基于容积规则的组合导航系统容错滤波算法

该算法采用容积规则进行滤波解算,降低了线性化误差;利用双状态χ^(2)检测法的双状态传播器进行故障检测,得到可靠的导航子系统故障检测值,并完成权重系数计算和信息融合,减少了故障信息对导航滤波过程的影响,弥补了联邦系统无法合理分配权重的不足。

基于自适应简化容积卡尔曼滤波的编队卫星相对导航

针对在星间相对导航中噪声的统计特性未知可能引起滤波估计精度下降甚至发散的问题,提出了一种自适应简化容积卡尔曼滤波(ASCKF)算法。将Sage-Husa自适应滤波与容积卡尔曼滤波(CKF)相结合,通过容积规则摆脱线性滤波的局限性。改进Sage-Husa噪声估计器以避免噪声方差在线估计可能出现的非正定现象,从而保证了滤波器对噪声统计变化的自适应能力。结合编队卫星运动模型的特点,用常规卡尔曼滤波(KF)的时间更新代替相应的容积变换过程,在不影响滤波器性能的前提下减少了运算量。仿真结果表明:在测量噪声统计特性未知的情况下,与CKF相比,该文算法对相对状态的估计精度提高了近25%,同时滤波器的稳定性也得到了提高。

高阶容积卡尔曼滤波及其在目标跟踪中的应用

针对传统的容积卡尔曼滤波(CKF)估计精度有限的问题,提出了一种基于任意阶容积规则的高阶容积卡尔曼滤波(HCKF)方法并应用于机动目标跟踪问题。传统的CKF采用三阶球面-相径容积规则,可获得优于其他非线性滤波如不敏卡尔曼滤波(UKF)的估计精度和数值稳定性。为了进一步提高CKF的估计精度,在基于点的高斯近似滤波框架下,分别使用Genz积分方法和矩匹配法推导出任意阶的球面规则和相径规则,以此构造高阶球面-相径容积规则来计算高斯型积分,并建立高阶容积卡尔曼滤波算法。将提出的HCKF算法应用于机动目标跟踪问题中并进行数值仿真。仿真结果表明,相对于传统容积卡尔曼滤波,高阶容积卡尔曼滤波对目标位置和速度估计的精度分别提高了11%和24%,可获得更高的估计精度。

四元数约束的容积卡尔曼滤波及其应用

针对一些非线性系统状态变量中存在四元数约束的情况,提出了一种四元数约束下的容积卡尔曼滤波(quaternion constrained cubature kalman filter,QCCKF)算法.基于最小约束代价函数,采用三阶球面-相径容积规则近似计算系统状态的后验均值和协方差,给出了QCCKF滤波递推公式.设计的QCCKF算法可以有效地对状态进行估计,扩展了CKF的应用范围.最后对飞行器姿态估计系统进行仿真,仿真结果表明,该算法估计精度优于常规CKF和无迹四元数估计法(unscented quaternion estimator,USQUE),并满足四元数约束条件,较好地解决了非线性系统存在四元数约束的问题,验证了算法的有效性.

考虑状态约束的容积卡尔曼滤波估计算法

针对传统非线性滤波未考虑状态约束的局限,提出一种考虑状态约束的容积卡尔曼滤波算法。将状态约束转化为增益约束,结合最小方差估计给出最小约束代价函数;同时,采用相径容积规则近似计算系统状态的后验均值和协方差,给出等式状态约束下的容积卡尔曼滤波递推公式。最后,对路径约束条件下的导航定位系统进行仿真,结果表明算法定位精度优于常规容积卡尔曼滤波算法,较好地解决了非线性系统存在等式状态约束时、常规容积卡尔曼滤波算法不满足约束条件且估计精度差的问题,验证了算法的有效性。

基于期望最大化算法和求容积卡尔曼平滑器的气动参数辨识算法

针对初值和噪声统计特性未知情形下的飞行器系统辨识的问题,提出了基于期望最大化(expectation maximization,EM)和求容积卡尔曼平滑器(cubature Kalman smoother,CKS)的辨识算法。该算法用期望最大化算法对初值和噪声的统计特性进行估计;用求容积卡尔曼平滑器估计状态向量和未知参数。在期望最大化算法的求期望步骤中,所求的期望值通过求容积规则获得,用较少的采样点保证了估计精度;在期望最大化算法的最大化步骤中,未知量的最优值以解析解形式给出,减小了计算量。仿真结果说明,该算法在飞行器气动参数辨识问题中,能给出较好的辨识结果。与其他方法的对比验证说明新算法具有辨识精度高、收敛速度快等优点。

