模糊自适应卡尔曼滤波技术研究

提出了一种基于模糊自适应卡尔曼滤波技术的组合导航的新方法。这一方法主要应用于自主式机动飞行器。用模糊逻辑自适应控制器对卡尔曼滤波器的噪声方差进行“在线”修正,将卡尔曼滤波器调整到最优状态,从而提高组合导航系统的精度。通过对ＧＰＳ/ＩＮＳ组合导航系统的仿真,验证了模糊自适应卡尔曼滤波器比常规卡尔曼滤波器具有更高的精度。该方法的研究对飞行器的导航与制导具有重要意义。

基于模糊自适应卡尔曼滤波算法的多传感器信息融合

联合滤波器各子系统量测噪声统计特性发生变化时,标准卡尔曼滤波算法由于无法实时检测和调整,使得估计误差增大,最终导致融合后估计误差随之增大。本文针对该问题提出使用模糊自适应滤波代替标准卡尔曼滤波,形成模糊自适应联合卡尔曼滤波信息融合算法。新算法应用模糊推理系统不断的在线调整量测噪声协方差阵的加权系数,使模型量测噪声逐渐逼近真实噪声水平。将该算法应用于多传感器姿态确定系统中,仿真结果验证了算法的真实有效性。

模糊自适应卡尔曼滤波技术在球果采集机器人控制系统中的应用

为实现自动采果,采用基于模糊自适应卡尔曼滤波的RBF神经网络对机械手动作进行控制.通过MATLAB编程固化到芯片中,将在线获得的三维激光扫描仪及传感器数据进行实时处理并控制采果运动.试验表明：采用的神经网络控制系统工作有效,采果机器人每天可采落叶松球果700～1000 kg,效率为未采用神经网络控制时的1.4～2.0倍,为人工采集的40～60倍.

MIMU/GPS组合导航模糊自适应卡尔曼滤波研究

针对组合导航初始对准中存在模型误差时常规卡尔曼滤波容易发散的问题,提出了一种模糊自适应卡尔曼滤波算法。该算法采用模糊控制规则,根据新息的方差和均值变化自适应调整量测噪声权值矩阵。此算法运用于MIMU/GPS组合导航初始对准中,获得了较高的导航精度。仿真结果表明,该算法能够有效防止滤波发散,减少模型误差对滤波结果的影响,提高了滤波精度,实现了参数的在线调整。

基于模糊自适应卡尔曼滤波的INS/GPS组合导航系统算法研究

针对车载组合导航系统量测噪声统计特性随实际工作条件的不同而变化的特点,提出了一种基于模糊自适应卡尔曼滤波的车载INS/GPS组合导航算法。该方法通过监视理论残差与实际残差的比值是否在一附近,应用模糊推理系统不断的调整量测噪声协方差阵的加权,对卡尔曼滤波的量测噪声协方差阵进行递推在线修正,使其逐渐逼近真实噪声水平,从而使滤波器执行最优估计,提高导航系统的精度。对车载组合导航系统的仿真结果表明,这种算法对时变的量测噪声具有较强的自适应性,进而精度比常规卡尔曼滤波也大为提高,是一种可行的车载组合导航算法。

模糊自适应卡尔曼滤波技术研究

本文提出了一种基于模糊自适应卡尔曼滤波技术的组合导航的新方法 .这一方法主要应用于自主式机动飞行器 .用模糊逻辑自适应控制器对卡尔曼滤波器的噪声方差进行“在线”修正 ,将卡尔曼滤波器调整到最优状态 ,从而提高组合导航系统的精度 .通过对 GPS/ INS组合导航系统的仿真 ,验证了模糊自适应卡尔曼滤波器比常规卡尔曼滤波器具有更高的精度 .该方法的研究对飞行器的导航与制导具有重要意义 .

