微小型飞行器多传感器融合容积姿态估计

针对微机电系统(MEMs)陀螺仪精度低、噪声大且误差随时间累积的问题,扩展卡尔曼滤波(EKF)线性化误差的问题和无迹卡尔曼滤波(UKF)时间耗费大的问题,提出了一种欧拉角容积卡尔曼滤波(CKF)姿态估计方法。建立了欧拉角姿态运动学模型,以姿态角为状态量、加速度计和磁强计输出解算得到的姿态角为观测量,采用容积数值积分理论来计算非线性函数的均值与方差,实现了多传感器辅助的微小型飞行器(MAVs)CKF姿态估计方法。仿真结果表明:估计精度方面,CKF与UKF相当,优于EKF;滤波稳定性方面,CKF与UKF相当,显著优于EKF;时间耗费方面,CKF优于UKF。     

微小型飞行器多传感器融合容积姿态估计北大核心

针对微机电系统(MEMs)陀螺仪精度低、噪声大且误差随时间累积的问题,扩展卡尔曼滤波(EKF)线性化误差的问题和无迹卡尔曼滤波(UKF)时间耗费大的问题,提出了一种欧拉角容积卡尔曼滤波(CKF)姿态估计方法。建立了欧拉角姿态运动学模型,以姿态角为状态量、加速度计和磁强计输出解算得到的姿态角为观测量,采用容积数值积分理论来计算非线性函数的均值与方差,实现了多传感器辅助的微小型飞行器(MAVs)CKF姿态估计方法。仿真结果表明:估计精度方面,CKF与UKF相当,优于EKF;滤波稳定性方面,CKF与UKF相当,显著优于EKF;时间耗费方面,CKF优于UKF。     

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,...     

基于CKF的再入段弹道目标质阻比估计

针对传统扩展卡尔曼滤波(EKF)对再入段弹道目标的质阻比估计存在收敛速度慢,估计精度不够高的问题,提出一种利用容积卡尔曼滤波(CKF)对再入段弹道目标进行估计的方法。给出了扩展卡尔曼滤波和容积卡尔曼滤波估计再入段弹道目标质阻比的性能比较。仿真结果显示,在收敛速度及估计精度上,容积卡尔曼滤波对再入段弹道目标质阻比的估计都优于扩展卡尔曼滤波。     

比例最小偏度单形UKF的RBF神经网络算法

为提高RBF神经网络的建模性能,提出一种基于改进无迹Kalman滤波(UKF)的RBF神经网络训练算法。在该算法中,首先将比例最小偏度单形Sigma点采样策略引入UT,以有效改进UKF,提升其计算效率,然后利用改进的UKF优化估计RBF神经网络的最优参数。仿真结果表明,改进的UKF比EKF具有更高的RBF神经网络模型训练精度,与传统UKF的模型精度大体相当,但速度更快,计算效率更高。     

附加运动约束的MEMS惯性传感器融合定姿算法

针对MEMS惯性传感器因精度低、误差随时间累积导致无法满足长时间姿态测量要求的问题,提出了一种附加运动约束的姿态估计方法,即在以陀螺仪解算的姿态信息作为系统预测、以加速度计与磁强计解算的姿态信息作为系统量测的基础上,将载体运动约束作为虚拟观测量输入滤波器。同时,针对传统EKF算法精度不高的问题,提出了一种新的滤波融合算法,即迭代更新扩展卡尔曼滤波(iterated update extended Kalman filter,IU-EKF)。新算法通过将当前量测信息逐步引入量测更新过程实现后验状态估计,从而达到减弱观测模型非线性、提高滤波估计精度的目的。数值仿真结果表明:本文算法的姿态估计精度较传统的"双矢量法+EKF"模式有大幅提升。     

基于滤波算法的对比研究

在处理目标跟踪的过程中,为了与实际接近,动态系统的模型选为非线性,而滤波算法采用非线性系统的滤波方法。在介绍了三种非线性滤波算法(EKF、UKF、PF)的原理和实现的同时,说明了各自适用的范围,以便针对不同问题采取比较便捷的算法来有效地实现算法在实际中的应用。EKF适用于线性化过程中系统对高阶项要求较小的情况下,UKF适用在噪声服从高斯分布的情况下,PF则适用与非高斯分布的情况下。此外,通过实例对三种算法分别进行了跟踪仿真实验,表明UKF、PF算法精度要比EKF算法高,UKF、EKF的实时性比PF好,PF的计算量相对较大。     

