两种渐消滤波与自适应抗差滤波的综合比较分析

给出了两种渐消滤波解及其相应的原则,介绍了自适应抗差滤波原理和相应的解,分别从原理和解的表达式上分析了两种渐消滤波和自适应抗差滤波解算的基本性能。利用一个实际算例比较了渐消滤波与自适应抗差滤波解在控制状态异常影响方面的能力。

基于自适应抗差滤波的WSNs节点跟踪算法

针对无线传感器网络定位误差大、有色噪声影响严重等问题,提出一种基于自适应抗差Kalm an滤波的无线传感器网络节点跟踪算法。先采用直线拟合削弱初始点位观测值的横向误差,然后通过构造自适应因子和等价权函数来控制未知有色噪声和观测值粗差的影响,并利用观测环境构造可信度因子干预滤波计算。在低速、高速运动模型下,分别以直线运动和正弦曲线运动两种运动模式为例进行了仿真研究,仿真结果表明,该算法平均跟踪点位精度较EKF算法和UKF算法有较大提高,并对未知噪声和观测异常具有较强的适应性和容错性,能有效应对传感器节点机动运动,具有良好的跟踪效果。

北斗中长基线三频模糊度解算的自适应抗差滤波算法

针对经典TCAR(three carrier ambiguity resolution)算法受电离层延迟及测量噪声的影响,在中长基线下难以正确固定模糊度的问题,提出一种顾及电离层延迟影响并具有良好自适应抗差特性的改进TCAR算法。在无几何TCAR模型的基础上,通过对模糊度固定的超宽巷进行线性组合得到电离层延迟,再求解宽巷模糊度,通过构造最优组合观测量后用自适应抗差滤波求解窄巷模糊度,以提高窄巷模糊度固定正确率,减小粗差的不利影响。试验结果表明,改进TCAR算法可保证较高的宽巷模糊度固定正确率,有效提高了窄巷模糊度固定正确率,并具有良好抵抗粗差的能力。

结合总体最小二乘的自适应抗差滤波算法

在动态导航定位中,不仅会存在有色噪声的影响,而且还会出现观测系数矩阵存在偏差的情况,数据处理中不容忽视。针对此,本文将总体最小二乘和自适应抗差滤波相结合,提出了能够同时控制有色噪声和系数矩阵偏差影响的新方法。该算法先用总体最小二乘方法求出观测方程系数矩阵偏差,并对观测方程系数矩阵进行修正,再基于修正后的观测系数矩阵使用自适应抗差滤波算法求解出最后的状态参数估值。计算结果表明,该方法不仅能够改正系数矩阵偏差且能控制有色噪声的影响,有效地提高导航定位的精度和可靠性。

卫星导航自适应抗差滤波算法

针对传统卡尔曼抗差滤波算法响应速度慢、测量误差大,不能满足实时高精度测量的问题,提出自适应抗差滤波算法。首先,设定门限值,当系统判定误差超过门限值时,以当前状态向量为初始值,重新初始化滤波系统,其次,系统重新初始化之后,系统快速调整其增益矩阵,实现跟踪并快速响应导航卫星的目的。仿真实验结果表明,自适应抗差滤波算法测量精度为0.054 772°,误差调整响应速度16 s,误差范围为±0.1°,与传统卡尔曼滤波器相比,响应速度更快,误差更小,精度提升了49.9%。

基于TOF和自适应抗差卡尔曼滤波的UWB室内定位算法

为提高超宽带(UWB)定位系统在室内复杂环境下的定位精度,提出一种基于飞行时间(TOF)和自适应抗差卡尔曼滤波(ARKF)的改进定位算法。针对超低功耗宽带设备在复杂室内环境状态下易受周围干扰而存在标准时间偏差的问题,提出一种改进的TOF算法,同时进行测距标定,拟合数据;对室内存在非视距(NLOS)干扰的情形,提出一种ARKF算法,通过比较残差与3倍信息的方差来判断视距(LOS)与NLOS情形。实验结果显示:该算法可以在静态与动态定位实验中有效提高系统定位精度,降低定位误差,取得较好的定位效果。

基于平滑有界层的故障检测及抗差自适应滤波算法

针对GNSS信号易受到干扰,卡尔曼滤波器性能降低、平滑变结构滤波算法在组合导航中应用受到原理限制的问题,提出了一种基于平滑有界层的故障检测及抗差自适应滤波算法。在对平滑变结构滤波算法研究分析的基础上,设计基于平滑有界层的量测信息质量评估指标,结合抗差估计思想构建等价权矩阵,在量测信息故障情况下,对组合导航系统进行重构和自适应调整,提高状态估计的精度和鲁棒性。仿真及实验验证结果表明:在GNSS各类典型故障下,所提故障检测算法均能够有效检测并快速响应,抗差自适应滤波算法在估计精度以及平稳性方面均优于基于残差卡方检测的自适应滤波算法,提高了SINS/GNSS组合导航系统的鲁棒性。在车载实验中,与基于残差卡方检测的自适应滤波算法相比,所提算法的定位精度提升约29%。

