大系统的分散滤波结构及容错应用

本文综述了大系统分散滤波方法的发展过程及主要思想，并把该发展过程划分为三个阶段；并行分解卡尔曼滤波结构；分布式卡尔曼滤波结构；分散式卡尔曼滤波结构。本文指出了分散卡尔曼滤波结构非常有益于容错系统控制。

离散系统的分散滤波器

基于文献[1,2],本文讨论了两种离散系统的分散滤波器方案,并给出了理论分析。最后,通过仿真证明了理论结果。

集模式分散滤波

本文把集式的思想用到了分散滤波中，并针对有关文献中加权因子选取存在着的不确定性问题对集模式分散滤波的加权因子的确定提供了一种方法。另外，本文把这种集模式分散滤波方法运用在INS／GPS／TAN组合导航系统中，并对滤波结果进行了计算机仿真，仿真结果表明利用本文介绍的滤波方法进行滤波可以达到较高的精度。

集模式分散滤波及其应用

把集模式的思想用到了分散滤波中 ,并针对有关文献中加权因子的选取存在的必须凭经验进行的问题 ,对集模式分散滤波的加权因子的确定提供了一种方法 ,即利用状态量的误差协方差的特征值平方来确定加权因子。利用本文介绍的集模式分散滤波方法对 INS/GPS/TAN组合导航系统进行了仿真。仿真结果表明 ,本文介绍的滤波方法具有较高的精度 ,因而不失为一种可行的滤波方法。

多传感器导航系统的分散滤波设计

本文研究了容错组合导航系统的设计问题;针对惯导、大气测量仪表与多种电子导航设备构成不同子系统情况,提出各子系统间测量相关时的分散滤波设计方法;给出了各子系统状态估计的最优线性合成方法。为组合导航系统的设计提供了理论依据。

容错分散滤波系统的设计

本文针对具有多个子系统的大系统,提出一种容错分级分散滤波器的设计方法。首先研究了多传感器滤波问题,讨论了具有两个和多个子系统的局部滤波器状态估计值的最优合成方法。接着将这种设计方法推广到子系统和全局系统不一样的情形。文中提出的方法可用于容错组合导航系统的设计。

多传感器系统的分散滤波

本文对分散Ｋａｌｍａｎ滤波和轨迹融合方法的发展概况进行了综述。

一种容错分散滤波在组合导航中的应用

从提高联合滤波容错性的角度出发，通过自适应调节信息融合因子提高联合滤波的容错性对一般联合滤波方法做了改进，并把这种改进的滤波方法用在了SINS/GPS/TAN组合导航系统中，通过对组合导航系统的仿真表明此种方法大大提高了组合导航系统对软件故障的容错性。

连续—离散型分级式分散滤波算法研究

在本文的连续—离散型的分级式分散滤波算法的研究中,不仅讨论了分级式分散滤波的协方差分析法,而且针对采用协方差分析法时,所普遍存在着主滤波器算法复杂、计算量较大的情况,将信息滤波方法引入到分级式分散滤波问题中,得到一种分级式分散信息滤波算法,它有效地减少了主滤波器的计算负担,此外文中还提出了一种使主滤波的计算只涉及到加(减)运算的、运算量极少的次优滤波优算法。

两种车载导航分散滤波算法对比及应用研究

针对航位推算/惯性导航/GPS(DR/INS/GPS)组合导航系统的多信息源融合,提出了基于局部反馈校正的联邦滤波和串级滤波两种算法,并进行对比研究。跑车实验结果证明,两种分散滤波算法在正常导航(无传感器故障)情况下都能有效提升车载导航系统的精度和可靠性,且前者定位精度较后者高;但后者能够消除DR误差前期积累,避免GPS失效时的定位输出"突跳"和"毛刺",具有更好的应用价值。

分散滤波器

研究大系统中分散滤波问题，通过理论分析，提出两种离散滤波器方案.仿真结果证明，与以往近似方法相比，本文提出的两种方案能够得到更好的估计结果.

