共查询到18条相似文献，搜索用时 890 毫秒
1.
常规GPS/INS紧组合抗差自适应滤波只适用于卫星数≥4的情况,且预测残差构造自适应因子要求观测值可靠。针对该局限性,对常规抗差自适应滤波算法做出两点改进:1)采用两步滤波,用第1步常规EKF滤波残差构造第二步抗差算法的粗差判别量;2)在第2步滤波用预测残差构造自适应因子时,剔除异常观测值对应的预测残差和预测残差协方差,以削弱观测异常对自适应因子的不良影响。实验结果表明,常规抗差算法在卫星数4时不适用。常规自适应滤波算法在观测值存在异常的情况下无法正确修正模型异常。改进后的抗差自适应滤波算法在组合系统观测卫星数4且观测值存在异常的情况下,仍能正确修正观测粗差和动力学模型异常,能够达到良好的导航精度。 相似文献
2.
3.
自适应抗差滤波理论及应用的主要进展 总被引：17，自引：0，他引：17
近十年来,中国学者建立了一种用于动态导航定位的新自适应抗差滤波理论,该理论应用抗差估计原理抵制观测异常误差的影响,构造自适应因子控制动力学模型误差的影响。本文旨在归纳、总结自适应抗差滤波理论与应用的主要进展。首先介绍自适应抗差滤波的原理;随后给出四种自适应因子模型,包括三段函数模型、两段函数模型、指数函数模型以及选权函数模型;陈列了4种误差学习统计量,包括状态不符值统计量、预测残差统计量、方差分量比统计量以及速度统计量;将新的自适应抗差滤波理论与标准Kalman滤波以及其他自适应滤波理论进行了比较与分析;最后利用两个实际算例展示了自适应抗差滤波在导航中的成功应用。 相似文献
4.
针对组合导航观测个数少、采用单因子自适应滤波会损失间接可测参数精度的问题,利用预测残差和选权滤波思想构造了分类自适应因子。实测算例计算结果表明,该算法不仅能够很好地控制状态扰动异常影响,而且还能避免损失间接可测参数的精度,进一步提高了导航精度。 相似文献
5.
Kalman滤波异常误差检测 总被引：5，自引：0，他引：5
为检测动态导航观测异常和动态模型异常误差，本文利用状态方程预测残差二次型构造了整体误差检验法，即观测误差和动力学模型误差整体检验法；讨论了三种观测异常检测法，即以模型为基准的观测异常检验，以当前历元可靠观测为基准的异常检验，以状态Kalman滤波估值为基础的观测异常检验；分析了三种动力模型异常检测法，即状态不符值检验法，以状态参数Kalman滤波估值为基础的动力模型误差检验法，以可靠观测为基础的动力模型误差整体检验法。并对这几种异常检测法进行了简单分析。 相似文献
6.
针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法。给出了由预测残差确定自适应因子的过程。利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高。 相似文献
7.
GPS／DR组合导航自适应Kalman滤波算法 总被引：2，自引：0，他引：2
针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法.给出了由预测残差确定自适应因子的过程.利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高. 相似文献
8.
GPS/INS组合导航非线性系统最优估计算法中,基于统计信息和假设检验理论的多渐消因子自适应滤波算法的应用前提条件是残差向量为高斯白噪声。本文针对观测异常会影响残差向量的数字特性分布,提出了一种神经网络辅助的多重渐消因子自适应SVD-UKF算法。该算法采用神经网络算法削弱观测异常对残差序列高斯白噪声分布特性的影响,利用奇异值分解抑制UKF中先验协方差矩阵负定性变化,同时构造多重渐消因子对预测状态协方差阵进行调整,使得不同的滤波通道具有不同的调节能力,高效地应用于多变量复杂系统。最后利用车载实测数据进行了验证。结果表明,神经网络算法极大削弱了观测粗差对残差序列高斯白噪声分布特性的影响,拓展了多重渐消因子的应用范围,使其能在观测值含有粗差的条件下自适应调节不同滤波通道,消除滤波状态中的异常,提高组合导航解的精度和可靠性。 相似文献
9.
