首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到18条相似文献,搜索用时 15 毫秒
1.
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.  相似文献   

2.
基于自适应Kalman滤波算法的联邦滤波器   总被引:1,自引:0,他引:1  
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。  相似文献   

3.
针对现有无迹卡尔曼滤波在再入弹道处理中可能出现的异常观测、观测随机误差模型不准确以及动力学模型不合理等问题,在无迹卡尔曼滤波中引入自适应与抗差估计理论,研究适用于再入弹道处理的自适应抗差滤波方法。该方法可以自适应地估计测量噪声等价协方差阵和状态噪声等价协方差阵,并可实现异常值的分离和维纳模型方差的自适应调整。数值仿真结果表明:该方法计算简单,并能有效减弱测量误差和动力学模型误差对弹道处理精度的影响。  相似文献   

4.
防空导弹武器系统为了适应“网络中心战”,对多传感器参数融合进行了研究。给出了同时间点参数融合的加权最小二乘法与不同时间点参数融合的Kalman综合滤波法。对于各方法的性能,不仅进行了简要的理论分析,还给出了仿真实验的数据结果。理论分析与仿真实验都证明了这2种方法具有优异性能。  相似文献   

5.
惯组在外场进行标定时常常会受到环境的振动干扰,从而会对惯组的标定精度造成极大的影响.为解决这一问题,在分析了粗差对惯组标定精度影响的前提下,建立了一种改进的辨识惯组误差系数的数学模型,使其能够分辨出那些受到振动干扰影响的惯组误差系数.最后利用抗差最小二乘估计对惯组误差系数进行处理,通过等价权函数的连续降权和连续减弱影响处理,抵制了异常数据对惯组标定精度的影响.仿真结果表明,抗差最小二乘估计具有很强的抗差能力,能有效减弱异常干扰对参数估计的影响,提高惯组外场标定的精度和数据的可靠性.  相似文献   

6.
基于非线性Kalman滤波的导航系统误差补偿技术   总被引:1,自引:0,他引:1  
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。  相似文献   

7.
针对时差频差无源定位场景,提出一种基于约束加权最小二乘的无源定位闭式解算方法。在两步加权最小二乘算法基础上,建立了基于约束加权最小二乘的无源定位模型,推导其无约束最优化形式并给出目标状态估计的解析解。推导了目标状态估计均方误差的表达式,通过理论分析证明所提算法在保持两步加权最小二乘算法定位精度基础上,具有偏差减小特性。仿真结果表明,所提算法定位精度能够逼近CRLB,定位偏差明显小于两步加权最小二乘算法,验证了理论分析的有效性和所提算法的优越性。  相似文献   

8.
阻尼的非线性最小二乘滤波算法   总被引:1,自引:0,他引:1  
为提高在弱可观测条件下滤波器的稳定性,本文把非线性优化方法应用于递推滤波,形成了阻尼的最小二乘迭代滤波算法。同时还得出了该方法的信息平方根滤波形式。  相似文献   

9.
针对传统的目标被动跟踪技术计算量大和滤波不稳定的问题,引入了基于集合预报思想的集合Kalman滤波算法,联合利用到达角和多普勒频率信息实现机动目标被动跟踪,探讨了不同条件下集合成员的数量和初始集合的差异对目标被动跟踪性能的影响。仿真结果表明,集合Kalman滤波能够应用到目标被动跟踪系统中,并且跟踪性能更好。  相似文献   

10.
为提高X射线脉冲星导航定轨精度,依据脉冲星导航原理,建立了X射线脉冲星自主导航系统的状态方程和观测方程,提出用强跟踪扩展Kalman滤波(Strong Tracking Extended Kalman Filter,STEKF)替代扩展Kalman滤波,并对3颗脉冲星卫星运行的位置和速度估计进行了仿真实验。仿真结果表明:STEKF具有使滤波器能够自适应地校正估计偏差并迅速跟踪状态变化的能力,有效地提高了卫星运动状态的估计精度和数值稳定性。  相似文献   

11.
    