改进的平方根容积卡尔曼滤波及其在POS中的应用

为解决扩展卡尔曼滤波在处理复杂非线性状态估计时,存在收敛速度慢、估计精度低及数值稳定性差等问题,引入一种改进的平方根容积卡尔曼滤波算法(A-SRCKF)。该算法在容积卡尔曼滤波基础上引入矩阵QR分解、Cholesky分解因数更新等技术,避免了矩阵分解、求逆及求导等复杂运算,极大降低了计算复杂度;并针对系统时变及统计特性未知情况下量测噪声协方差阵难以获取问题,通过引入自适应噪声估计器并结合小波卡尔曼滤波思想,构造出加权量测噪声协方差阵,提高了数值精度及稳定性。将A-SRCKF应用于机载定姿定位系统中,仿真结果表明:该算法有效地提升了估计精度,并且运行速度较快。

平方根容积卡尔曼滤波在角测量跟踪中的应用

为解决扩展卡尔曼滤波算法(EKF)在处理角测量跟踪问题时对复杂非线性状态估计收敛速度慢、估计精度低的问题,引入一种平方根容积卡尔曼滤波算法(SRCKF)。SRCKF是一类sigma点滤波方法,基于容积原则的数值积分方法计算非线性随机函数的均值与协方差,避免了EKF中Jacobian矩阵的计算,有效提高了计算效率。另外,与一般容积卡尔曼滤波算法相比,SRCKF确保了状态协方差矩阵的对称性与半正定性,有效改进了数值精度和鲁棒性。将SRCKF应用于角测量跟踪系统中,仿真结果表明,SRCKF、Unscented卡尔曼滤波(UKF)滤波精度较传统EKF有较大提高,同时,与UKF相比,SRCKF能以较快的运行效率获得较好的滤波效果。

平方根容积卡尔曼滤波器

针对容积卡尔曼滤波器在递推过程中,计算量大、数值不稳定等问题,提出了平方根容积卡尔曼滤波器。该滤波器不仅增强了数值鲁棒性,确保了状态协方差矩阵的正定性,且在一定程度上提高了滤波精度。仿真结果表明,该滤波器的滤波精度与容积卡尔曼滤波相比提高了约10%,且均高于扩展卡尔曼滤波;随着状态维数的增加,该滤波器的估计性能越加优于扩展卡尔曼滤波器。因此对系统维数较高的场合,该滤波器是一种非常有效的非线性滤波算法。

两阶段高维容积信息滤波及其在目标跟踪中的应用

非线性系统估计的过程是一个多传感器信息融合的过程,在集中处理量测数据的过程中,Kalman滤波具有很高的计算复杂度.尤其当系统模型中存在随机偏差时,扩维后计算量大幅增大,容易造成系统溢出和运行失败的问题.通过将两阶段容积Kalman滤波嵌入到扩展信息滤波框架的方式,提出了一种两阶段高维容积信息滤波算法.该算法初始化容易,计算量较小,直接利用协方差矩阵的逆与信息矩阵之间的等价关系参与滤波递推的过程,减少了对滤波增益阵的计算.在协方差矩阵的解算过程中,两阶段算法的协方差矩阵之间存在有耦合关系,因此在信息滤波中,两阶段信息矩阵之间也存在着某种耦合关系,算法中通过将非线性T变换和矩阵求逆应用于信息矩阵,得到了两阶段信息矩阵与协方差矩阵之间的耦合关系.通过纯方位跟踪系统的仿真实验,验证了两阶段高维容积信息滤波算法在精度上高于容积Kalman滤波算法,在运行时间上也短于容积Kalman滤波算法,证明了该算法的可用性.

基于贝叶斯估计噪声相关下的CKF设计

针对常规容积卡尔曼滤波(cubature Kalman filter,CKF)要求系统噪声和量测噪声必须互不相关的局限性,提出了一种带相关噪声的非线性离散系统CKF设计方法。基于贝叶斯估计准则,给出了系统噪声和量测噪声相关时CKF滤波递推公式,并采用三阶球面-相径容积规则来近似计算系统状态的后验均值和协方差。当系统噪声和量测噪声相关时,常规CKF不适用,本文设计的噪声相关下的CKF可以有效地对状态进行估计,拓展了CKF的应用范围。数值仿真验证了算法的有效性。