一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测算法

针对当前的山体滑坡监测技术监测精度低、实时性差、自动化程度低的问题,提出了一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测技术。该技术使用抗差自适应Kalman滤波技术,对包括实时动态(RTK)载波相位差分定位数据、无人机摄影测量数据、土工带传感器数据在内的多源数据进行融合分析,将滑坡形变监测精度提高到了mm级。RTK技术和土工带传感器的使用克服了天气状况、植被覆盖对滑坡监测的影响。使用灰色预测理论对山体滑坡监测点进行形变预测,结合蠕变切线角判据,该技术实现了对山体滑坡预警等级的划分。仿真实验结果显示,该山体滑坡监测技术能够成功实现山体滑坡预测预警功能。

基于滑动窗口抗差自适应滤波的SINS/DVL组合导航算法

捷联惯性导航系统(SINS)/多普勒测速仪(DVL)组合导航时,需要考虑多普勒速度信息中出现的野值和噪声特性变化对导航精度的影响。针对上述问题,提出基于滑动窗口抗差自适应滤波的SINS/DVL组合导航算法。首先建立状态变换漂移误差角系统误差模型,在速度误差方程中用重力常值项代替比力项,减少比力项引起的速度误差,提高模型的准确性。然后利用新息序列判别野值,若异常则采用滑动窗口数据修正错误新息,并使用带遗忘因子的自适应滤波在线估计量测噪声。实验结果证明,新的系统误差模型和滑动窗口抗差自适应滤波能有效减缓位置误差的累积。2 h的SINS/DVL组合导航中误差航程比优于1.05%,相比于传统卡尔曼滤波性能提升39.66%。

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。

基于自适应抗差卡尔曼滤波的UWB室内定位

在UWB室内定位中,测距中存在的NLOS误差和测距异常值会大幅降低其定位的精度和可靠性。针对这一问题,提出了一种自适应抗差卡尔曼滤波方法。该方法首先在UWB距离模型的基础上,利用新息向量和LOS环境下的阈值所构造的抗差因子鉴别并削弱NLOS测距误差和测距异常值的影响,同时利用Sage-Husa滤波对系统噪声进行实时估计和修正,在此基础上推导UWB定位的线性模型,利用卡尔曼滤波进行UWB定位解算。实验结果表明,该方法能有效地抑制并消除UWB测距中的NLOS测距误差和测距异常值的影响,进而能提高UWB定位的精度和可靠性。

自适应抗差Kalman滤波在多天线原始观测值瞬时姿态确定中的应用

由载波相位观测值直接解算姿态能实现观测及姿态约束信息的最优利用。本文推导了基于失准角及乘性误差四元数的载波相位观测模型,分别建立了有外部角速度传感器和无外部传感器辅助下姿态参数估计的状态模型;利用自适应抗差滤波估计姿态误差,借鉴分类自适应因子的思想,分别确定模糊度和姿态误差参数的自适应因子,其中姿态自适应因子由Ratio值构造的三段函数确定。自适应抗差滤波能够充分利用约束信息和历史信息,将其融合在浮点解计算过程中,极大提高模糊度浮点解精度及其协方差的结构,在此基础上使用整数最小二乘模糊度降相关平差法(least-squares ambiguity decorrelation adjustment,LAMBDA)方法即能快速搜索出固定解,满足实时性需求。采用实测舰载GNSS 3天线测姿算例对方法进行了验证,结果表明,基于自适应抗差滤波的观测值直接定姿方法效率高、可靠性好。

抗差自适应模型预测滤波及其在组合导航中的应用

为了提高捷联惯导(SINS)/天文导航(CNS)/合成孔径雷达(SAR)组合导航系统的定位精度,在吸收模型预测滤波和抗差自适应滤波算法优点的基础上,提出了一种新的抗差自适应模型预测滤波算法。该算法首先利用模型预测滤波估计出系统模型误差,并对其进行实时修正,以抑制系统模型误差对导航解算精度的影响;然后利用抗差自适应因子控制观测异常,抑制观测噪声对导航解算精度的影响。将提出的算法应用于SINS/CNS/SAR组合导航系统进行仿真验证,并与抗差自适应滤波进行比较,结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[0.2,0.2]、[0.3m/s,0.3m/s]和[6 m,6 m]以内,滤波性能明显优于抗差自适应滤波算法,说明该算法能有效抑制系统模型误差及观测异常对导航解的影响,提高组合导航的解算精度。

