本文關鍵詞：非理想條件下非線性濾波及多傳感器信息融合算法研究

  更多相關文章： 擴展卡爾曼濾波 粒子濾波 非線性濾波 高斯濾波 多傳感器信息融合 模型參數未知 非合作航天器

【摘要】：隨著航天技術的進步及對太空探索的不斷深入,航天器對導航精度的要求越來越高,尤其是空間非合作目標的相對導航問題,一直以來都是航天領域研究的熱點。非線性濾波算法是實現導航精度的基礎,它能夠對導航信息進行準確估計,因此為保障導航系統(tǒng)具有高精度、高穩(wěn)定性及抗干擾能力,需要對適應性更強的非線性濾波算法展開深入研究。由于工程環(huán)境的復雜性,非線性濾波算法在使用過程中經常會存在狀態(tài)時滯、模型參數未知、噪聲非高斯等問題。為解決這些問題,本文提出幾種改進的狀態(tài)估計算法,對系統(tǒng)狀態(tài)進行有效估計。為獲得高精度、高穩(wěn)定性的導航信息,本文同時采用多傳感器信息融合的方式對相應的估計信息進行進一步處理。論文主要研究內容如下:(1)研究了系統(tǒng)具有狀態(tài)時滯情況下的狀態(tài)估計問題,設計了一種改進形式的高斯濾波算法框架,并分別提出了基于無跡變換和三階球徑容積法則的算法框架實現形式。首先,算法通過遞歸運算獲得當前和延遲狀態(tài)的后驗概率密度函數,給出帶有狀態(tài)時滯的時間預測過程和量測更新過程。然后,依據無跡變換和三階球徑容積法則,給出改進高斯濾波算法框架的次優(yōu)實現。經典高斯濾波算法框架是本文所提出的改進算法框架的特例,本文的框架作為一個通用的非線性濾波算法框架,可以通過不同的高斯加權積分計算方式獲取不同的實現形式。(2)研究了系統(tǒng)存在測量模型參數未知和帶有非高斯噪聲情況下的狀態(tài)估計問題,設計了一種改進的聯合估計期望最大化非線性濾波算法,進而對系統(tǒng)狀態(tài)和不確定性的測量模型參數進行聯合估計。在期望步,假設系統(tǒng)已經獲得一組模型參數,基于此組參數的測量模型,通過改進的粒子濾波算法在解決非高斯噪聲問題的同時獲得高精度的狀態(tài)估計信息。在最大化步,基于期望步已獲得的狀態(tài)信息,利用混合高斯模型近似非線性測量方程,通過極大似然估計理論對混合高斯模型中的未知參數進行估計。相比于傳統(tǒng)高斯類非線性濾波算法,該算法能更準確地估計狀態(tài)信息,并適用于模型參數未知的狀態(tài)估計問題。(3)研究了在噪聲特性和互協(xié)方差未知情況下的多傳感器航天器姿態(tài)信息融合估計問題。首先,在每個子系統(tǒng)的狀態(tài)估計中,為了避免采用四元數描述姿態(tài)存在的冗余現象和采用羅德里格參數描述姿態(tài)存在的奇異問題,以誤差四元數和誤差廣義羅德里格參數相互切換的方式,在容積卡爾曼濾波算法框架下,結合當前時刻的觀測信息,得到各子系統(tǒng)在每一時刻的局部估計信息。其次,在此基礎上,為獲得更高精度的狀態(tài)估計信息,提出了一種魯棒的協(xié)方差交叉融合算法。該算法以最小化非線性性能指標為準則求取局部的估計信息權重,再使用協(xié)方差交叉過程獲得各局部估計的融合信息。最后,為了提高多傳感器姿態(tài)信息的融合效率,以矩陣加權線性最小方差為最優(yōu)融合準則,提出了一種快速連續(xù)的協(xié)方差交叉融合策略。該策略將多維優(yōu)化問題轉化為對幾個一維非線性代價函數的優(yōu)化問題,從而減少融合運算時間,得到最優(yōu)融合估計信息。(4)研究了空間非合作航天器的相對導航信息估計問題。首先,對目標和追蹤航天器系統(tǒng)進行運動學建模,采用追蹤航天器配備的捷聯慣導系統(tǒng)和天文導航系統(tǒng)確定追蹤航天器的絕對運動參數,使用光學相機確定目標和追蹤航天器間的相對位置和高低角。其次,針對光學測量模型參數未知的情形,通過所提出的期望最大化濾波算法聯合估計相對導航信息和識別測量模型的未知參數。最后,為提高導航信息的估計精度和系統(tǒng)魯棒性,提出了一種異步多傳感器分布式信息融合算法,通過容積變換將統(tǒng)計線性誤差傳播方式擴展到非線性模型融合過程,以此得到高精度的導航估計信息。
【關鍵詞】：擴展卡爾曼濾波 粒子濾波 非線性濾波 高斯濾波 多傳感器信息融合 模型參數未知 非合作航天器
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：V448.2;TP202
【目錄】：