基于分散式卡尔曼滤波的多机器人协同定位

针对机器人导航过程中惯性导航误差随时间积累影响定位精度问题,提出了一种基于分散式卡尔曼滤波的多机器人协同导航算法,该算法将自身导航信息与观测得到的相对测量信息以及其他机器人的导航信息进行融合,实现自身导航信息的校正。该算法不存在中央处理单元,降低了计算量,提高了系统稳定性。利用MATLAB软件平台对算法进行了仿真验证,结果表明该算法提高了多机器人之间的协同定位精度,具有一定的抗干扰性。

一类分散滤波问题的最优及次优解

其中所有噪声皆为零均值Gauss白噪声,并记E[w(k)w^T(l)]=Q(k)δ_(kl),E[w_i(k)w_i^T(l)]=Q_i(k)δ_(kl),E[v_i(k)v_i^T(l)]=R_i(k)δ_(kl),δ_(kl)为Kronecker delta符号,v_i与w、w_i不相关。假定v_i,i=1...,N两两互不相关,即所考虑的系统拥有N个独立的量测向量。 我们的问题是:从子系统(3)、(4)的局部最小方差滤波器构造出关于大系统(1)、(2)的全局最优或次优滤波器。

一种具有容错性的分散化滤波算法

先介绍了联邦滤波器和方差交叉滤波器，然后结合上述两种方法，提出了一种具有容错性的分散化滤波方法，证明了这种方法是次优的，并给出了确定信息融合因子的算法，最后通过一个组合导航系统的仿真例子验证了这种方法是可行的和有效的。

基于联邦滤波器结构的分散化H_∞鲁棒滤波算法研究

深入研究了基于联邦滤波器结构的分散化H_∞鲁棒滤波算法;通过研究H_∞滤波器的结构和鲁棒机制,提出一套H_∞鲁棒信息滤波公式.在此基础上,建立了一套形式简单、可行性强的联邦H_∞鲁棒滤波算法.与传统联邦卡尔曼滤波算法相比,该算法仅增加一个鲁棒化环节,实际上是一种Krein空间的联邦卡尔曼滤波算法.最后,全面分析了该算法四种结构及其性能,仿真结果表明了其具有有效性和可行性.

预测滤波器的分散化结构

预测滤波器是一种基于非线性系统模型的滤波方法,它通过使输出一步前向预测误差最小来估计模型误差,具有较高的估计精度。当预测滤波器应用到多传感器系统时,存在维数多、计算量大等缺点。本文提出了一种预测滤波器的分散化方案,将分散化滤波的优点引入到预测滤波器中。该方案中子滤波器各自给出模型误差的局部估计,并传递给主滤波器。主滤波器由此计算全局最优估计,并反馈重置各子滤波器。通过多传感器卫星测姿系统的仿真,证实分散化之后的预测滤波器与集中的预测滤波器具有相同的精度。同时,分散化的结构具有维数低、矩阵运算量小等优点,而且有利于增强系统的故障检测能力,提高系统的容错性。

基于分散化信息滤波的移动机器人定位

给出分散化信息滤波的最优性证明和保证最优性的条件 ,讨论了分散化信息滤波在故障检测和多传感器融合中的优势 ,提出一种在不影响分散化优势的情况下可以减小通讯量的滤波器结构。最后的仿真例子说明该方法在移动机器人定位应用中的有效性。

分散信息滤波及其在组合导航中的应用

本文提出一种分级式分敞信息滤波算法,并通过具体实例研究了它在组合导航系统中的应用。这种算法的特点是主滤波器的计算量小,量测修正只涉及到加(减)法运算。尤其适合于数据采样频率较高、反馈校正间隔较长的组合导航系统。

分散化H^∞鲁棒滤波理论研究

为改善传统分散化卡尔曼滤波器对系统模型和噪声统计特性的过分依赖性,以及解决分散化H-infinity鲁棒滤波算法的复杂性问题,深入研究了分散化H-infinity滤波的算法结构和鲁棒机理,提出一套H-infinity鲁棒信息滤波公式。通过证明,本文公式与S.H.Jin等人提出的相应公式是等价的,但相比之下更加简单、直观。在此基础上,参考分散化卡尔曼滤波算法的思想,提出一套分散化H-infinity鲁棒滤波算法。与传统算法相比,该算法更加简单、实用。仿真结果表明,新算法有效、可行。

一种用于分散化滤波的融合算法及其在组合导航系统中的应用

提出了一种局部估计相关时的最优融合算法,其特点是加权矩阵是对角阵,即全局估计中的各分量分别是局部估计中相应分量的线性组合,在此融合算法中局部估计是最优的,并且不存在由主滤波器向子滤波器的信息反馈,因此具有较好的容错性。给出了最优加权矩阵的存在性和唯一性的证明,并通过与现有类似融合算法的对比,表明该算法具有计算量小的优点。最后,以组合导航系统为例作了仿真计算,结果表明该融合算法是可行的。