组合导航系统中模糊自适应卡尔曼滤波器的设计

为了解决常规卡尔曼滤波法存在的不足,给出了用模糊推理系统与卡尔曼法相结合的方法。该方法通过监视理论残差和实际残差的协方差一致程度,应用模糊系统不断调整滤波器的增益系数,对卡尔曼滤波器进行在线自适应控制,最终实现最优估计。通过对INS/GPS组合导航系统的计算机仿真,结果表明该方法是有效、实用的。

航天器天文导航模糊自适应卡尔曼滤波研究

星光折射间接敏感地平的自主天文导航方法能够获得很高的导航精度 ,但由于大气密度模型时空分辨率不高 ,这种方法所敏感的地平有可能出现较大的瞬时误差 ,从而导致导航滤波器精度降低 ,有时甚至发散 .为了解决这一问题 ,提出将模糊推理系统应用于自主天文导航 ,研究基于Unscented卡尔曼滤波的模糊自适应算法 ,使导航滤波器在观测值异常时具有一定的自适应能力 .

基于权值矩阵的模糊自适应卡尔曼滤波在组合导航中的应用

针对自主驾驶车辆长时间导航精度要求难以满足的问题,建立了GPS与微惯性导航系统的组合导航滤波模型,在位置观测的同时引入姿态信息,提高了导航精度。在此基础上提出了基于权值矩阵的模糊自适应卡尔曼滤波算法,该算法通过模糊控制器自适应地改变每个观测量的权值,得到权值矩阵引入卡尔曼滤波器实现自适应滤波。仿真和实验结果表明,所提出的权值矩阵模糊卡尔曼滤波性能优于衰减因子自适应卡尔曼滤波,特别是在GPS信号失真及噪声先验统计特性不可知的情况下,其定位精度能够保证在1m之内。

模糊自适应卡尔曼滤波在惯性/地磁导航中的应用

为了提高自主、无源组合导航系统的精度和可靠性,针对惯性/地磁组合导航系统中滤波发散、量测噪声统计特征随实际情况不同而变化的问题,本文在无迹卡尔曼滤波的基础上,通过监测滤波新息的方差和均值变化,采用模糊自适应滤波算法,"在线"调整模型中的噪声方差阵,来改变滤波器的估计均方误差和滤波增益。通过自适应调整Sigma采样中权值的比例因子α,来解决UT变换的非局部效应,达到提高组合导航的精度的作用。仿真结果表明,模糊自适应卡尔曼滤波器可以有效的提高惯性/地磁组合导航系统,克服了传统滤波算法的缺点和不足,提高了滤波精度。

联邦模糊自适应卡尔曼滤波在速度+姿态传递对准中的应用

在系统动态模型和噪声统计特性无法完全获得的情况下,通过调整卡尔曼滤波器的相关参数提高弹载子惯导对准性能,其效果是很有限的,采用联邦模糊自适应卡尔曼滤波方法进行速度+姿态匹配传递对准,并对算法进行了可行性分析与仿真验证。仿真结果表明,在系统动态模型和噪声的统计特性不确定的情况下,速度+姿态匹配传递对准的联邦模糊自适应卡尔曼滤波短时间内能够较好地估计出弹载子惯导的初始姿态失准角,是一种非常有效的信息融合方法。

基于模糊自适应卡尔曼滤波的室内定位研究

常规基于RSSI测距模型的算法,未知节点所测的RSSI值在室内环境中容易受到信号衰减等因素的干扰,从而导致所测RSSI值不准确,针对这一问题,提出将模糊自适应卡尔曼滤波与RSSI测距模型结合。通过模糊自适应卡尔曼滤波算法优化未知节点RSSI测距模型计算出的坐标值,最后通过MATLAB仿真软件验证了所提出定位模型的可行性和准确性。

基于模糊自适应卡尔曼滤波的汽车状态软测量

汽车行驶中某些状态信息很难直接测量或测量成本较高,而正确获取这些状态对汽车底盘控制有着重要的意义。为以较低成本获取关键的汽车运动状态,利用参数软测量技术,针对汽车3自由度(3-DOF)动力学模型,采用了基于模糊自适应卡尔曼滤波算法的汽车状态软测量方法 ,利用模糊控制策略实时监测残差的实际方差和理论方差的比值对时变观测噪声的协方差矩阵进行在线修正,通过该方法来抑制噪声对精度的影响,进而提高汽车状态的估计精度。仿真结果表明,本文所采用的模糊自适应卡尔曼滤波算法在时变噪声的情况下能够有效地提高状态估计的精度,能够满足工程实际需求。

