基于多传感器信息融合技术的联合卡尔曼波滤器的设计及应用

介绍了基于多传感器信息融合技术的联合卡尔曼滤波器的一般设计方法,并将此方法运用于舰船INS/GPS/Loran-c组合导航系统中。理论分析与仿真结果表明,该联合卡尔曼滤波器的设计合理,算法具有全局最优性,能够提高系统的导航精度和容错能力。     

基于自校正卡尔曼滤波器的信息融合算法

设计了一种新的基于ARMA模型自校正卡尔曼滤波器及其信息融合的方法,从而避免了经典卡尔曼滤波器需要精确知道系统的模型参数和噪声统计特性的缺点.仿真结果表明,在未知部分模型参数和噪声统计特性的情况下,自校正卡尔曼滤波器的滤波性能非常接近稳态最优卡尔曼滤波器;基于自校正卡尔曼滤波器的信息融合滤波性能接近基于稳态最优卡尔曼滤波器的信息融合滤波性能.     

多模自适应滤波算法的性能改进方法

多模自适应滤波算法基于已知的故障情况设计出一组卡尔曼滤波器预测系统对给定输入的响应,根据卡尔曼滤波器的预测输出和系统的测量值确定各滤波器的残差,从而检测出系统是否发生故障及其故障类型.采用传统的多模自适应滤波算法检测故障时会有一定的时间延迟,不利于系统故障的实时检测,因此提出了几种减少多模自适应算法故障检测时间的方法,并将其应用于某无人机执行器和传感器的故障检测和识别,仿真结果证明可以有效地减少故障检测时间.     

神经网络辅助多目标跟踪数据融合

多目标跟踪(MTT)算法包括卡尔曼滤波和数据关联算法等,而数据关联算法又是最重要、最困难的方面.联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增.提出了一种改进的方法,一方面将神经网络引入到卡尔曼滤波器中,提高滤波器的自适应能力,减小卡尔曼滤波器的估计误差从而改善多目标跟踪精度;另一方面用神经网络辅助JPDA提高正确关联概率,减小计算量.经仿真研究表明,该方法是行之有效的.     

车辆导航Kalman滤波衰减因子自适应算法实现

系统介绍了车辆导航系统中卡尔曼滤波器的设计,给出了误差校正的方法.提出了一种衰减记忆卡尔曼滤波中衰减因子的自适应估计方法.并在INS/GPS组合导航系统中进行了计算仿真,结果表明该算法能够较好地估计出衰减因子的大小有效地抑制滤波发散,提高导航精度.     

对卡尔曼滤波器应用到雷达跟踪问题的评论

本文的主要目的是阐明标准卡尔曼滤波器和卡尔曼预测器之间的差别。为此,发表了标准卡尔曼滤波器和卡尔曼预测器在雷达跟踪问题中的应用。为了获得跟踪目标的较好的位置和速度精度,这两种标法已被广泛地用在边搜索边跟踪的雷达系统中。两种方法间的性能分析和比较与实际卫星跟踪数据一起已被发表。结果表明对于大机动目标,标准卡尔曼滤波器优于卡尔曼预测器。     

基于磁通门/GPS组合的车辆导航系统滤波技术

给出了基于磁通门/GPS组合导航系统的硬件结构图,并应用卡尔曼滤波和方差自适应滤波算法分别对GPS、磁通门单独导航定位系统进行了分散滤波,最后应用联合卡尔曼滤波器对GPS和磁通门信息进行了信息融合.并且通过实际跑车实验,验证了滤波对导航系统随机误差消除和定位精度提高的有效性.     

等残差卡尔曼滤波器组算法的无人机控制故障诊断

提出了一种等残差卡尔曼滤波器组算法,它只需要单个卡尔曼滤波器的残差和状态估计及其线性变换,就可得到与标准的多模自适应滤波算法等价的残差,因此可以有效地减少计算量和计算时间.将此算法应用于某无人机控制系统的故障诊断,仿真结果验证了该方法的有效性.     

潜艇适航性监测的卡尔曼滤波器异常数据修正方法

结合潜艇适航性变量监测问题,研究了卡尔曼滤波器的原理和异常行为检测,分析了异常数据对卡尔曼滤波器影响,并通过新息分析和过程信号引入不确定性,给出了一种对异常数据进行剔除并对滤波器进行修正的方法.对潜艇适航性中的横摇进行了数值仿真,给出了经典卡尔曼滤波与改进卡尔曼滤波的对比仿真结果.仿真结果表明:采用改进算法处理,可以有...     

基于内差修正数据INS/APS卡尔曼滤波器组合定位

研究基于水声定位系统(APS)和惯性导航系统(INS)的潜艇水下定位误差修正方法.在建立APS模型和INS模型的基础上,设计了INS/APS卡尔曼滤波方法,基于INS的APS内差修正方法和基于INS/APS内差修正数据的卡尔曼滤波方法,分析仿真结果表明,三者均可提升潜艇水下定位精度,其中基于APS内差修正数据的卡尔曼滤波器具备最佳的组合定位效果.     