• 摘要4-6
• Abstract6-15
• 第1章 緒論15-28
• 1.1 課題背景及研究的目的和意義15-16
• 1.1.1 課題來源15
• 1.1.2 課題研究的目的和意義15-16
• 1.2 國內外研究現狀16-26
• 1.2.1 非線性濾波算法16-19
• 1.2.2 狀態(tài)時滯和模型參數未知情況下的狀態(tài)估計算法19-21
• 1.2.3 多傳感器信息融合方法21-24
• 1.2.4 非線性濾波算法在航天器姿態(tài)確定及相對導航中的應用24-26
• 1.3 本文主要研究內容26-28
• 第2章 非線性濾波算法及其精度分析28-55
• 2.1 引言28
• 2.2 貝葉斯最優(yōu)估計28-40
• 2.2.1 非線性高斯濾波算法29-39
• 2.2.2 粒子濾波39-40
• 2.3 非線性濾波算法性能對比分析40-47
• 2.3.1 非線性逼近精度40-47
• 2.3.2 數值穩(wěn)定性47
• 2.4 數值仿真47-54
• 2.5 本章小結54-55
• 第3章 具有狀態(tài)時滯的非線性高斯濾波算法55-69
• 3.1 引言55
• 3.2 問題描述55-56
• 3.3 具有狀態(tài)時滯的改進高斯濾波器設計56-61
• 3.3.1 時間預測57-60
• 3.3.2 量測更新60-61
• 3.4 具有狀態(tài)時滯的高斯濾波算法近似實現61-64
• 3.4.1 基于無跡變換的近似實現62-63
• 3.4.2 基于容積變換的近似實現63-64
• 3.5 數值仿真64-67
• 3.6 本章小結67-69
• 第4章 具有模型參數未知和非高斯噪聲的期望最大化粒子濾波算法69-89
• 4.1 引言69-70
• 4.2 問題描述70-72
• 4.3 容積正規(guī)化粒子濾波72-76
• 4.3.1 正規(guī)化粒子濾波72-74
• 4.3.2 容積正規(guī)化粒子濾波算法的實現74-76
• 4.4 考慮模型參數未知的期望最大化粒子濾波算法76-82
• 4.4.1 E-步：采用粒子濾波的狀態(tài)估計76-79
• 4.4.2 M-步：模型未知參數識別79-82
• 4.5 數值仿真82-87
• 4.6 本章小結87-89
• 第5章 具有相關性未知的多傳感器信息融合估計算法89-110
• 5.1 引言89-90
• 5.2 問題描述90
• 5.3 基于誤差四元數的容積卡爾曼濾波估計90-94
• 5.3.1 姿態(tài)運動學模型和矢量觀測模型91-92
• 5.3.2 基于誤差四元數的容積卡爾曼濾波姿態(tài)估計算法92-94
• 5.4 基于誤差四元數容積卡爾曼濾波的協(xié)方差交叉融合姿態(tài)估計算法94-98
• 5.4.1 魯棒協(xié)方差交叉融合算法95
• 5.4.2 考慮噪聲不確定的協(xié)方差交叉融合95-98
• 5.5 連續(xù)協(xié)方差交叉融合估計器98-102
• 5.5.1 連續(xù)協(xié)方差交叉融合算法98-99
• 5.5.2 連續(xù)協(xié)方差交叉融合的精度分析99-102
• 5.6 數值仿真102-109
• 5.7 本章小結109-110
• 第6章 非合作航天器相對導航及分布式異步多傳感器信息融合算法110-129
• 6.1 引言110-111
• 6.2 數學模型111-116
• 6.2.1 坐標系定義111-112
• 6.2.2 姿態(tài)和軌道運動學模型112-113
• 6.2.3 目標航天器的角速度模型113-115
• 6.2.4 傳感器測量模型115-116
• 6.3 融合問題描述116-117
• 6.4 融合算法117-122
• 6.4.1 線性模型分布式融合117-119
• 6.4.2 非線性模型分布式融合119-122
• 6.5 數值仿真122-126
• 6.6 本章小結126-129
• 結論129-131
• 參考文獻131-143
• 攻讀博士學位期間發(fā)表的論文及其它成果143-146
• 致謝146-147
• 個人簡歷147

