并与普通卡尔曼滤波、基于新息的移动开窗自适应卡尔曼滤波进行了对比,仿真结果说明该自适应滤波算法具有更高的可靠性和精度。     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题,提出了一种修正极坐标系下的自适应卡尔曼滤波算法,对虚拟系统噪声进行估计,动态补偿模型线性化误差,对其滤波理论及算法进行了研究和仿真。仿真结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

基于变步长LMS的谐波电流检测方法的研究

能否快速准确检测出三相电力系统中谐波电流是决定有源滤波器整体滤波性能的关键.基于瞬时无功功率的谐波电流检测理论,提出了一种改进的自适应滤波器谐波检测算法,通过构造步长因子与误差信号的非线性函数,调整步长参数,使权向量达到最优,在确保稳态误差的前提下,提高了系统的收敛速度.仿真实验验证了该算法的正确性和有效性.     

矩阵外积法Kalman滤波器在动态GPS定位中的应用

由于计算机有效字长的限制,滤波算法在计算机上实施时易于产生误差积累,误差协方差失去正定性或对称性,从而出现数值计算中的不稳定现象.一般情况下,当状态变量维数超过10时,滤波过程中出现滤波结果不稳定现象概率增大.为了解决滤波器数值计算不稳定问题,实践中提出并应用了许多方法,如自适应滤波、固定增益滤波、平方根滤波等.这些算法的不足是计算繁琐,效率低下.提出一个基于矩阵外积法所设计的快速、稳定的滤波算法,该卡尔曼滤波算法速度快,效率高,数值稳定性好,运算量少,将其应用于动态GPS定位验证了其有效性.     

基于自适应Kalman滤波算法的航空发动机可测参数及其偏离量估计

针对采用估计可测参数偏离量建立航空发动机机载自适应模型的方案中,可测参数偏离量估计的问题,引入了CA(Constant Acceleration)模型,建立了简化的可测参数状态方程和测量方程,采用自适应Kalman滤波算法直接估计可测参数,由估计出的可测参数与发动机非线性模型计算的额定值之差,获得可测参数偏离量.为解决因简化的状态模型系统误差较大,采用标准Kalman滤波会出现估计严重偏离真值的问题,分析了标准Kalman滤波准则和状态模型误差对滤波结果的影响,采用动态调整状态预报在滤波估计结果中权重的策略,给出了单因子自适应Kalman滤波算法准则及递推公式,使滤波估计准确.对不同的可测参数分别采取序列滤波的方法,减少了运算量.以仿真产生的发动机测量数据为例,对系统模型和所设计的算法进行验证,计算结果表明,所设计的滤波算法具有很快的收敛速度和计算速度,结果优于标准Kalman滤波算法,具有更好的估计精度和一定的工程应用价值.     

双变因子LMS自适应滤波算法

为提高最小均方(LMS)自适应滤波算法的性能,在步长因子与误差信号满足一种改进的Sigmoid函数关系式的基础上,提出了一种双变因子控制下的变步长LMS自适应滤波算法。该算法具有初始状态收敛速度快、稳定状态均方误差小、抗噪声性能好、适应系统跃变能力强的优点。计算机仿真结果验证了该算法的优越性。