《防务技术》2020,16(4):846-855
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.  相似文献   

12.
采用量子粒子群求解声压和质点振速组成的非线性相关方程组,实现多目标声源方位的估计。为提高精度,应用最小二乘法对测量结果进行拟合并建立预测模型,通过卡尔曼滤波对方位轨迹进行优化。结果表明:单矢量水听器能够同时分辨多个目标方位,解算结果应使用统计特性表示;采用本方法最多能分辨7个目标,目标个数越多,方位误差越大;信噪比越高,分辨率和精度越高,偏差越小;通过数据拟合然后卡尔曼滤波的方法能够有效提高目标方位跟踪精度。  相似文献   

13.
Nonlinear initial alignment is a significant research topic for strapdown inertial navigation system(SINS).Cubature Kalman filter(CKF)is a popular tool for nonlinear initial alignment.Standard CKF assumes that the statics of the observation noise are pre-given before the filtering process.Therefore,any unpredicted outliers in observation noise will decrease the stability of the filter.In view of this problem,improved CKF method with robustness is proposed.Multiple fading factors are introduced to rescale the obser-vation noise covariance.Then the update stage of the filter can be autonomously tuned,and if there are outliers exist in the observations,the update should be less weighted.Under the Gaussian assumption of KF,the Mahalanobis distance of the innovation vector is supposed to be Chi-square distributed.Therefore a judging index based on Chi-square test is designed to detect the noise outliers,determining whether the fading tune are required.The proposed method is applied in the nonlinear alignment of SINS,and vehicle experiment proves the effective of the proposed method.  相似文献   

14.
在雷达目标跟踪中 ,扩展卡尔曼滤波 (EKF)和转换坐标卡尔曼滤波 (CMKF)得到了广泛的应用。但当目标方位角的测量误差与目标斜距的乘积较大时 ,传统的EKF和CMKF的滤波性能会大大降低。推导了有测速元时的去偏转换卡尔曼滤波 (DCMKF)算法 ,仿真结果表明DCMKF的精度比EKF与CMKF有了很大的提高  相似文献   

15.
为克服扩展卡尔曼滤波算法的缺陷,将UKF算法应用于纯方位目标跟踪问题中。该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法。对UKF算法进行了深入的研究,并给出了一个纯方位目标跟踪的算例。仿真结果表明,该算法提高了滤波的稳定性和精确性,优于一般的扩展卡尔曼滤波算法,具有广泛的应用前景。  相似文献   

16.
对单矢量水听器接收的声压和质点振速信息进行联合处理,采用量子粒子群求解声压和质点振速组成的非线性相关方程组,从而实现多目标声源方位的估计。对于低信噪比的情况,难免会引入较大的方位估计误差。采用最小二乘法对目标方位轨迹进行拟合并建立预测模型,然后通过卡尔曼滤波对单矢量水听器估计的目标方位轨迹进行优化。结果表明:单矢量水听器能够同时分辨多个目标方位,解算结果应用统计特性表示;信噪比越高,分辨率和精度越高,偏差越小;对于水中目标而言,1阶多项式足以进行方位轨迹拟合,再采用卡尔曼滤波能够有效提高目标方位跟踪精度。  相似文献   

17.
主要对弹道目标的跟踪滤波方法进行了综述,对扩展卡尔曼滤波(extended Kalman filter,EKF)、转换测量卡尔曼滤波(conversion measurement Kalman filter, CMKF)、基于弹道运动方程的扩展卡尔曼滤波(ballistic extended Kalman filter, BEKF)、基于弹道运动方程的无敏卡尔曼滤波(ballistic unscented Kalman filter, BUKF)4种滤波算法的关键点、优缺点进行了剖析。进一步利用仿真的弹道数据对4种滤波方法的效能进行了验证,对比了不同滤波器的滤波精度和再入目标的跟踪性能,分析了质阻比对滤波性能的影响,提出了选择和设计目标跟踪滤波方法时需要考虑的几个问题,为雷达滤波方法的选择和设计提供参考和依据。  相似文献   

18.
考虑到目标跟踪在作战中的重要性,论述了目前的跟踪滤波技术:卡尔曼滤波、扩展卡尔曼滤波,重点论述了未来可用于跟踪的基于贝叶斯原理的粒子滤波技术,是最近几年出现的解决非线性跟踪问题的有效方法。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号