模糊抗差自适应粒子滤波及其在组合导航中的应用

在研究模糊控制理论的基础上,吸收了粒子滤波、自适应滤波和抗差估计的优点,提出一种新的模糊抗差自适应粒子滤波算法。文中根据量测向量中的粗差对状态向量滤波的影响,建立抗差自适应粒子滤波模型,获得自适应因子,然后对滤波处理后的数据残差基于模糊理论构造等价权函数,利用等价权函数和自适应因子合理地分配信息,因而可以达到一般滤波方法无法达到的滤波精度,且能有效地控制粗差对导航解的影响。最后,将该算法应用到组合导航系统中,并进行仿真验证。仿真结果证明,文中提出的模糊抗差自适应粒子滤波算法的滤波精度相对于扩展Kalman滤波和粒子滤波提高了3至5倍,明显提高了导航定位精度,且计算简单,便于实时性计算。

GPS/DR组合导航抗差自适应滤波算法

针对GPS/DR车辆组合导航系统的数学模型具有非线性,应用扩展卡尔曼滤波进行线性化会导致滤波结果出现较大误差的问题,引入了抗差自适应滤波算法。利用计算机仿真,分别对抗差自适应Kalman滤波和自适应Kalman滤波算法进行仿真验证,结果表明,抗差自适应滤波不但能自适应地确定观测噪声的协方差矩阵,而且能利用自适应因子调节状态参数噪声的协方差矩阵,可以控制观测异常和动态模型噪声异常对状态参数估值的影响,使状态参数的估值更加合理。自适应Kalman滤波使位置误差控制在30m,而对抗差自适应Kalman滤波能使位置误差控制在18m左右,且误差控制更稳定。

抗差自适应Kalman滤波在动态变形监测中的应用研究

抗差自适应Kalman滤波算法中,抗差等价权矩阵和自适应因子的计算,要求观测信息具有多余观测量且准确可靠,但在动态变形监测应用中,通常滤波观测值仅为三维坐标且存在较强噪声和粗差的影响。为此,先对该算法中的自适应因子和抗差等价权矩阵的计算进行研究和改进,然后计算了某高速公路边坡的GPS动态监测数据。结果表明,抗差自适应Kalman滤波能够有效地抵制动态变形监测中观测值异常的影响。

抗差自适应插值粒子滤波及其在组合导航中的应用

针对粒子滤波存在的粒子退化和重要性密度函数难以选取的问题,在吸收抗差自适应滤波、二阶插值滤波和粒子滤波算法优点的基础上,提出了一种新的抗差自适应插值粒子滤波算法。该算法利用二阶插值滤波算法得到重要性密度函数,通过抗差自适应因子实时控制动力学模型误差及观测异常对导航解的影响。将该算法应用于SINS/CNS/SAR组合导航系统进行计算仿真,并与经典的粒子滤波算法进行比较分析。结果表明,提出的滤波算法得到的姿态误差控制在[-0.3′,+0.3′],速度误差控制在[-0.4 m/s,+0.4 m/s],位置误差控制在[-5 m,+5 m],性能明显优于经典的粒子滤波算法。新的滤波算法不但能够有效地抑制粒子退化,而且能够有效地控制动力学模型误差及观测异常的影响,提高了组合导航的滤波精度。

改进抗差自适应EKF算法在GNSS/INS组合导航中的应用

在车载GNSS/INS组合导航中,抗差自适应滤波以其具有控制动力学异常和观测异常的能力成为实现综合PNT的关键技术之一。然而,不合适的决策算法和抗差因子会导致滤波进一步劣化。针对该问题,提出一种双窗口Sage-Husa抗差算法和一种改进的异常新息占比决策方法。采用松组合结构,利用异常新息占比决策对组合过程中出现的模型异常作出判断,针对观测模型异常和动态模型异常分别采用对应的抗差或自适应滤波。利用武汉市城区林荫道、街区多遮挡环境下动态实测数据进行分析。实验结果表明,该方案在复杂多遮挡环境下东、北、天3个方向上位置精度分别提升35.78%、38.94%、66.00%,位置均方根误差达到0.70 m、0.69 m、1.16 m。

自适应抗差联邦滤波算法

简要介绍了抗差估计理论 ;在顾及扰动异常的情况下 ,把自适应抗差Kalman滤波应用到联邦滤波上 ,对联邦滤波进行了改进 ,提出了一种自适应抗差联邦滤波算法。由计算结果可知 ,自适应抗差联邦滤波能较好地抑制载体观测异常和状态扰动异常对动态系统参数估值的影响 。

抗差自适应无味粒子滤波

针对系统观测值含有粗差或者存在状态异常的情况,基于无味粒子滤波算法(UPF)和抗差自适应滤波原理,提出了一种新的抗差自适应无味粒子滤波算法(AR-UPF)。该方法采用方差膨胀模型抑制观测粗差的影响;利用自适应UKF算法来实时调整状态参数预报值的协方差,控制状态异常的影响。算例分析表明,新方法能够有效地控制观测粗差与状态异常,提高了滤波精度。