UKF及其在目标跟踪中的应用

在高斯噪声环境下,为了解决扩展卡尔曼滤波(EKF)在目标跟踪应用中精度低和滤波发散的问题,将无迹卡尔曼滤波(UKF)应用于非线性系统的目标跟踪.研究了无迹卡尔曼滤波估计方法,对采样策略进行了比例修正.通过UKF在目标跟踪中的应用仿真结果表明,与EKF相比较,UKF有更好的跟踪性能、收敛快、对噪声有更强的适应能力,算法实现简单.     

基于动力学模型的弹道式再入弹道估计方法

基于飞行器再入段的动力学模型,利用UKF对目标的弹道进行估计,并与传统的3RR法解算结果进行了比对。仿真结果表明,基于动力学方程的UKF法可有效地提高弹道式再入目标弹道的估计精度。     

高轨双星辐射源跟踪的高斯和-容积Kalman滤波算法

针对辐射源运动方程和观测方程的强非线性,提出基于高斯和框架与5阶容积Kalman滤波(5CKF)的跟踪算法GS-5CKF。该方法将起始时刻的时差观测量所确定的位于地球表面的时差线按经度等间隔划分,初始化多个并行的5CKF,线性组合各滤波器的输出获得辐射源运动状态的估计。针对5CKF,提出新的非线性测度并引入滤波器分裂与合并,从而提高了跟踪精度,同时保持GS-5CKF算法复杂度基本不变。仿真表明,相对仅使用单个5CKF和基于高斯和框架但使用3阶容积Kalman滤波器的GS-3CKF等方法,提出的算法具有更高的估计精度。     

基于自适应无迹卡尔曼滤波的小波网络算法及其应用

针对扩展Kalman滤波(EKF)训练小波网络存在收敛慢、精度不高、计算Jacobian矩阵困难等问题,在自适应Kalman滤波理论基础上,提出一种基于自适应无迹Kalman滤波(UKF)的小波网络训练算法。该算法在在UKF框架内引入自适应因子,通过其调整观测协方差与状态参数协方差的比例,使状态向量预测值的协方差更趋向真实值,有效地提高了小波网络的精度。仿真结果表明,基于自适应UKF的小波网络的收敛速度快,估计精度高,无需计算Jacobian矩阵,适于解决非线性系统的建模预测问题。     

高速旋转弹位置与姿态测量数据分析方法

精确的弹箭位置与姿态测量数据是提高制导弹箭射击精度的基础。通过分析高速旋转弹位置与姿态传感器的量测噪声,采用卡尔曼滤波方法进行误差估计,以提高测量精度。基于高速旋转弹质心运动和角运动方程,建立了系统状态方程;根据全球定位系统和地磁传感器的测量原理,建立了量测方程;以某弹飞行数据为例,采用扩展卡尔曼滤波(EKF)和无味卡尔曼滤波(UKF)分别对弹箭的位置和姿态进行最优估计。仿真结果表明,采用上述方法可有效减少系统误差,并使综合误差进一步降低,射程与高度误差均控制在±1 m,攻角和侧滑角误差分别为±0.02 rad和±0.01 rad,可满足工程应用的要求。     

平流层飞艇抗风场干扰CUKF算法设计与应用

为了提高风场干扰环境下飞艇的导航精度,研究飞艇抗风场干扰导航算法。在建立风场干扰条件下飞艇速度误差约束模型的基础上,设计抗风场干扰的约束Unscented卡尔曼滤波算法。首先确定风场干扰条件下飞艇的速度误差约束量,将该约束与Unscented卡尔曼滤波算法相结合,对速度误差进行估计和补偿,以减小风场对飞艇定位精度的影响;然后证明该算法的状态估计量不仅是无偏的,而且协方差小于标准UKF的协方差;最后将提出的算法应用于捷联惯导/天文/合成孔径雷达组合导航系统中进行仿真验证,并与自适应扩展卡尔曼滤波和抗差自适应UKF算法进行比较,结果表明：提出的约束UKF算法的滤波性能明显优于自适应EKF和抗差自适应UKF算法,能够有效抑制风场对飞艇定位精度的影响,提高飞艇的导航定位精度。     

