非理想条件下非线性滤波及多传感器信息融合算法研究

发布时间：2017-08-17 02:24

  本文关键词：非理想条件下非线性滤波及多传感器信息融合算法研究

  更多相关文章： 扩展卡尔曼滤波 粒子滤波 非线性滤波 高斯滤波 多传感器信息融合 模型参数未知 非合作航天器

【摘要】：随着航天技术的进步及对太空探索的不断深入,航天器对导航精度的要求越来越高,尤其是空间非合作目标的相对导航问题,一直以来都是航天领域研究的热点。非线性滤波算法是实现导航精度的基础,它能够对导航信息进行准确估计,因此为保障导航系统具有高精度、高稳定性及抗干扰能力,需要对适应性更强的非线性滤波算法展开深入研究。由于工程环境的复杂性,非线性滤波算法在使用过程中经常会存在状态时滞、模型参数未知、噪声非高斯等问题。为解决这些问题,本文提出几种改进的状态估计算法,对系统状态进行有效估计。为获得高精度、高稳定性的导航信息,本文同时采用多传感器信息融合的方式对相应的估计信息进行进一步处理。论文主要研究内容如下:(1)研究了系统具有状态时滞情况下的状态估计问题,设计了一种改进形式的高斯滤波算法框架,并分别提出了基于无迹变换和三阶球径容积法则的算法框架实现形式。首先,算法通过递归运算获得当前和延迟状态的后验概率密度函数,给出带有状态时滞的时间预测过程和量测更新过程。然后,依据无迹变换和三阶球径容积法则,给出改进高斯滤波算法框架的次优实现。经典高斯滤波算法框架是本文所提出的改进算法框架的特例,本文的框架作为一个通用的非线性滤波算法框架,可以通过不同的高斯加权积分计算方式获取不同的实现形式。(2)研究了系统存在测量模型参数未知和带有非高斯噪声情况下的状态估计问题,设计了一种改进的联合估计期望最大化非线性滤波算法,进而对系统状态和不确定性的测量模型参数进行联合估计。在期望步,假设系统已经获得一组模型参数,基于此组参数的测量模型,通过改进的粒子滤波算法在解决非高斯噪声问题的同时获得高精度的状态估计信息。在最大化步,基于期望步已获得的状态信息,利用混合高斯模型近似非线性测量方程,通过极大似然估计理论对混合高斯模型中的未知参数进行估计。相比于传统高斯类非线性滤波算法,该算法能更准确地估计状态信息,并适用于模型参数未知的状态估计问题。(3)研究了在噪声特性和互协方差未知情况下的多传感器航天器姿态信息融合估计问题。首先,在每个子系统的状态估计中,为了避免采用四元数描述姿态存在的冗余现象和采用罗德里格参数描述姿态存在的奇异问题,以误差四元数和误差广义罗德里格参数相互切换的方式,在容积卡尔曼滤波算法框架下,结合当前时刻的观测信息,得到各子系统在每一时刻的局部估计信息。其次,在此基础上,为获得更高精度的状态估计信息,提出了一种鲁棒的协方差交叉融合算法。该算法以最小化非线性性能指标为准则求取局部的估计信息权重,再使用协方差交叉过程获得各局部估计的融合信息。最后,为了提高多传感器姿态信息的融合效率,以矩阵加权线性最小方差为最优融合准则,提出了一种快速连续的协方差交叉融合策略。该策略将多维优化问题转化为对几个一维非线性代价函数的优化问题,从而减少融合运算时间,得到最优融合估计信息。(4)研究了空间非合作航天器的相对导航信息估计问题。首先,对目标和追踪航天器系统进行运动学建模,采用追踪航天器配备的捷联惯导系统和天文导航系统确定追踪航天器的绝对运动参数,使用光学相机确定目标和追踪航天器间的相对位置和高低角。其次,针对光学测量模型参数未知的情形,通过所提出的期望最大化滤波算法联合估计相对导航信息和识别测量模型的未知参数。最后,为提高导航信息的估计精度和系统鲁棒性,提出了一种异步多传感器分布式信息融合算法,通过容积变换将统计线性误差传播方式扩展到非线性模型融合过程,以此得到高精度的导航估计信息。
【关键词】：扩展卡尔曼滤波 粒子滤波 非线性滤波 高斯滤波 多传感器信息融合 模型参数未知 非合作航天器
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：V448.2;TP202
【目录】：

