卫星导航系统中基于序贯处理的Kalman滤波

为了有效降低基于Kalman滤波方法的导航定位求解运算量,保证实时性,提出了一种以单个卫星为基本滤波单元的基于序贯处理的扩展Kalman滤波(EKF,extended Kalman filtering)方法——单星序贯扩展Kalman滤波(S3EKF,single-satellite sequential extended Kalman filtering)法。仿真结果表明,S3EKF法相对常规EKF法而言,当可见卫星数超过7颗时,能有效改善运算量,且改善量随可见卫星数的增加而增加,当可见卫星数在15颗及以上时,运算量的改善超过50%;同时,S3EKF法能在可见卫星发生变化时保证求解的一致性和稳定性。

多传感器非线性系统序贯观测融合二阶扩展卡尔曼滤波器

对多传感器非线性系统提出了一种序贯观测融合二阶扩展卡尔曼滤波(Second-order Extended Kalman Filter,SOEKF)算法。该算法的中心思想是根据传感器观测数据到达融合中心的先后次序依次进行处理。研究表明,提出的序贯观测融合SOEKF算法比集中式观测融合EKF算法具有更高的精度;与集中式观测融合SOEKF算法精度相当,且具有更低的计算复杂度。目标跟踪系统的仿真验证了算法的有效性。

径向速度测量推广Kalman滤波的改进

研究了一种把径向速度测量引入推广Kalman滤波 (EKF)的新方法。在对测量方程进行分解和对测量噪声的统计特性进行分析的基础上提出了一种序贯处理结构的推广Kalman滤波算法 ,这种算法相当于对非线性的径向速度函数围绕状态矢量的滤波值而不是预测值线性化 ,因而可以大大减小线性化处理带来的误差。两个不同的MonteCarlo仿真结果说明该算法的估计性能优于传统的推广Kalman滤波。

非线性系统的改进多模型扩展Kalman滤波器

针对这样一类非线性系统:状态方程由线性部分和非线性部分构成,测量方程为线性方程,提出了一种基于系统模型拆分的多模型扩展卡尔曼滤波器算法(SMMEKF)。首先,在现有方法的基础上提出了一种改进的多模型扩展卡尔曼滤波方法(IMMEKF)。然后,依据状态方程把原系统拆分为线性子系统与非线性子系统;在时间更新阶段,对线性子系统使用卡尔曼滤波算法进行预测,对非线性子系统使用改进的多模型扩展卡尔曼滤波算法进行预测;在测量更新阶段,采用交替式更新的方法逐步对非线性子系统与线性子系统的预测值进行校正。最后的仿真对比分析了两类方法处理非线性系统滤波问题的性能。

一种基于SSR-TSEKF的多雷达误差配准算法

误差配准问题是雷达组网中首先要解决的问题,以此来精确估计和消除系统误差。扩维滤波能够对系统误差进行实时估计,但计算量随维度增加而增大;双阶卡尔曼滤波能够大大减少计算量,但易出现计算误差发散。在研究ASEKF与TSEKF算法的基础上,将数值稳定性高的平方根滤波与TSEKF算法相结合,并引入序贯思想,提出一种基于SSR-TSEKF的误差配准算法。仿真结果表明,新算法在降低计算量的基础上,有效提高了滤波稳定性。

多传感器非线性系统的序贯观测融合扩展卡尔曼滤波器

针对多传感器非线性系统,提出了一种序贯观测融合扩展卡尔曼滤波器(EKF)算法,其主要思想是根据传感器观测数据到达滤波器的先后次序依次进行融合处理。研究表明,提出的序贯观测融合EKF算法与传统的最优集中式观测融合EKF算法估计精度相当,且具有更低的计算复杂度,目标跟踪系统的仿真验证了所提算法的有效性。

基于IEK-PF的多传感器序贯融合跟踪

针对粒子滤波中得到优化的重要性密度函数比较困难的问题,将迭代扩展卡尔曼滤波和序贯融合与粒子滤波相结合,应于雷达和红外多传感器目标融合跟踪。利用基于迭代扩展卡尔曼滤波的序贯融合算法得到的系统状态更新矩阵和误差协方差矩阵来构造粒子滤波的重要性密度函数,使重要性密度函数能够融入最新观测信息的同时,更加符合真实状态的后验概率分布。仿真结果表明基于序贯融合的迭代扩展卡尔曼粒子滤波(IEK-PF)能提高状态估计的精度。

基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing,CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter,SEKF)方法,以用于脉冲多普勒(Pulse Doppler,PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标时延和多普勒的估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果显示,基于CS辅助SEKF方法的跟踪精度明显高于传统的SEKF方法以及已有基于CS的跟踪方法,所以本文所提出的方法对机动目标有更好的跟踪性能。

