基于变尺度变换减少Sigma点的粒子滤波算法研究

为了减少传统无味粒子滤波(Unscented particle filter,UPF)算法的计算负担,提出了最小斜度单形无味转换(Minimal skew simplex UT,MSSUT)方法,这种方法是用最小斜度无味卡尔曼滤波来产生粒子的重要性函数.它不仅能够扩大重要性分布与系统状态的后验概率密度的重叠性,而且能够通过减少Sigma点来减少计算负担.但是,随着状态空间维数的增加,Sigma点集的覆盖半径增大,导致了Sigma点集的聚集性变差.辅助随机变量变尺度无味变换(Auxiliary random variable formulation of the scaled unscented transformation,ASUT)能够克服Sigma点集分布扩展的缺点.所以,提出了一种高维空间中改进的变尺度最小斜度无味粒子滤波(Scaled minimal skew simplex unscented particle filter,SMSSUPF)算法.仿真结果表明:在高维状态空间中,与传统的无味粒子滤波(UPF)相比,计算复杂度和计算负担显著减少.与最小斜度无味粒子滤波(Minimal skew simplex unscented particle filter,MSSUPF)相比,SMSSUPF减少了系统噪声方差和测量噪声方差所带来的估计误差.

基于SINS/CNS组合导航系统的多模型自适应估计算法

针对单一模型滤波器在未知或不确定的系统参数下适应性较差的问题,提出了一种新的基于多模型自适应估计(multiple model adaptive estimation,MMAE)的滤波方法。该方法利用改进的卡尔曼滤波代替传统的卡尔曼滤波,比如扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)。EKF和UKF被用来作为多模型自适应估计的子滤波器,从而实现对非线性系统的状态估计。同时,还将该方法应用于基于弹道导弹模型的组合导航中实现了系统仿真。仿真结果表明,与传统的EKF和UKF算法比较,改进的滤波方法可以解决传统模型滤波器适应性差的问题,并提高系统的导航精度。