• 摘要4-6
• Abstract6-15
• 第1章 绪论15-28
• 1.1 课题背景及研究的目的和意义15-16
• 1.1.1 课题来源15
• 1.1.2 课题研究的目的和意义15-16
• 1.2 国内外研究现状16-26
• 1.2.1 非线性滤波算法16-19
• 1.2.2 状态时滞和模型参数未知情况下的状态估计算法19-21
• 1.2.3 多传感器信息融合方法21-24
• 1.2.4 非线性滤波算法在航天器姿态确定及相对导航中的应用24-26
• 1.3 本文主要研究内容26-28
• 第2章 非线性滤波算法及其精度分析28-55
• 2.1 引言28
• 2.2 贝叶斯最优估计28-40
• 2.2.1 非线性高斯滤波算法29-39
• 2.2.2 粒子滤波39-40
• 2.3 非线性滤波算法性能对比分析40-47
• 2.3.1 非线性逼近精度40-47
• 2.3.2 数值稳定性47
• 2.4 数值仿真47-54
• 2.5 本章小结54-55
• 第3章 具有状态时滞的非线性高斯滤波算法55-69
• 3.1 引言55
• 3.2 问题描述55-56
• 3.3 具有状态时滞的改进高斯滤波器设计56-61
• 3.3.1 时间预测57-60
• 3.3.2 量测更新60-61
• 3.4 具有状态时滞的高斯滤波算法近似实现61-64
• 3.4.1 基于无迹变换的近似实现62-63
• 3.4.2 基于容积变换的近似实现63-64
• 3.5 数值仿真64-67
• 3.6 本章小结67-69
• 第4章 具有模型参数未知和非高斯噪声的期望最大化粒子滤波算法69-89
• 4.1 引言69-70
• 4.2 问题描述70-72
• 4.3 容积正规化粒子滤波72-76
• 4.3.1 正规化粒子滤波72-74
• 4.3.2 容积正规化粒子滤波算法的实现74-76
• 4.4 考虑模型参数未知的期望最大化粒子滤波算法76-82
• 4.4.1 E-步：采用粒子滤波的状态估计76-79
• 4.4.2 M-步：模型未知参数识别79-82
• 4.5 数值仿真82-87
• 4.6 本章小结87-89
• 第5章 具有相关性未知的多传感器信息融合估计算法89-110
• 5.1 引言89-90
• 5.2 问题描述90
• 5.3 基于误差四元数的容积卡尔曼滤波估计90-94
• 5.3.1 姿态运动学模型和矢量观测模型91-92
• 5.3.2 基于误差四元数的容积卡尔曼滤波姿态估计算法92-94
• 5.4 基于误差四元数容积卡尔曼滤波的协方差交叉融合姿态估计算法94-98
• 5.4.1 鲁棒协方差交叉融合算法95
• 5.4.2 考虑噪声不确定的协方差交叉融合95-98
• 5.5 连续协方差交叉融合估计器98-102
• 5.5.1 连续协方差交叉融合算法98-99
• 5.5.2 连续协方差交叉融合的精度分析99-102
• 5.6 数值仿真102-109
• 5.7 本章小结109-110
• 第6章 非合作航天器相对导航及分布式异步多传感器信息融合算法110-129
• 6.1 引言110-111
• 6.2 数学模型111-116
• 6.2.1 坐标系定义111-112
• 6.2.2 姿态和轨道运动学模型112-113
• 6.2.3 目标航天器的角速度模型113-115
• 6.2.4 传感器测量模型115-116
• 6.3 融合问题描述116-117
• 6.4 融合算法117-122
• 6.4.1 线性模型分布式融合117-119
• 6.4.2 非线性模型分布式融合119-122
• 6.5 数值仿真122-126
• 6.6 本章小结126-129
• 结论129-131
• 参考文献131-143
• 攻读博士学位期间发表的论文及其它成果143-146
• 致谢146-147
• 个人简历147

