基于UT变换的非线性高斯滤波及其在组合导航中的应用
发布时间：2021-11-04 01:39
随着计算机技术的飞速发展,非线性系统的理论与技术得到快速发展,并已广泛应用于工程实际中。非线性滤波技术就是对非线性随机系统状态的最优估计,该技术在组合导航、目标跟踪和自动控制等众多军事和民用领域得到了广泛的应用,并已成为这些领域学者研究和关注的热点。由于实际应用中工程系统的非线性特征和应用环境的复杂性,在利用非线性滤波方法进行计算时,经常会受到系统噪声统计未知、参数突变、瞬时干扰等系统模型不确定性的影响,可能出现估计精度下降、甚至滤波发散的状况。针对上述问题,本文在研究UKF理论和方法的基础上,对现有的UKF算法进行优化和改进,提出了一种基于极大似然准则与滚动时域估计的自适应UKF算法（MMAUKF）、一种改进的MMAUKF算法以及一种基于交互多模型估计的自适应抗差UKF算法,增强了非线性系统状态估计的自适应能力和鲁棒性。在此基础上,对所提出的算法进一步扩展,设计了一种基于UKF改进算法的多传感器最优数据融合方法,提高了多传感器非线性系统的数据融合精度。论文的主要研究工作和创新性贡献如下:（1）针对经典UKF在系统噪声统计存在不确定性时,滤波精度下降、甚至发散的问题,提出了一种MMAU...
【文章来源】：西北工业大学陕西省 211工程院校 985工程院校
【文章页数】：162 页
【学位级别】：博士
【部分图文】：
经典UKF、MAUKF和提出的MMAUKF算法在INS/GNSS组合导航
计算机(Core i7 4790 CPU，主频 3.6-GHz，内存 2GB)中的 Matlab 软件平台。经典 UKF、MMAUKF 和设计的 RMMAUKF 算法分别在两种情形下完成一次仿真的平均计算耗时和相对于经典 UKF 的计算效率如图 4-6 和图 4-7 所示。在情形 1 中，经典 UKF 进行状态估计所需的计算耗时最短，完成一次仿真的平均计算耗时为 0.0302s，这是由于经典 UKF 中不涉及复杂的噪声统计计算过程；而 MMAUKF 由于采用计算复杂且收敛速度慢的序列二次规划方法直接优化求解系统噪声统计估计值，因而所需的计算耗时最长，其完成一次仿真的平均计算耗时为 0.2035s，约为经典 UKF 的 6.7 倍；本章设计的 RMMAUKF 采用最大期望方法求解系统噪声统计估计值，显著改进了MMAUKF 的实时性，其完成一次仿真的平均计算耗时为 0.1248s，仅为 MMAUKF 的61.33%。在情形 2 中，三种算法的计算耗时与情形 1 的对比情况类似。经典 UKF 和MMAUKF 完成一次仿真的平均计算耗时分别为 0.0319s 和 0.1806s，而 RMMAUKF 有效提高了 MMAUKF 的实时性，其完成一次仿真的平均计算耗时为 0.1012s，节省了约43.96%的计算时间。结果表明，本章设计的 RMMAUKF 算法有效提高了 MMAUKF 的计算效率，具有更好的滤波实时性。
(a)计算耗时 (b)相对效率图 4-7 经典 UKF、MMAUKF 和设计的 RMMAUKF 算法完成一次仿真的平均计算耗时和相对效率(情形 2)数值仿真结果表明，设计的 RMMAUKF 算法能够有效抑制系统噪声统计不确定性对 UKF 滤波解算的影响，提高了经典 UKF 的滤波精度，其对噪声统计不确定性的自适应能力与 MMAUKF 相当，且相比于 MMAUKF，RMMAUKF 算法求解系统噪声统计估计值的计算效率更高，因而滤波器的实时性更好。4.4 INS/GNSS 组合导航系统中的应用为了进一步评估本章设计的 RMMAUKF 算法的改进性能，将其应用于 INS/GNSS组合导航系统进行仿真计算和跑车实验验证，并与经典 UKF 和 MMAUKF 进行比较。导航坐标系仍选取为 g 系；INS/GNSS 组合导航系统模型见第三章 3.5.1 节，其中过程模型如式(3.5-5)所示，量测模型如式(3.5-7)所示。
本文编号：3474749
【文章来源】：西北工业大学陕西省 211工程院校 985工程院校
【文章页数】：162 页
【学位级别】：博士
【部分图文】：
经典UKF、MAUKF和提出的MMAUKF算法在INS/GNSS组合导航
计算机(Core i7 4790 CPU，主频 3.6-GHz，内存 2GB)中的 Matlab 软件平台。经典 UKF、MMAUKF 和设计的 RMMAUKF 算法分别在两种情形下完成一次仿真的平均计算耗时和相对于经典 UKF 的计算效率如图 4-6 和图 4-7 所示。在情形 1 中，经典 UKF 进行状态估计所需的计算耗时最短，完成一次仿真的平均计算耗时为 0.0302s，这是由于经典 UKF 中不涉及复杂的噪声统计计算过程；而 MMAUKF 由于采用计算复杂且收敛速度慢的序列二次规划方法直接优化求解系统噪声统计估计值，因而所需的计算耗时最长，其完成一次仿真的平均计算耗时为 0.2035s，约为经典 UKF 的 6.7 倍；本章设计的 RMMAUKF 采用最大期望方法求解系统噪声统计估计值，显著改进了MMAUKF 的实时性，其完成一次仿真的平均计算耗时为 0.1248s，仅为 MMAUKF 的61.33%。在情形 2 中，三种算法的计算耗时与情形 1 的对比情况类似。经典 UKF 和MMAUKF 完成一次仿真的平均计算耗时分别为 0.0319s 和 0.1806s，而 RMMAUKF 有效提高了 MMAUKF 的实时性，其完成一次仿真的平均计算耗时为 0.1012s，节省了约43.96%的计算时间。结果表明，本章设计的 RMMAUKF 算法有效提高了 MMAUKF 的计算效率，具有更好的滤波实时性。
(a)计算耗时 (b)相对效率图 4-7 经典 UKF、MMAUKF 和设计的 RMMAUKF 算法完成一次仿真的平均计算耗时和相对效率(情形 2)数值仿真结果表明，设计的 RMMAUKF 算法能够有效抑制系统噪声统计不确定性对 UKF 滤波解算的影响，提高了经典 UKF 的滤波精度，其对噪声统计不确定性的自适应能力与 MMAUKF 相当，且相比于 MMAUKF，RMMAUKF 算法求解系统噪声统计估计值的计算效率更高，因而滤波器的实时性更好。4.4 INS/GNSS 组合导航系统中的应用为了进一步评估本章设计的 RMMAUKF 算法的改进性能，将其应用于 INS/GNSS组合导航系统进行仿真计算和跑车实验验证，并与经典 UKF 和 MMAUKF 进行比较。导航坐标系仍选取为 g 系；INS/GNSS 组合导航系统模型见第三章 3.5.1 节，其中过程模型如式(3.5-5)所示，量测模型如式(3.5-7)所示。
本文编号：3474749
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3474749.html