GPS/SINS组合导航系统中模糊自适应卡尔曼滤波算法研究

针对卡尔曼滤波对噪声模型不能动态估计的缺点,引入了模糊卡尔曼滤波算法,通过滤波残差控制量测噪声协方差阵R的加权因子,为了更精确控制R矩阵的变化,使用了2个模糊控制器对速度位置分别进行控制,改善滤波性能,最后通过仿真验证了该算法较常规卡尔曼滤波算法有更好的性能。

方差模糊自适应卡尔曼滤波及其应用

卡尔曼滤波用于高机动目标跟踪随滤波时间的增大,滤波方差及增益对目标机动噪声的适应性差,滤波误差较大。文中研究了一种方差模糊自适应卡尔曼滤波技术,根据滤波新息幅值大小直接调解滤波方差.强化了滤波算法对目标机动噪声的适应能力。仿真结果表明,改进的算法稳定性高,精度得到明显改善,用于高机动目标跟踪拦截系统效果较好。

模糊自适应卡尔曼滤波算法在航位推算系统中的应用

针对实际的应用中车载航位推算系统的模型参数、噪声的统计特性不确定性,影响估计效果,提出了车载航位推算的模糊自适应卡尔曼滤波模型及其滤波算法;该方法通过监视理论残差与实际残差的比值是否接近1,应用模糊推理系统不断地调整量测噪声协方差的加权,对自适应卡尔曼滤波的量测噪声协方差进行递推修正,通过该算法来抑制噪声对精度的影响,进而提高系统的导航精度;仿真结果表明,这种算法能够有效地提高系统的精度,是一种比较理想的车载DR导航滤波方法。

MEMS陀螺的模糊自适应卡尔曼滤波

以捷联惯导系统为应用背景,在建立MEMS陀螺的数学模型后,针对常规卡尔曼滤波算法的不足,引入一个加权因子,实时地对系统噪声和观测噪声进行估计和修正,从而降低系统的模型误差,抑制滤波发散。实验证明,在确保整个导航系统可靠性的前提下,MEMS陀螺提供了更加精确的角速率信息。

基于模糊自适应卡尔曼滤波的GPS_INS融合研究

针对已有GPS_INS组合导航系统在GPS信号强度变弱时扩展卡尔曼滤波器(EKF)可能出现发散的问题,采用一种模糊逻辑自适应的方法动态调节导航系统的过程和测量噪声参数,实现了导航系统的最优估计。通过对多旋翼无人机实际飞行日志数据的仿真,结果表明通过自适应调节噪声参数,导航精度得到明显提升。

基于模糊自适应卡尔曼滤波的平滑伪距算法

研究导航定位精度优化问题,针对传统的载波相位平滑伪距算法在较多历元数时精度误差较大,而补充卡尔曼滤波的相位平滑伪距算法的噪声变化无法动态估计等不足,提出了一种基于模糊自适应卡尔曼滤波的相位平滑伪距算法。本算法根据观测噪声的新息与协方差的均值变化,对时变的噪声统计特性实时估计与调整,达到最优估计,以增加滤波的时效性、提高定位精度。仿真结果表明,该算法在状态估计上精度更高,并且抑制噪声的稳定性更高,定位精度优于传统的载波相位平滑伪距算法和基于补充卡尔曼滤波的相位平滑伪距算法。

改进的平方根容积模糊自适应卡尔曼滤波SLAM算法

针对移动机器人SLAM算法存在系统噪声对定位精度影响严重,特征点的增加导致轨迹偏移等现象。文章将迭代思想与时变渐消因子引入平方根容积卡尔曼滤波中,通过动态调节新息均值和协方差的方式,建立模糊自适应模型调整噪声权值,改善系统中存在的运动噪声和观测噪声。该算法相对于以往算法只能解决单一问题而言,具有更好的兼容性与鲁棒性。通过实验仿真结果可以看出,该算法相对于以往算法在X方向、Y方向和位姿偏移角的误差分别减小了21.59%、36.45%、32.97%。将此算法应用于实际中,具有良好的地图重建效果。