自适应滤波的舰船综合导航系统信息融合技术

针对当前舰船综合导航系统应用环境较为复杂的实际情况,设计了一种基于极大似然准则自适应滤波的无重置联邦滤波器,该联邦滤波器相比常规的无重置联邦滤波器不仅可以提高系统稳定性,还可以提高系统的组合精度。将文中设计的这一联邦滤波器用于舰船综合导航系统设计中,并针对该设计进行了多次车载跑车试验,证明了该方法的正确性和优越性。     

基于随机有限集的多目标跟踪算法

对基于有限集统计的多目标跟踪算法进行研究。PHD滤波器针对传统多目标跟踪中计算量较大的问题,通过计算多目标分布后验密度的一阶矩模拟多目标贝叶斯迭代,取得了良好的效果。针对PHD滤波器对目标漏检较为敏感的缺陷,Cardinalized PHD(CPHD)滤波器同时估计得到后验密度分布和后验势分布,是对PHD滤波的泛化。通过实现PHD和CPHD滤波的混合高斯模型,分析比较两者的性能。实验表明,由于引入了势分布,CPHD滤波提高了对目标估计的准确率,总体性能优于PHD滤波算法。     

捷联导引头视线转率估计的交互式多模型样条滤波算法

针对捷联导引头测量信息的弹目惯性视线转率估计,提出了一种基于交互式多模型算法的样条滤波方法(IMM-SF)。基于体视线和惯性视线的映射关系解算惯性视线角,将其作为虚拟观测量进行滤波,设置多个过程噪声模型,每个模型分别采用样条滤波器进行滤波,IMM-SF滤波器的估值结果为各滤波器估值的加权综合。该方法不必对目标的未知机动建模,应用更加方便,并且可在交互式多模型算法的框架下自适应地调整滤波器的噪声。Monte-Carlo仿真结果表明该方法可有效估计视线转率,并可提高估值精度。     

一种新的线性最优滤波器的设计与研究

针对一类未知机动目标设计了一种线性最优滤波器.该滤波器采用有限记忆模型作为滤波模型,模型参数用动态最小二乘方法辨识得到.由此得到的滤波器称为基于辨识有限记忆模型的线性最优滤波器.有限记忆模型克服了时间多项式模型(如CV模型、CA模型、Singer模型等)对目标物理特性的依赖性,它从目标运动轨迹入手对目标运动特性进行描述,更适合于战场未知目标的跟踪滤波.通过原理分析和Monte Carlo仿真实验验证了该滤波方法的有效性,并且和Kalman滤波方法进行了比较.     

次优滤波器在航空火力控制中的应用

根据航空火力控制系统的特点,引入一种结合滤波与数据融合的滤波方法——次优滤波法;介绍了次优滤波器的原理和特点;阐述了次优滤波器在火力控制系统中的应用以及比较次优滤波器和其它滤波器的差异与优点。     

组合滤波方法在实时数据处理中应用

针对某种滤波方法独立用于飞行器试验,引起实时数据处理精度欠佳的问题,为了提高实时数据处理精度开展组合滤波方法研究。分析飞行器轨道特点和滤波器收敛特性,提出了将飞行器的轨道按时域分段,根据不同时域以α-β-γ滤波为主、多项式中心平滑滤波为辅,或将主、辅关系颠倒过来组合使用,并将滤波器初始以及测量数据中断点作为特殊情况加以处理。结合以往工程实际应用的经验,给出不同时间段落和数据中断点的滤波器使用原则和控制流程,为组合滤波方法在工程上实现奠定了基础。     

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。     

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。     

GPS动态定位中的自适应扩展卡尔曼滤波算法

针对全球定位系统 (GPS)提出一种扩展卡尔曼滤波器算法。这种滤波器算法直接从GPS接收机输出的定位结果入手 ,将各种误差因素的影响等效为一个总误差 ,对GPS接收机的机动载体的加速度采用当前统计模型 ,并利用线性卡尔曼滤波器进行动态定位数据的处理。本模型简单 ,实时性好 ,滤波后定位精度得到提高。     

一种基于自适应滤波的三相有源电力滤波器的检测算法

对电力有源滤波器现有的几种检测算法进行了而单的分析，针对目前在电力有源滤波器中应用较广 泛的瞬时无功功率理论检测法中存在的问题和不足，提出了一种基于自适应滤波理论的三相并联型电力有 源滤波器的新型检测算法，并用 Ｍａｔｌａｂ中的Ｓｉｍｕｌｉｎｋ对基于此算法的有源滤波器进行了建模和仿真．     