【相似文獻】

中國期刊全文數據庫 前10條

1 張麗芳;;3種聚類算法性能比較分析[J];長江大學學報(自然科學版)理工卷;2009年02期

2 張宏哲;;FFT算法的一種改進[J];長安大學學報(自然科學版);1988年01期

3 江少鋒,楊素華;一種簡單高效的圖象縮小算法[J];南昌航空工業(yè)學院學報(自然科學版);2003年04期

4 蔡濤,王潤生;分開合并算法的若干討論和改進[J];國防科技大學學報;2000年04期

5 樊祥;方義強;程正東;朱斌;施展;;基于AHP的跟蹤算法性能評價研究[J];彈箭與制導學報;2013年02期

6 秦緒紅;趙杰;程俊廷;;手持式三維激光掃描儀定位算法的研究[J];科學技術與工程;2013年23期

7 武志昊;林友芳;田盛豐;唐銳;;高度重疊社區(qū)的社區(qū)合并優(yōu)化算法[J];北京交通大學學報;2011年03期

8 唐偉;;基于軟件實現的誤差算法自動分析處理[J];硅谷;2012年16期

9 范曉平;;最小生成樹(MST)的“分級選樹”算法[J];西南交通大學學報;1983年01期

10 陳廣江;用MUSIC算法處理非均勻間隔采樣數據[J];系統(tǒng)工程與電子技術;1998年09期

中國重要會議論文全文數據庫 前10條

1 尹冀鋒;;一種新的圖象自適應增強算法[A];四川省通信學會一九九二年學術年會論文集[C];1992年

2 寧春平;田家瑋;郭延輝;王影;張英濤;鄭桂霞;劉研;;計算機輔助增強、分割算法在鑒別乳腺良、惡性腫塊中的應用價值[A];中華醫(yī)學會第十次全國超聲醫(yī)學學術會議論文匯編[C];2009年

3 謝麗聰;;SVB查詢改寫算法的改進[A];第二十一屆中國數據庫學術會議論文集（研究報告篇）[C];2004年

4 鄭存紅;;復雜背景下相關跟蹤算法研究及DSP實現[A];中國光學學會2010年光學大會論文集[C];2010年

5 楊文杰;吳軍;;RFID抗沖突算法研究[A];2008通信理論與技術新進展——第十三屆全國青年通信學術會議論文集（上）[C];2008年

6 高山;畢篤彥;魏娜;;一種基于UPF的小目標TBD算法[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

7 周磊;張衛(wèi)華;王曉奇;張軍;;基于流水算法的智能路障機器人設計[A];2011年全國電子信息技術與應用學術會議論文集[C];2011年

8 潘巍;李戰(zhàn)懷;陳群;索博;李衛(wèi)榜;;面向MapReduce的非對稱分片復制連接算法優(yōu)化技術研究[A];第29屆中國數據庫學術會議論文集（B輯）（NDBC2012）[C];2012年

9 李偉偉;蔡康穎;鄭新;王文成;;3D模型中重復結構的多尺度快速檢測算法[A];第六屆和諧人機環(huán)境聯合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

10 楊任爾;陳懇;勵金祥;;基于棱邊方向檢測的運動自適應去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

中國重要報紙全文數據庫 前1條

1 國泰君安資產管理部;“算法交易”是道指暴跌罪魁禍首?[N];上海證券報;2010年

中國博士學位論文全文數據庫 前10條

1 馮輝;網絡化的并行與分布式優(yōu)化算法研究及應用[D];復旦大學;2013年

2 許玉杰;云計算環(huán)境下海量數據的并行聚類算法研究[D];大連海事大學;2014年

3 李琰;基于貓群算法的高光譜遙感森林類型識別研究[D];東北林業(yè)大學;2015年

4 陳加順;海洋環(huán)境下聚類算法的研究[D];南京航空航天大學;2014年

5 王洋;基于群體智能的通信網絡告警關聯規(guī)則挖掘算法研究[D];太原理工大學;2015年

6 雷雨;面向考試時間表問題的啟發(fā)式進化算法研究[D];西安電子科技大學;2015年

7 熊霖;大數據下的數據選擇與學習算法研究[D];西安電子科技大學;2015年

8 周雷;基于圖結構的目標檢測與分割算法研究[D];上海交通大學;2014年

9 王冰;人工蜂群算法的改進及相關應用的研究[D];北京理工大學;2015年

10 蔣亦樟;多視角和遷移學習識別方法和智能建模研究[D];江南大學;2015年

中國碩士學位論文全文數據庫 前10條

1 姚鑫宇;EMD去噪與MUSIC算法在DOA估計中的聯合應用[D];昆明理工大學;2015年

2 陸進;面向含噪數據聚類相關算法的研究[D];復旦大學;2014年

3 李家昌;基于能量約束的超聲圖像自動分割算法[D];華南理工大學;2015年

4 陳堅;基于密度和約束的數據流聚類算法研究[D];蘭州大學;2015年

5 高健;基于Zynq7000平臺的去霧算法研究及實現[D];南京理工大學;2015年

6 顧磊;基于Hadoop的聚類算法的數據優(yōu)化及其應用研究[D];南京信息工程大學;2015年

7 楊燕霞;基于Hadoop平臺的并行關聯規(guī)則挖掘算法研究[D];四川師范大學;2015年

8 王羽;基于MapReduce的社區(qū)發(fā)現算法的設計與實現[D];南京理工大學;2015年

9 許振佳;流式數據的并行聚類算法研究[D];曲阜師范大學;2015年

10 董琴;人工蜂群算法的改進與應用[D];大連海事大學;2015年

，

本文編號：686716