无味卡尔曼滤波在空对海单站BDO-TMA中的应用

针对空对海单站无源只测方位-多普勒目标运动分析(BDO-TMA)问题应用无味卡尔曼滤波(UKF:Unscented Kalman Filtering) EKF进行了对照研究,建立了该应用场景下的离散非线性滤波估计模型,Monte Carlo仿真运行结果表明,UKF在该应用背景下是切实可行的,具有更高的估计精度和更强的收敛特性.     

UKF与EKF在GPS/INS超紧组合导航中的应用比较

针对GPS/INS超紧组合特点,基于四元素法建立了系统的非线性状态方程,利用GPS接收机原始伪距测量信息对系统状态进行观测,并将EKF和UKF方法运用到系统进行比较,仿真结果表明UKF在姿态、位置估计上精度要优于EKF。     

基于UKF的机动目标跟踪算法

基于EKF在处理非线性问题时采用系统预测状态的局部线性化方法来近似系统状态演化方程所产生的不良影响,提出了一种用UKF方法解决机动目标方位和速度的跟踪及估计问题的算法.按实际的非线性模型演化时,该算法能够很好地对非线性函数的后验均值与方差进行拟合,并充分利用了传感器每次量测带来的信息并进一步优化了测量方差.仿真试验表明,该算法能很好地对机动目标的速度和航迹进行估计和跟踪.     

扩展状态UKF和水下地形匹配的捷联系统误差估计方法

捷联系统进入匹配区时导航一定时间后已积累了一定的误差,采用适当的信息融合策略对误差进行估计并补偿可提高后续航行精度;通过建立水下地形匹配辅助导航系统非线性误差模型,以地形匹配和深度压力传感器测量的位置信息和深度作为量测量,基于扩展状态UKF算法设计了误差估计滤波器,仿真研究了其估计效果,并与非扩展状态UKF算法进行了对比研究.仿真结果表明:所提出的方法可行,而且基于扩展状态UKF的误差估计方法相比非扩展状态UKF方法具有更好的估计精度,研究结论为匹配区内估计捷联系统导航误差提供了参考.     

基于Doppler量测的CS-EKF机动目标跟踪平行滤波算法

为提高非线性机动目标跟踪精度,在基于"当前"统计模型(CSM)的扩展卡尔曼滤波(CS-EKF)算法的基础上,提出一种基于多普勒径向速度量测和三维平行滤波的机动目标跟踪算法(CS3D-EKFrv)。该算法通过引入径向速度量测扩充量测矩阵的维数,然后利用扩展卡尔曼滤波(EKF)方法解决量测方程中状态向量和量测向量的非线性问题,最后采用"当前"统计模型对目标的三维状态进行平行滤波估计,解决三坐标轴上机动强度不一致的问题。对CS-EKF,CS3D-EKF及CS3D-EKFrv算法的仿真结果和实测数据检验表明,CS3D-EKFrv算法能够有效改善机动目标的跟踪精度。     

UKF算法的来袭导弹弹道预测

从来袭导弹机动模型的选取出发,结合UKF算法的推算,建立了来袭导弹弹道预测的仿真模型。同时结合实例对来袭导弹弹道预测的卡尔曼滤波算法和UKF算法的进行仿真。仿真结果表明UKF算法计算量适中、计算结果精确,非常适合用于非线性模型的预测。     

2种卡尔曼滤波算法的应用分析

将传统的扩展卡尔曼滤波(EKF)和基于无味变换(UT)和标准卡尔曼滤波体系相结合的无味卡尔曼滤波(UKF)算法应用于反辐射导弹抗雷达关机的技术中,并对其进行仿真分析.结果表明,UKF算法具有跟快的收敛性和具有更高的精度,并能有效克服非线性严重时出现的滤波发散的问题,较好地达到了反辐射导弹抗雷达关机的目的.