支持向量回归辅助的GPS/INS组合导航抗差自适应算法 总被引：1，自引：0，他引：1
卡尔曼滤波残差分量受到观测信息误差和动力学模型误差的双重影响,由于GPS/INS松耦合导航系统中观测值个数少于状态参数个数,导致异常检测时难以正确区分误差来源,提出一种支持向量回归辅助的组合导航抗差自适应算法。该算法克服了组合系统观测信息无冗余情况下异常检测的局限性,基于遗传算法参数寻优构建回归模型,预测次优观测值,结合整体异常检验法自主选择抗差或自适应滤波,进而调整观测值或动力学模型对导航解的贡献,进行导航预报。最后利用车载实测数据进行验证,结果表明：该算法能够对存在的异常故障智能判定,减弱观测值异常和动力学模型误差影响,保证组合导航精度,提高导航解可靠性。 相似文献
10.
Kalman滤波时间尺度算法是一种实时的原子钟状态估计方法,在守时实验室具有重要实用价值。由于原子钟状态模型误差估计存在偏差,Kalman滤波时间尺度算法中状态估计可能出现相应异常扰动,应当对状态模型误差进行实时控制。对此,引入基于渐消因子的改进Kalman滤波时间尺度算法。对状态预测协方差矩阵引入渐消因子,利用统计量实时计算渐消因子的量值,控制状态预测协方差阵的增长,降低了原子钟状态估计的扰动。实验结果表明,相比于标准Kalman滤波时间尺度算法和基于预测残差构造自适应因子的Kalman滤波算法,基于渐消因子的改进Kalman滤波时间尺度算法能够提高原子钟状态估计的准确度,改进时间尺度的稳定度。 相似文献
11.
YANG Yuanxi GAO Weiguang 《地球空间信息科学学报》2005,8(3):201-204
IntroductionMulti-sensor combinationis a main tendencyinnavigation and positioning. The measurementsof the multi-sensors usually have different typesof systematic errors . The integrated navigationsystem can provide redundant information toweaken the influences of the systematic errorsand to detect the measurement outliers and thedisturbances of the kinematic model . As a re-sult ,the whole accuracy and reliability of navi-gation and positioning will be i mproved.In the application of multi-s… 相似文献
12.
导航解算中的系统误差及其协方差矩阵拟合 总被引：17，自引：2，他引：17
利用Kslman滤波进行导航定位计算不得不涉及观测函数模型和动力学模型,而观测函数模型和动力学模型经常含有系统误差或区域性系统误差.本文提出了一种基于移动窗口的函数模型和随机模型系统误差自适应拟合法.基于相同的窗口给出了相应的观测向量和状态预测向量的协方差矩阵估计方法,其协方差矩阵的估计与现有的Sage滤波不同.利用经系统误差修正后的观测向量和状态预测向量及相应的协方差矩阵,再进行动态导航滤波计算,能有效提高导航解的精度.文中给出了开窗估计系统误差的公式,并利用实测数据验证了该算法的可行性和实用性.计算结果表明该算法能有效地抵制系统误差对导航滤波结果的影响. 相似文献
13.
Adaptive fitting of systematic errors in navigation 总被引：4，自引：0，他引：4
To use Kalman filtering for kinematic positioning and navigation, we have to deal with both observational and kinematic models. Both of the functional models may contain global or local systematic errors. The influence functions of the systematic errors on the estimates of kinematic states are derived. An adaptive fitting method for systematic errors of the observations and kinematic model errors is presented. The systematic errors are fitted with a mean or a weighted mean by using the residuals of observations and residuals of predicted states within a chosen time window. The covariance matrices of the modified observations and the predicted states are estimated within the same window. The estimation formulae and calculation strategy, as well as a real example, are given. It is shown by theory and calculations that Kalman filtering based on the adaptive fittings of the systematic errors and covariance matrices can, to some degree, resist the influences of systematic errors on the estimated states of navigation. 相似文献
14.
