共查询到18条相似文献，搜索用时 109 毫秒
1.
有色噪声作用下的卡尔曼滤波 总被引：2，自引：0，他引：2
利用GPS载波相位三差观测量进行动态定位(或精密导航),就必须研究有色噪声滤波的理论问题.根据需求,推导了动态噪声、观测噪声为有色噪声的线性系统滤波公式,并证明白噪声卡尔曼滤波是有色噪声卡尔曼滤波的特例,或者说有色噪声的卡尔曼滤波是白噪声卡尔曼滤波的推广. 相似文献
2.
根据用GPS载波相位三差观测量进行动态定位或精密导航的需求,推导了动态噪声、观测噪声为有色噪声的抗差卡尔曼滤波公式。白噪声的抗差卡尔曼滤波是有色噪声的抗差卡尔曼滤波的特例,有色噪声的抗差卡尔曼滤波为白噪声的抗差卡尔曼滤波的推广。 相似文献
3.
4.
5.
6.
针对经典Kalman滤波无法直接处理有色噪声的问题,采用多项式长除法将有色观测噪声模型展开成无穷级数,截断取其有限项获得有色噪声的先验信息,然后利用粒子滤波能够处理非高斯噪声的特点对有色观测噪声进行处理.通过一个GPS定位算例,将此新方法与观测扩增方法进行了分析和比较.结果证明,利用该方法能有效地控制有色观测噪声的影响. 相似文献
7.
针对传统超宽带（UWB）室内定位中非线性跟踪问题,基于当前统计（CS）模型和容积卡尔曼滤波（CKF）,本文提出了一种新的定位算法。即采用奇异值分解（SVD）代替标准CKF算法中的Cholesky分解,提高了算法的稳定性,构造了奇异值分解容积卡尔曼滤波器（SCKF）。首先在CS模型的基础上改进了先验参数的函数形式,得到改进的CS模型（MCS）,实现模型参数的自适应调整;然后将MCS模型引入SCKF滤波器,实现滤波算法的自适应调整;最后利用MCS-SCKF算法对UWB定位系统模型进行解算,从而得到移动目标位置。仿真和试验结果表明,该算法优于CS模型-卡尔曼滤波算法（CS-KF）和CS模型-SCKF算法（CS-SCKF）,提高了UWB室内定位的定位精度。 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.
《测绘与空间地理信息》2020,(7)
针对传统Kalman无法应对非线性变形系统中先验模型不准确或时变导致性能降低的问题,在变形监测数据降噪应用中引入基于极大似然准则的自适应Kalman滤波方法。建立观测噪声方差阵自适应估计(Res-R)和系统过程噪声方差阵自适应估计(Scale-Q)的自适应Kalman模型,并在应用中为解决信息序列不准确致使过程噪声Q扰动较大的问题,提出了基于信息序列方差调整因子的改进Scale-Q自适应滤波。工程实例数据分析结果表明,Res-R和改进Scale-Q模型降噪效果均优于传统Kalman滤波模型。 相似文献
10.
全球定位系统/航位推算组合导航定位中,由于目标运动的不确定性,GPS接收机与DR器件接收的数据存在噪声,使预置目标运动模型通常很难得到较高跟踪精度,针对应用常规卡尔曼滤波进行组合导航解算由于噪声统计特性未知而引起滤波不稳定的问题,本文提出了一种基于新息序列的量测计算进行自适应估计的卡尔曼滤波算法。该算法通过对新息方差强度进行极大似然估计,将新息计算引入卡尔曼滤波器的增益计算,达到控制发散的目的。最后对改进的算法与一般卡尔曼滤波算法做了对比仿真试验分析,结果表明了改进算法的有效性。 相似文献
11.
针对建议分布函数的选择问题,系统地分析比较了改进的粒子滤波算法。在此基础上提出了一种新的粒子滤波算法——自适应渐消扩展Kalman粒子滤波方法。该方法用渐消扩展Kalman滤波产生建议分布函数,由于参数的可在线调节性,使得系统具有更好的自适应性和鲁棒性。与用转移先验、扩展Kalman滤波、自适应扩展Kalman滤波、迭代扩展Kalman滤波以及无迹Kalman滤波产生建议分布函数的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度。通过对GPS与航位推算(DR)组合导航系统GPS/DR的试验,验证了该方法的有效性。 相似文献
12.
