简介：以SINSiGPS组合导航系统为背景，在对Kalman滤波原理和工程应用进行深入分析的基础上，总结了该方法的不足，提出了应用神经网络和模糊推理技术对系统噪声、观测噪声和其相关阵进行直接调控的方法。该方法根据新息和新息方差的变化，实时调整自适应因子，间接改变Kalman滤波器的当前观测量和过去信息的比例关系。仿真结果表明，该算法对模型和噪声干扰有较强的自适应性，能够有效抑制滤波发散，在不损失原有精度的前提下，提高了系统的鲁棒性。

简介：

简介：为了提高捷联惯导系统的对准精度和收敛速度，提出了一种基于Sage-Husa自适应滤波算法的初始对准方法。针对方位小失准角的情况，推导出精对准误差模型和自适应Kalman滤波方程。常规Kalman滤波算法，在噪声统计特性已知的情况下，使用比较方便；多数情况下，噪声统计特性是处于未知状态，从而引入自适应Kalman滤波算法。它利用观测到的数据自动进行噪声统计特性的在线估计和修正，使系统达到最佳的滤波效果。通过仿真验证，该自适应滤波算法有效地提高了收敛速度和对准精度。

简介：针对传统基于g信息的粗对准的捷联惯导系统中,受传感器噪声的影响,存在效视运动无法提取和双向量共线的缺点,提出了一种基于改良Kalman滤波的参数辨识粗对准方法。该方法通过构建视在重力在初始载体系中的映射模型,利用改良Kalman滤波进行模型参数辨识,然后通过识别参数重新构建视在重力在初始载体系中的映射,解决了由于传感器噪声导致有效视运动无法正常提取的缺点。利用识别参数具有随估计次数增多得到优化的特点,构造初始时刻和最终时刻向量,避免双向量共线问题。利用改良Kalman滤波算法的自适应特点,优化参数识别精度与速度。转台实验表明,采用改良Kalman滤波方法航向对准精度为-0.0414°,标准差为0.041°,而传统RLS方法得到的航向精度为-0.0738°,标准差为0.128°。由此可知,本文提出的方法性能更优。

简介：针对Kalman滤波器在捷联惯导系统（SINS）初始对准中的应用，系统分析了Kalman滤波器参数（包括估计误差协方差阵初值P0，模型噪声方差阵Q和量测噪声方差阵R）选取对系统状态变量的估计精度和收敛速度的影响。采用协方差性能分析法，进行了Kalman滤波器参数优化仿真，仿真结果表明：调整扁的取值可改变状态变量估计的收敛速度，调整Q或R的取值，既可改变状态变量（尤其是陀螺误差）的收敛速度又可改变它们的估计精度。综合考虑时，局的取值要比真实值大一些，Q和R的取值要比真实值小一些，这样既可缩短陀螺误差和加速度计偏置误差的估计时间，又可提高它们的估计精度。文中还给出了使滤波器正常可靠工作的P0、Q和R参数的范围。

简介：针对用于快速传递对准的卡尔曼滤波器阶数高，计算量大，滤波更新率低，鲁棒性差及对准精度不高等问题，提出采用联合强跟踪Kalman滤波器进行快速传递对准。文中设计了联合强跟踪Kalman滤波器的结构和算法，同时利用改进的Elman网络进行信息分配系数的自适应调节，以实现融合信息在各子系统中的自适应分配。仿真结果表明，该滤波器不仅提高了解算速度，而且提高了系统鲁棒性和对准精度。

简介：一般的Kalman滤波器要求有准确的动态和统计模型，而低成本的MEMS-IMU性能随着温度急剧变化，故在MEMS-IMU／GPS组合导航系统中使用一般的Kalman滤波器存在很多的局限性。针对低成本的MEMS-IMU／GPS组合导航系统，提出了多模态自适应滤波算法在MEMS-IMU／GPS组合导航系统中的应用；针对普通的多模态算法中的问题，采用修正的多模态自适应滤波算法来提高MEMS-IMU／GPS组合导航系统的性能。使用静态实时测试数据，验证了所提出的算法。测试结果表明，与普通Kalman滤波器相比，修正的多模态滤波算法提高了MEMS-IMU／GPS组合导航系统的性能；采用所提出的算法，MEMS-IMU／GPS组合导航系统的短时间静态位置精度小于5m（标准差），速度精度小于0．1m／s（标准差），姿态角精度小于0．5°（标准差）。

简介：基于Krein空间的鲁棒Kalman滤波器与通过其它方法建立的鲁棒Kalman滤波器相比有较高稳态精度。文中将基于Krein空间的鲁棒Kalman滤波方法用于导弹捷联惯导系统动基座传递对准，并与标准Kalman滤波进行了比较。仿真结果表明，在垂直比力参数存在摄动的情况下，如果基于Krein空间的鲁棒Kalman滤波器的参数选取适当，它的精度鲁棒性优于标准Kalman滤波。