Information on trajectory and attitude is essential for analyzing gravimetric data collected on kinematic platforms. Usually, a Kalman filter is used to obtain high-accuracy positional and velocity information. However, this can be affected by measurement outliers and by state disturbances that occur frequently under a fast-changing environment. To overcome these problems, a robust adaptive Kalman filtering algorithm is applied for state estimates, which introduces an equivalent weight to resist measurement outliers and an optimal adaptive factor to balance the contributions of the kinematic model information and the measurements. In addition to the conventional robust estimator, an improved Current Statistical (CS) model is proposed. The improved CS model adopts a variance adaptive learning algorithm, and it can perform self-adaptation of acceleration variance with the innovation information; thus, it can overcome the shortcoming of lower tracking accuracy and avoid setting the maximum acceleration. Following a gravimetry campaign on the Baltic Sea, it is shown in theory and in practice that the robust adaptive Kalman filter is not only simple in its calculation but also more reliable in controlling the colored observation noise and kinematic state disturbance compared with the classical Kalman filter. The improved CS model performs best, especially when analyzing the positioning errors at the turns due to the target maneuvering. Compared to the CS model, the RMS values of the positional estimates derived from the improved CS model decrease by almost 30% in the horizontal direction, and no significant improvement in the vertical direction is found. 相似文献
15.
神经网络辅助的GPS/INS组合导航自适应滤波算法 总被引：11，自引：2，他引：9
首先利用预报残差构造的最优自适应因子设计GPS/INS组合导航自适应滤波器。并针对BP神经网络存在的训练速度慢、容易陷入局部极小等问题,给出网络的改进算法。利用神经网络对自适应滤波器状态方程的预报值进行在线修正,给出神经网络辅助的GPS/INS组合导航自适应滤波算法。最后,利用实测数据进行验证。结果表明,改进的神经网络算法明显提高网络收敛速度;两种自适应滤波算法相对标准组合导航算法都能够可靠地反映载体运动轨迹;神经网络辅助的GPS/INS组合导航自适应滤波算法相对GPS/INS组合导航自适应滤波算法在精度和可靠性方面又有明显提高。 相似文献
16.
推导了精密单点定位含有粗差观测数据的M-LS滤波原理,对等价权阵采用三段降权函数实现抗差。从新息和残差的协方差关系出发,利用对粗差敏感的残差标准差作为抗差因子。通过迭代减弱卫星间载波残差及其抗差因子的相关性。针对载波和伪距观测值不等观测精度和不相关性,采用双抗差因子实现静态抗差卡尔曼滤波（robust Kalman filtering,RKF）。采用标准卡尔曼滤波、基于新息RKF、基于残差的增益矩阵双抗差因子RKF、基于残差的等价权阵双抗差因子RKF等4种模型,分别对一组实测数据解算分析。结果表明,基于新息RKF对精度较高的载波粗差不敏感;基于残差的增益矩阵RKF对载波较小的粗差抗差效果较差,且发生粗差历元时刻的状态参数与真值偏差较大;而基于残差构造的等价权阵双抗差因子RKF可以非常精确和高效地实现抗差,单个卫星粗差对测站位置参数影响小于1 mm。 相似文献
17.
一种Kalman滤波系统误差及其协方差矩阵的半参数估计方法 总被引：1，自引：0，他引：1
提出用半参数估计理论来解决系统误差对Kalman滤波解的影响问题。即用半参数模型中的非参数分量表达观测模型和动力学模型中未知的系统误差,在移动的窗口内,基于观测残差和状态向量预测残差拟合模型系统误差,进而修正相应的观测向量和状态预测向量的协方差矩阵,以消除系统误差对滤波的影响。同时这种方法还有明显的优点,就是在滤波过程中不需要对系统误差做任何假设。文中推导了基于正则核估计来解算导航系统半参数模型的相应公式,并根据一个模拟的算例,证明了算法的有效性。 相似文献
18.
An Optimal Adaptive Kalman Filter 总被引：34，自引：0，他引：34
In a robustly adaptive Kalman filter, the key problem is to construct an adaptive factor to balance the contributions of the kinematic model information and the measurements on the state vector estimates, and the corresponding learning statistic for identifying the kinematic model biases. What we pursue in this paper are some optimal adaptive factors under the particular conditions that the state vector can or cannot be estimated by measurements. Two optimal adaptive factors are derived, one of which is deduced by requiring that the estimated covariance matrix of the predicted residual vector equals the corresponding theoretical one. The other is obtained by requiring that the estimated covariance matrix of the predicted state vector equals its theoretical one. The two related optimal adaptive factors are given. These are analyzed and compared in theory and in an actual example. This shows, through the actual computations, that the filtering results obtained by optimal adaptive factors are superior to those obtained by adaptive factors based on experience. 相似文献