基于改进李群卡尔曼滤波的惯性/里程计组合导航方法

基于李群非线性误差状态的扩展卡尔曼滤波方法(LG-EKF-i),在卫星拒止场景应用中,如高精度惯性/里程计组合导航,由于计算过程中需要将相对地心的位置矢量和速度矢量与姿态误差耦合,导致在舍弃高阶项时容易产生数值计算误差累积的问题,致使导航精度下降.本文提出一种改进的李群卡尔曼滤波器,将参考系从惯性系改为世界坐标系,将投影系从地球系改为世界坐标系,有效减小了李群卡尔曼滤波器在一阶近似过程中产生的数值计算误差累积.本文使用考虑了里程计和惯导之间安装偏差角、杆臂误差和里程计标度因数误差的21维卡尔曼滤波器,对算法进行了验证.在小初始对准误差角实验中,4组长航时高精度惯性/里程计组合导航结果表明,本文提出的改进李群卡尔曼滤波方法(LG-EKF-w)相较于传统扩展卡尔曼滤波方法(EKF)、状态变换卡尔曼滤波方法(ST-EKF)以及改进前的李群卡尔曼滤波方法(LG-EKF-i)具有更高的数值计算精度.大初始对准误差角条件下的开环轨迹实验进一步验证了LG-EKF-w算法的有效性.

一种改进的α-β-γ滤波器和PID控制器

在分析卡尔曼滤波器和α-β-γ滤波器的基础上,提出了一种改进的α-β-γ-θ滤波器的离散形式和连续形式,设计了一种具有鲁棒性能的改进型的PID控制器。通过理论推导,证明了所设计的α-β-γ-θ滤波器是n阶系统(可以近似为2阶系统)的一个一致渐近稳定的3阶状态观测器,并给出了α-β-γ-θ滤波器的稳定性与α,β,γ,θ参数选择的之间的关系。同时对α-β-γ-θ滤波器和改进型的PID控制器进行了实验仿真,并将其应用到发电厂的热工控制系统技术改造项目中,案例研究表明所设计的α-β-γ-θ滤波器和改进型的PID控制器能取得良好的控制效果。

对粒子滤波器的若干改进算法

近年，粒子滤波（Particle Filter，简称PF）备受关注，与传统滤波方法相比，它具有简单易行、适用于非线性及非高斯噪声环境的优点，因此被广泛应用于诸多工业领域，如计算机视觉、航空导航及过程监控等。除计算负担较大外，样本贫化现象是PF的最大缺点，尤其对较长时间内维持不变的量（如受故障影响的模型参数）进行估计时影响尤为突出，更易导致PF算法退化，极端情形会导致算法发散。这对将PF应用于故障诊断影响很大。减轻样本贫化影响的最简单方法是加大样本集，但一般难以做到。本文把扩展卡尔曼滤波（EKF）及正则采样算法引入粒子滤波，从而得到了改进算法。

一种基于改进型KALMAN滤波器的目标定位算法

在以常规卡尔曼滤波器为基础的各种跟踪算法中 ,要求精确的模型和噪声统计 ,但在实际系统中 ,大多数情况不能满足上述要求。给出了考虑初始条件不精确性的改进型Kalman滤波器表达式 ,并在引入速度量测信息的基础上 ,运用该滤波方法进行空间目标二维定位。MonteCarlo仿真表明该方法降低了对模型精度的要求 ,在工程上是可行的。

改进小波多分辨力分析的数据融合算法

在小波分析中,多分辨力分析是一重要的方法。但该方法只对低频段的近似信号进行逐级细分,导致低频段频率分辨力越来越高,而高频段的细节信号保持不变,频率分辨力较低。为了克服小波多分辨力分析在高频段频率分辨力低的缺点,采用改进的小波多分辨力分析方法,由于该方法对高频段进行逐级细分,改善了小波变换在高频段的时频局部化性能,提高了小波变换高频段频率的分辨力。同时,将改进的小波多分辨力分析方法应用到多传感器数据融合中,经过仿真计算,其结果表明:该算法是有效的。

基于改进型ASRCKF算法的锂离子电池荷电状态估计

针对锂电池荷电状态(state of charge,SOC)估计中由先验噪声统计特性未知导致的估计精度不高和鲁棒性差的问题,以二阶Thevenin等效电池模型为研究对象,提出一种改进型自适应平方根容积卡尔曼滤波器(adaptive square-root cubature Kalman fliter,ASRCKF)。改进型ASRCKF算法使用有偏噪声估值器对系统噪声和观测噪声协方差进行自适应更新,保证了协方差矩阵的非负定性。仿真结果表明,改进型ASRCKF算法能够准确地估算出锂电池SOC值,预测误差保持在1.4%以内,具有良好的鲁棒性和收敛性。

一种快速精确的捷联惯性导航系统静基座自主对准新方法研究

通过对捷联惯性导航系统(SINS)静基座初始对准物理特性的深入分析,针对传统静基座初始对准方法对方位角和陀螺漂移可观测度低的不足,提出了一种基于惯性测量单元(IMU)信息的SINS静基座自主对准方法,该方法不需要进行SINS力学编排,而是充分利用IMU输出的角速度和比力信息。文中给出了静基座粗对准算法,推导了静基座精对准的动力学模型,并对该模型进行了可观测性分析,最后采用改进的Sage-Husa自适应卡尔曼滤波器进行SINS静基座初始对准仿真计算。数字仿真结果表明:该方法具有对准精度高、对准时间短、自主性强、计算量小、易于工程实现等特点。

基于强跟踪滤波器的MACA-MIE模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展ACA模型状态矢量和改进状态噪声协方差调整方法,利用MIE和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比ACA模型和MIE,该算法具有更好的机动状态和非机动状态跟踪性能.