基于概率数据关联的雷达导引头抗速度拖引干扰算法

针对在速度拖引干扰下,脉冲多普勒雷达导引头无法精确跟踪、制导目标的问题,提出了基于概率数据关联的抗速度拖引干扰算法。对于雷达导引头角度测量信息和Doppler测量信息,采用序贯扩展卡尔曼滤波算法进行目标状态估计。根据Doppler信息强非线性的特点构建了伪量测信息,并提出了在Doppler量测更新滤波估计阶段,采用概率数据关联算法进行抗速度拖引干扰。给出了算法的推导过程,并进行了数值仿真验证。仿真结果表明,采用该算法能够稳定跟踪释放多重速度拖引干扰的目标,有效抑制速度拖引干扰对制导信息估计的影响,改善导弹的制导精度。

一种改进的多普勒雷达跟踪算法

多普勒雷达能够获得目标位置量测的同时,还能获得多普勒量测,即目标径向速度。为解决多普勒雷达量测处理算法过程复杂、计算量大的问题,本文提出一种用不敏卡尔曼滤波处理多普勒量测的改进方法对多普勒雷达量测直接在混合坐标系下进行非线性滤波,实现过程简单,计算量小。仿真结果表明该算法能够达到序贯扩展卡尔曼滤波和序贯不敏卡尔曼滤波算法的状态估计精度,并且明显改善估计的一致性。

基于自适应卡尔曼滤波的联合RSS/TOA/INS无人机定位算法

针对在全球导航卫星系统信号拒止环境下(如山地、隧道、峡谷)无人机集群常规定位方法受限问题,提出通过集群之间的协同定位,对卫星信号拒止的低成本无人机进行导航恢复的滤波方法,从而有效抑制纯惯性导航系统(INS)定位发散。在获取定位数据方面,首先采用基于超宽带(UWB)和Zigbee设备分别通过到达时间差(TOA)和接收信号强度(RSS)的测距方式得到测距信息,然后进一步利用最小二乘方法解算得到定位局部坐标。考虑到RSS测距远、精度低,而TOA测距精度高、测距范围小的特点,提出一种基于TOA/RSS/INS的序贯扩展卡尔曼滤波算法,通过引入自适应因子,为短程定位信息提供TOA/RSS两路定位冗余的同时,在长程TOA定位失效时仍可利用RSS定位来抑制惯性导航的发散。实验结果表明,该算法在近程可由RSS/TOA提供冗余测距信息,通过自适应因子可将定位精度改善至2m;在长程,尤其TOA定位失效的范围外,同样可以提供误差约为5m的定位信息。相对于传统扩展卡尔曼滤波,所提出的自适应序贯卡尔曼滤波算法有效提高了定位精度,为解决传统定位受限条件下的基于无人机无线电定位研究提供新的思路。

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。

基于ODTK的卫星精密轨道确定

为快速有效地执行卫星的精密轨道确定任务,引入AGI公司的ODTK(orbit determination tool kit)软件,给出了ODTK软件执行精密轨道确定任务的算法原理和操作步骤,并基于仿真实例分析了轨道确定结果的残差分布和定轨精度.结果表明,ODTK软件能够提供稳定的滤波性能、精密的轨道确定结果和丰富的数据分析图表,可以作为开展卫星精密轨道确定研究的分析工具和验证卫星精密轨道确定算法有效性的参考标准.

序贯Monte Carlo算法仿真结果分析

序贯Monte Carlo方法能够解决很多实际问题。它的系统模型与Kalman滤波算法相比具有更广泛的适用性,所以研究Monte Carlo方法是很有实际意义的。文中对序贯Monte Carlo算法进行性能分析,对这一方法的跟踪能力进行了仿真实验。采用的仿真系统模型是非线性系统模型。仿真实验比较了EKF、SIS、SIR算法的性能。通过对不同算法的仿真结果之间的分析和比较,得出了有意义的结论。这对一些工程问题的解决是有重要意义的。

基于EKF残差的无人机GPS故障诊断方法

针对无人机多传感器融合导航过程传感器故障的问题,提出了一种由惯性导航传感器诊断GPS传感器故障的方法,实现自身传感器之间的故障互诊。在无人机导航对传感器数据进行位姿解算时,针对扩展卡尔曼滤波(EKF)在预测与更新过程中产生的状态残差信息,即惯导与GPS两者解算的位置信息,设计一种改进序贯概率比检验(SPRT)的传感器故障诊断方法,改善了SPRT算法对残差信息突变的灵敏性以及处于多故障情形下的诊断可持续性。数据仿真实验表明:相较于传统方法和其他改进算法,该方法可以快速、准确地检测出故障发生和消失的时间,并可持续诊断故障,极大地提高了无人机飞行安全。