次优Sage滤波器的改进措施

针对次优Sage自适应卡尔曼滤波器存在的不足,提出了两种改进措施:通过对滤波器发散的综合抑制,提高了滤波器的数值稳定性;设计了一种新颖的附加伴随滤波器的并行滤波结构,消除了针对结果偏移现象,提高了滤波精度。     

再入目标质阻比估计算法研究

再入段目标识别的核心问题是快速高精度地估计出目标的质阻比。针对再入过程的非线性问题,重点研究了样条卡尔曼滤波器、扩展卡尔曼滤波器和一种基于"无损传输"的扩展卡尔曼滤波器,仿真实验从质阻比的估计精度和收敛速度以及计算量等方面比较了各滤波算法的性能。仿真结果表明基于无损传输的扩展卡尔曼滤波器的估计精度最高,收敛速度最快。     

卡尔曼滤波器在弹道重构中的应用与仿真

弹道重构是评价弹道精度、有效实施弹道控制技术的关键.为了有效地利用卡尔曼滤波器实施弹道重构技术,建立了适用于在线弹道重构的非线性弹道模型,引入了积分预测算法,能减少离散卡尔曼滤波器一步预测的误差.给出并分析了适用于弹道重构的EKF和UKF算法,UKF避免了处理非线性系统时的线性化同题.仿真试验对比了两种方法的重构精度,...     

最优滤波的综合方法

与用于现代最优滤波理论中的解析方法相反,本文介绍一种综合方法。由计算机模拟或者实际实验产生的信号的传感器数据,通过训练一个递推多层感知机(RMLP)而综合到一个滤波器中,其中多层感知机至少具有一个隐蔽层,其神经元完全或部分内连,有或者没有输出反馈。 经过适当训练后的递推多层感知机,对于给定的结构是一个递推的最优滤波器,在每一个时刻,包含最优条件统计量的延滞反馈。最重要地是,随着隐蔽层神经元数的增加,它收敛于最小方差滤波器。我们称这种RMLP为神经滤波器。 模拟结果表明:只有少数隐蔽神经元的神经滤波器,对于所研究的简单非线性信号/传感器系统,它始终胜过广义卡尔曼滤波器,甚至迭代的广义卡尔曼滤波器(IEKF)。     

基于卡尔曼滤波器的小波变换域宽带扩展函数估计方法

研究了一种小波变换域的宽带扩展函数估计方法.该方法通过将卡尔曼滤波器理论融入到估计器相关器中,时宽带探测信号的时间延迟一时间尺度测量系统的运动属性进行估计.仿真结果表明,这种成像方法相对于传统的匹配滤波器方法和小波检测器方法而言,在目标的相干重构时能够获得更好的处理效果.     

神经网络在目标跟踪数据融合中的应用

卡尔曼滤波是大多数多目标跟踪算法的基本组成部分,其余组成部分通常包含若干形式的数据互联方法。这里打算把神经网络加到正规的卡尔曼滤波器中,使此神经网络提供滤波所需要的自适应能力。这样,卡尔曼滤波器的估计误差将会减小,从而改进了多目标跟踪的解。仿真结果表明此方法是有效的。     

基于多机载预警雷达的机动目标融合跟踪方法

机动目标跟踪是多机载预警雷达数据融合中的一个难点,传统的卡尔曼滤波本身不足以解决该问题.基于量测噪声协方差估计设计了一种可适用于机动目标的卡尔曼滤波器;引入了协方差交集,提出了一种针对多机载预警雷达数据融合中机动目标跟踪的新方法.仿真实验表明,该方法能够成功稳定地跟踪机动目标,与现有的主流方法相比,该方法的误差性能是最佳的.     

基于卡尔曼滤波的跳频信号跟踪算法

相对于传统的固定载波频率信号的测控体制,使用跳频扩频信号进行测速在提高了测控系统抗干扰能力的同时带来了信号跟踪精度不高的问题。针对这一问题,文章提出一种使用卡尔曼滤波器替换传统锁频环路低通滤波器的环路结构,推导了卡尔曼滤波器跟踪算法的递推公式。仿真结果表明,经过改进之后的环路跟踪精度大大提高,系统的测速精度达到15cm/s,比未使用卡尔曼滤波时候的测速精度提高了约6倍。     

差分GPS/惯导组合导航系统

本文简述了提高GPS定位精度和系统性能的两条主要技术途径(差分GPS、GPS/INS组合)的特点和问题,提出了差分GPS/惯导组合系统方案,研究了组合系统的卡尔曼滤波器设计并作了计算机模拟仿真。仿真结果表明,差分GPS/惯导组合导航系统可以达到1～2米的实时定位精度。     

多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器,提高了估计的精确度。以前的跟踪式卡尔曼滤波器的估计精度与目标的运动状态有关,当目标的运动不能够用线性状态空间模型描述时,其估计精度将要下降。而多层网络的引入,改善了这一不足。多层神经网络经过训练以后,能够对卡尔曼滤波器的结果进行修正。仿真结果表明,多层神经网络的应用,使估计精度显著提高。