大攻角下基于卡尔曼滤波的大气参数修正算法

针对新一代航空飞行器在大攻角飞行时大气数据系统测量精度严重下降问题,提出了基于卡尔曼滤波的大气参数修正算法。该算法利用大气数据测量信息和惯性导航信息,基于飞行器力学方程构建卡尔曼滤波器,通过卡尔曼滤波的方法实现对大气参数的修正。仿真结果表明,经卡尔曼滤波修正后的大气参数能够有效消除大攻角下原始大气参数的剧烈波动性误差,并与真实大气参数吻合较好,有效的提高了大气数据系统在大攻角飞行状态下的测量精度和可靠性。     

基于联邦卡尔曼滤波的组合导航定位算法

在传统的GPS/INS紧耦合组合导航系统中,由于伪距和多普勒频移误差的存在,系统存在一定的误差偏移。针对这种误差偏移,设计了一种联邦卡尔曼滤波组合导航算法,该算法采用二级卡尔曼滤波器,将卫星接收模块解算出的伪距信息和多普勒频移信息在第一级卡尔曼滤波后,与INS模块结算出的信息进行修正处理,再通过主滤波器得到紧耦合算法的INS解算结果校正量和定位位置最优估计。通过计算机仿真结果分析表明,该方法相对于传统的紧耦合组合导航算法可以有效减小误差,具有一定的理论价值和实用价值。     

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。     

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     

融合视觉图像处理的目标识别技术在移动机器人中的应用

为了提升移动机器人的运动人体识别效果,研究利用Faster-RCNN-KF对动态人体图像进行实时跟踪,并结合Facenet-MTCNN实现跟踪对象人脸识别。运动人体跟踪检测实验和人脸识别测试结果显示,Faster-RCNN-KF算法跟踪误差仅为0.000 5 m,且跟踪响应速度和误差更正速度较快;Facenet-MTCNN目标识别算法在训练中的分类精度最高能够达到99.15%,分类中的时间延迟为0.01 s,能够有效识别跟踪对象的身份信息。研究结果表明,视觉图像处理技术能够实现人体的有效跟踪检测,并能对不同身份的跟踪对象进行人脸识别,对移动机器人跟踪与识别技术发展具有重要价值。     

基于 AR 模型和SPRT 检验法的过程状态监测

本文利用自适应卡尔曼滤波器原理建立机械系统过程监测模型—AR模型,并根据AR模型系数的变化可以表征系统过程状态这一特点,通过序贯概率比(SPRT)这一假设检验法,对机械系统的运行状况进行判别。实验表明,该方法行之有效,最后,本文给出了实验结果。     

GPS多天线多径抑制技术

针对小范围多天线系统中多径对各相关通道之间信噪比测量值影响的相关性,采用基于“当前统计”模型的扩展卡尔曼滤波技术得到多径信号各参数,从而消去多径信号影响。分析了多径对信噪比的影响,建立了扩展卡尔曼滤波的状态方程和观测方程。仿真表明,该方法能够有效地降低由多径引起的伪距测量误差和相位测量误差。     

基于卡尔曼滤波的超宽带时变信道估计

在超宽带时变信道估计中,针对状态转移系数估计不准确引起的滤波发散问题,提出一种基于状态转移系数门限修正的卡尔曼滤波信道估计方法。该方法对时变信道采用自回归模型(AR)进行建模,利用导频估计初始信道信息和信道状态转移系数,并对信道转移系数进行门限修正。仿真实验表明:和传统卡尔曼滤波算法相比,提出方法实现简单并能有效抑制滤波发散问题,提高时变信道估计精度。     

非线性滤波方法在水下目标跟踪中的应用

在对扩展卡尔曼滤波、不敏卡尔曼滤波和粒子滤波3种非线性滤波方法进行研究的基础上,对粒子滤波算法的重要性密度函数的选取方法进行了研究。结合水下目标的被动跟踪的应用背景,比较了3种滤波算法在水下目标跟踪中的性能差异。结果表明,粒子滤波算法能较好的用于非线性、非高斯条件下的水下目标跟踪。     

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.