一种保持图像细节的形态学滤波器

提出了一种保持图像细节的形态学滤波器 .和经典形态学滤波器相比较 ,新的形态学滤波器在其主要算子中使用了结构元素的轮廓 .用测试图和加噪图进行实验 ,表明此滤波器具有良好的保护图像细节和滤噪的性能     

基于迭代卡尔曼粒子滤波的目标跟踪算法研究

粒子滤波在基于图像序列的目标跟踪中获得了广泛应用．针对其计算量较大的问题,提出一种迭代卡尔曼粒子滤波算法,将非线性跟踪问题分解为线性子结构的全局状态空间模型和非线性子结构的局部状态空间模型,利用粒子滤波在卡尔曼滤波估计值的局部范围内搜索目标,逼近真实目标状态．将实验结果与粒子滤波进行比较,结果表明,迭代卡尔曼粒子滤波减少了粒子数,降低了计算量,能够对高机动目标进行实时稳定的跟踪．     

基于自适应Kalman滤波算法的联邦滤波器

为弥补传统联邦滤波器实用性不好,缺乏对对象模型和传感器噪声的自适应估计能力的缺陷,利用自适应Kalman滤波算法的思想,结合联邦滤波器本身的算法结构,对联邦滤波器进行改进,使之具有很强的自适应性,能够自适应地计算出模型噪声和传感器噪声的协方差阵.给出了基于自适应Kalman滤波算法的联邦滤波器的计算架构,其他优秀的自适应算法均可按相同的方式加入该架构中.最后通过仿真计算验证了该算法的有效性.     

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。     

提高惯导系统Unscented卡尔曼滤波实时性技术

Unscented卡尔曼滤波(UKF)通过构造一组,具有与给定状态估计相同的一、二阶矩,也可能是高阶矩的样本点,实现对非线性系统的状态估计,因此其计算效率取决于能够捕获这些数字特征的样本点数目.通过构造n 2个样本点来捕获n维状态变量的均值和方差,提出了将这种方法应用于惯性导航的初始对准.仿真结果表明在同等滤波精度的情况下,该方法比UKF计算效率更高,实时性更好.     

带有状态噪声的限定记忆卡尔曼滤波方法

在已有限定记忆卡尔曼滤波方法的基础上 ,引入状态噪声 ,并推导了新的限定记忆卡尔曼滤波公式。从而降低了记忆长度的选取难度 ,扩大了已有模型的适用范围     

基于KALMAN滤波的两种多传感器观测融合方法

目前有两种基于K a lm an滤波的多传感器观测融合方法,方法1是将观测向量的维数增加,获得扩展观测向量。方法2是在最小均方误差准则下,对不同传感器间的观测向量进行加权运算,获得与单个传感器相同维数的观测向量。通过对滤波器的状态估计误差协方差的分析和相关数学表达式,给出了两种方法的对比。仿真结果表明,当两个传感器的观测矩阵相同时,两种方法在功能上等价,但方法2的运算复杂度低。当两个传感器的观测矩阵的维数相同,但其值不相等时,方法1优于方法2。当两个传感器的观测矩阵的维数不同时,只能用方法1,而方法2失效。     

Robust adaptive UKF based on SVR for inertial based integrated navigation

Aiming at the problem that the traditional Unscented Kalman Filtering (UKF) algorithm can’t solve the problem that the measurement covariance matrix is unknown and the measured value contains outliers, this paper proposes a robust adaptive UKF algorithm based on Support Vector Regression (SVR). The algorithm combines the advantages of support vector regression with small samples, nonlinear learning ability and online estimation capability of adaptive algorithm based on innovation. Firstly, the SVR model is trained by using the innovation in the sliding window, and the new innovation is monitored. If the deviation between the estimated innovation and the measured innovation exceeds a given threshold, then measured innovation will be replaced by the predicted innovation, and then the processed innovation is used to calculate the measurement noise covariance matrix using the adaptive estimation algorithm. Simulation experiments and measured data experiments show that SVRUKF is significantly better than the traditional UKF, robust UKF and adaptive UKF algorithms for the case where the covariance matrix is unknown and the measured values have outliers.     

自适应平方根无迹滤波的雷达组网状态估计算法

从最小方差的角度分析了雷达组网无迹滤波(Unscented Filter,UF)状态估计的统计学本质,并且针对UF的Cholesky分解遇到非半正定矩阵容易发散、不准确滤波初值造成滤波发散以及异常扰动影响滤波效果等问题,提出将自适应平方根无迹滤波(Adaptive Square Root Unscented Filter,ASQUF)用于雷达组网状态估计,结合合理的滤波初始化策略,提高了UF的工程可用性。仿真验证表明,提出的ASRUF算法用于雷达组网空域目标状态估计时,初始化平稳无波动,工程可用性好,状态估计精度高,明显优于扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法。