精确且稳定的自主定位是移动机器人在室内环境下实现自主导航的前提,针对室内定位中视觉即时定位与地图构建(SLAM)存在的累计误差以及环境因素导致超宽带(UWB)定位精度下降的问题,提出一种基于SLAM/UWB的室内融合定位算法. 首先该算法以扩展卡尔曼滤波(EKF)为基础,将UWB的全局定位坐标和视觉SLAM位移增量进行融合,但考虑到测量噪声易受复杂环境影响,引入阈值检测和自适应测量噪声估计器,以抑制异常值和时变测量噪声对滤波器性能的影响,最后使用智能移动小车在不同的室内场地下进行实验. 实验表明:该算法优于单一的UWB或者视觉SLAM定位方式,并且在复杂室内环境下比传统EKF算法拥有更稳定的定位效果. 相似文献
13.
李炎寅 《测绘与空间地理信息》2020,(1):89-92
针对自适应卡尔曼滤波只适用于滤除高斯分布的白噪声,本文提出了融合小波变换和自适应卡尔曼滤波的算法。该算法利用小波变换的多尺度分解,将GPS高频的监测时间序列进行多层分解,重构出新的GPS监测时间序列,将其作为新的自适应卡尔曼滤波初始值,进行滤波处理。将融合算法的滤波结果与单一的自适应卡尔曼滤波结果进行对比分析,结果表明融合算法的滤波效果较为显著。同时,对融合算法滤除的噪声信息进行统计分析,结果表明融合算法滤除的噪声符合正态分布,进一步说明了该融合算法的有效性,为GPS的高频率、高精度的监测提供了技术支持。 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.
针对在星载GPS卫星定轨中由于卫星动力学模型误差和不可避免的观测异常严重影响定轨精度的问题,通过采用适当的自适应控制因子和应用抗差估计原理,构造自适应抗差扩展卡尔曼滤波(RAEKF)来实现星载GPS卫星定轨。实测计算表明,自适应抗差扩展卡尔曼滤波对观测误差和状态扰动有一定的抵制能力,与一般扩展卡尔曼滤波相比提高了精度,证明其理论的可行性。 相似文献
16.
作为光纤陀螺误差的重要组成部分,随机噪声严重影响着光纤陀螺的精度,对光纤陀螺随机噪声进行准确建模和补偿是提升陀螺精度的有效方式。本文针对光纤陀螺随机噪声的复杂性,难以对其进行精确分析,ARIMA （auto-regressive moving average）模型Kalman滤波中有色噪声不能使用状态扩充法建模的问题,扩展了Harvey方程,实现有色噪声白化。同时,考虑先验噪声的不确定性以及模型参数在线更新导致的参数与状态噪声相互耦合,分析了动态Allan方差估计量测噪声的不足,使用VBAKF （variational Bayesian adaptive Kalman filter）实时修正滤波状态噪声与量测噪声。试验表明,Harvey法较传统滤波建模方式,随机噪声序列方差降低40%,Harvey法结合VBAKF使序列方差降低了54%;VBAKF较动态Allan方差,可以更好地估计量测噪声。结果表明,此方法可有效抑制随机噪声Kalman滤波中有色噪声和随机模型不准确的影响,提高随机误差补偿精度。 相似文献
17.
18.
Adaptive estimation of multiple fading factors in Kalman filter for navigation applications 总被引：2，自引：1，他引：1
Kalman filter is the most frequently used algorithm in navigation applications. A conventional Kalman filter (CKF) assumes
that the statistics of the system noise are given. As long as the noise characteristics are correctly known, the filter will
produce optimal estimates for system states. However, the system noise characteristics are not always exactly known, leading
to degradation in filter performance. Under some extreme conditions, incorrectly specified system noise characteristics may
even cause instability and divergence. Many researchers have proposed to introduce a fading factor into the Kalman filtering
to keep the filter stable. Accordingly various adaptive Kalman filters are developed to estimate the fading factor. However,
the estimation of multiple fading factors is a very complicated, and yet still open problem. A new approach to adaptive estimation
of multiple fading factors in the Kalman filter for navigation applications is presented in this paper. The proposed approach
is based on the assumption that, under optimal estimation conditions, the residuals of the Kalman filter are Gaussian white
noises with a zero mean. The fading factors are computed and then applied to the predicted covariance matrix, along with the
statistical evaluation of the filter residuals using a Chi-square test. The approach is tested using both GPS standalone and
integrated GPS/INS navigation systems. The results show that the proposed approach can significantly improve the filter performance
and has the ability to restrain the filtering divergence even when system noise attributes are inaccurate. 相似文献