5阶CKF在捷联惯导非线性对准中的应用研究

为了提高动基座下车载捷联惯导系统(strapdown inertial navigation system,SINS)的初始对准精度和缩短对准时间,在不进行粗对准的前提下,利用5阶容积卡尔曼滤波(cubature Kalman filter,CKF)完成非线性对准。针对3阶CKF滤波精度不高、5阶高斯厄密特滤波器计算量过大的问题,基于多项式逼近的思想详细推导了5阶球面径向容积规则,继而提出了5阶CKF并分析了该算法的滤波精度、采样量和数值稳定性,利用奇异值分解代替Cholesky分解来增强滤波稳定性。实验结果表明,该方法能够有效完成大失准角下的非线性对准,精度高于3阶CKF。

降维CKF算法及其在SINS初始对准中的应用

针对常规容积卡尔曼滤波(cubature Kalman filter,CKF)算法在捷联惯导系统(strapdown inertialnavigation system,SINS)大方位失准角初始对准中采样点个数与状态向量维数成正比、计算量较大的问题,提出了降维CKF算法。与常规CKF算法相比,该算法只对离散化后的SINS非线性误差模型中的大方位失准角进行采样,再利用三阶球面-相径容积规则计算后验均值和协方差,从而将采样向量从10维降低到1维,采样点数量从20个下降到2个,减小了计算量。仿真实验结果表明,该算法与常规CKF算法具有相同的对准精度,计算时间仅为常规CKF算法的1/3,是一种较为实用的方法。

南水北调中线总干渠Ⅲ级水污染应急处置水力调控方案研究

长距离输水工程输水量大、闸门群和分水口群众多、控制要求高,在突发水污染事件下要求保障输水过程稳定、应急处置高效。研究了南水北调中线总干渠Ⅲ级水污染的应急处置水力调控方案,提出了Ⅲ级水污染的应急处置策略,确定了基于分水口水力特性的水力调控单元划分方法和应急处置水力调控方式。以京石段为例,提出了采用不同分水口群或等容积运行规则的3种应急调控方案,并利用建立的一维水动力水质耦合模型,模拟了不同应急调控方案下的水流运动和典型污染物的输移过程。研究表明,三种应急控制方案均能在不弃水、不显著影响上下游运行的条件下,通过利用渠道自身调蓄能力或发挥分水口的调控作用,实现应急调控目标。

改进型CKF算法及其在GNSS/INS中的应用

针对容积卡尔曼滤波算法(CKF)在高阶非线性系统应用中,局部容积点采样不准确及系统状态突变导致滤波精度降低甚至发散的问题,提出一种改进型CKF(TSCKF)算法。采用新的容积点采样规则提高非线性函数映射准确性,进而提高滤波精度;引入强跟踪滤波(STF)的渐消因子,提升算法在状态突变时的鲁棒性。将此算法应用于GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)紧组合导航系统中,仿真结果表明,该算法能够显著提高导航精度,鲁棒性强,在状态突变情况下依然可以满足导航精度要求。

自适应高阶容积卡尔曼滤波在目标跟踪中的应用

针对传统容积卡尔曼滤波(CKF)在系统状态发生突变时估计精度下降的问题,将强跟踪滤波(STF)算法与高阶容积卡尔曼滤波(HCKF)算法相结合,提出了一种自适应高阶容积卡尔曼滤波(AHCKF)方法。该算法采用高阶球面-相径容积规则,可获得高于传统CKF的估计精度,同时在HCKF算法中引入STF,通过渐消因子在线修正预测误差协方差阵,强迫残差序列正交,提高了算法的鲁棒性,增强了算法应对系统状态突变等不确定因素的能力。将提出的AHCKF算法应用于具有状态突变的机动目标跟踪问题并进行数值仿真,仿真结果表明,AHCKF算法在系统状态发生突变的情况下表现出良好的滤波性能,有效地避免了状态突变造成的滤波精度下降,较传统的CKF、HCKF、交互式多模型-容积滤波(IMM-CKF)和自适应容积卡尔曼滤波(ACKF)算法有更强的鲁棒性和系统自适应能力。

基于五阶容积-二阶平滑变结构滤波算法的捷联惯导系统初始对准技术

为了改进捷联惯导系统大方位失准角初始对准情况下的方位失准角对准精度和稳定性问题,提出了一种组合对准方法。该方法将Kalman滤波对准模型与罗经对准模型相结合构建了一种组合对准机制,并在此模型基础上提出了基于非线性滤波和鲁棒滤波的五阶容积-二阶平滑变结构滤波算法,将五阶容积-二阶平滑变结构滤波算法与组合对准机制相结合,从而实现大方位失准角的初始对准。仿真结果表明,五阶容积-二阶平滑变结构滤波对准方法得到的方位失准角对准精度明显优于常见的几种对准方法,且其对准结果的重现性更高。因此,提出的五阶容积-二阶平滑变结构滤波算法能够很好地适用于大方位失准角的初始对准。