【相似文献】

中国期刊全文数据库 前10条

1 张丽芳;;3种聚类算法性能比较分析[J];长江大学学报(自然科学版)理工卷;2009年02期

2 张宏哲;;FFT算法的一种改进[J];长安大学学报(自然科学版);1988年01期

3 江少锋,杨素华;一种简单高效的图象缩小算法[J];南昌航空工业学院学报(自然科学版);2003年04期

4 蔡涛,王润生;分开合并算法的若干讨论和改进[J];国防科技大学学报;2000年04期

5 樊祥;方义强;程正东;朱斌;施展;;基于AHP的跟踪算法性能评价研究[J];弹箭与制导学报;2013年02期

6 秦绪红;赵杰;程俊廷;;手持式三维激光扫描仪定位算法的研究[J];科学技术与工程;2013年23期

7 武志昊;林友芳;田盛丰;唐锐;;高度重叠社区的社区合并优化算法[J];北京交通大学学报;2011年03期

8 唐伟;;基于软件实现的误差算法自动分析处理[J];硅谷;2012年16期

9 范晓平;;最小生成树(MST)的“分级选树”算法[J];西南交通大学学报;1983年01期

10 陈广江;用MUSIC算法处理非均匀间隔采样数据[J];系统工程与电子技术;1998年09期

中国重要会议论文全文数据库 前10条

1 尹冀锋;;一种新的图象自适应增强算法[A];四川省通信学会一九九二年学术年会论文集[C];1992年

2 宁春平;田家玮;郭延辉;王影;张英涛;郑桂霞;刘研;;计算机辅助增强、分割算法在鉴别乳腺良、恶性肿块中的应用价值[A];中华医学会第十次全国超声医学学术会议论文汇编[C];2009年

3 谢丽聪;;SVB查询改写算法的改进[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

4 郑存红;;复杂背景下相关跟踪算法研究及DSP实现[A];中国光学学会2010年光学大会论文集[C];2010年

5 杨文杰;吴军;;RFID抗冲突算法研究[A];2008通信理论与技术新进展——第十三届全国青年通信学术会议论文集（上）[C];2008年

6 高山;毕笃彦;魏娜;;一种基于UPF的小目标TBD算法[A];第十四届全国图象图形学学术会议论文集[C];2008年

7 周磊;张卫华;王晓奇;张军;;基于流水算法的智能路障机器人设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

8 潘巍;李战怀;陈群;索博;李卫榜;;面向MapReduce的非对称分片复制连接算法优化技术研究[A];第29届中国数据库学术会议论文集（B辑）（NDBC2012）[C];2012年

9 李伟伟;蔡康颖;郑新;王文成;;3D模型中重复结构的多尺度快速检测算法[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

10 杨任尔;陈恳;励金祥;;基于棱边方向检测的运动自适应去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

中国重要报纸全文数据库 前1条

1 国泰君安资产管理部;“算法交易”是道指暴跌罪魁祸首?[N];上海证券报;2010年

中国博士学位论文全文数据库 前10条

1 冯辉;网络化的并行与分布式优化算法研究及应用[D];复旦大学;2013年

2 许玉杰;云计算环境下海量数据的并行聚类算法研究[D];大连海事大学;2014年

3 李琰;基于猫群算法的高光谱遥感森林类型识别研究[D];东北林业大学;2015年

4 陈加顺;海洋环境下聚类算法的研究[D];南京航空航天大学;2014年

5 王洋;基于群体智能的通信网络告警关联规则挖掘算法研究[D];太原理工大学;2015年

6 雷雨;面向考试时间表问题的启发式进化算法研究[D];西安电子科技大学;2015年

7 熊霖;大数据下的数据选择与学习算法研究[D];西安电子科技大学;2015年

8 周雷;基于图结构的目标检测与分割算法研究[D];上海交通大学;2014年

9 王冰;人工蜂群算法的改进及相关应用的研究[D];北京理工大学;2015年

10 蒋亦樟;多视角和迁移学习识别方法和智能建模研究[D];江南大学;2015年

中国硕士学位论文全文数据库 前10条

1 姚鑫宇;EMD去噪与MUSIC算法在DOA估计中的联合应用[D];昆明理工大学;2015年

2 陆进;面向含噪数据聚类相关算法的研究[D];复旦大学;2014年

3 李家昌;基于能量约束的超声图像自动分割算法[D];华南理工大学;2015年

4 陈坚;基于密度和约束的数据流聚类算法研究[D];兰州大学;2015年

5 高健;基于Zynq7000平台的去雾算法研究及实现[D];南京理工大学;2015年

6 顾磊;基于Hadoop的聚类算法的数据优化及其应用研究[D];南京信息工程大学;2015年

7 杨燕霞;基于Hadoop平台的并行关联规则挖掘算法研究[D];四川师范大学;2015年

8 王羽;基于MapReduce的社区发现算法的设计与实现[D];南京理工大学;2015年

9 许振佳;流式数据的并行聚类算法研究[D];曲阜师范大学;2015年

10 董琴;人工蜂群算法的改进与应用[D];大连海事大学;2015年

，

本文编号：686716