本文關(guān)鍵詞：深海AUV多源導(dǎo)航信息融合方法研究

  更多相關(guān)文章： 自主水下航行器 非線性濾波 多模型估計(jì) 組合導(dǎo)航 聯(lián)邦濾波

【摘要】：自主水下航行器(AUV)是開(kāi)發(fā)利用深海資源、調(diào)查深海環(huán)境、利用深�？臻g的關(guān)鍵技術(shù)裝備,而精度高、穩(wěn)定性好的導(dǎo)航定位系統(tǒng)是自主水下航行器安全、可靠地執(zhí)行水下任務(wù)的技術(shù)保障。對(duì)多源導(dǎo)航信息融合方法的研究是提高自主水下航行器導(dǎo)航定位精度以及可靠性的重要手段之一。本文以深海AUV多源導(dǎo)航信息融合方法為主題,研究工作主要圍繞非線性非高斯濾波算法、導(dǎo)航傳感器數(shù)據(jù)降噪方法、多模型狀態(tài)估計(jì)理論以及在水下航行器組合導(dǎo)航系統(tǒng)中的應(yīng)用。論文的主要內(nèi)容如下：1.針對(duì)非線性、非高斯?fàn)顟B(tài)估計(jì)問(wèn)題,研究高斯和確定采樣型濾波算法。推導(dǎo)非線性貝葉斯濾波理論框架,對(duì)高斯確定采樣型濾波算法進(jìn)行分析,并對(duì)利用數(shù)值積分進(jìn)行非線性近似的方法進(jìn)行研究,建立了一種通過(guò)概率密度函數(shù)進(jìn)行采樣點(diǎn)選取的高階無(wú)跡卡爾曼濾波算法,將其與高斯和濾波理論相結(jié)合,提出一種高斯和高階無(wú)跡卡爾曼濾波算法,數(shù)值仿真實(shí)驗(yàn)結(jié)果表明該算法能夠兼顧估計(jì)精度和計(jì)算復(fù)雜度,性能優(yōu)于現(xiàn)有的高斯和濾波器。2.為了解決水下航行器組合導(dǎo)航系統(tǒng)由于外部環(huán)境變化、機(jī)械振動(dòng)以及水聲信號(hào)多徑效應(yīng)等噪聲干擾,研究導(dǎo)航傳感器數(shù)據(jù)降噪方法。分析AUV各導(dǎo)航傳感器的工作原理以及引起測(cè)量誤差的原因,并建立各傳感器的誤差模型；對(duì)基于小波變換和經(jīng)驗(yàn)?zāi)Ｐ头纸獾男盘?hào)降噪方法進(jìn)行研究,將這兩種方法應(yīng)用于水下航行器各傳感器數(shù)據(jù)預(yù)處理中,仿真實(shí)驗(yàn)結(jié)果表明,兩種降噪方法均有助于提升AUV組合導(dǎo)航估計(jì)精度,基于經(jīng)驗(yàn)?zāi)B(tài)分解的降噪方法有較好的自適應(yīng)能力。3.針對(duì)水下航行器組合導(dǎo)航系統(tǒng)噪聲統(tǒng)計(jì)特性不確定的情況,研究基于多模型估計(jì)的組合導(dǎo)航信息融合方法。對(duì)基于多模型估計(jì)理論的狀態(tài)估計(jì)方法進(jìn)行研究,分析交互式多模型算法,利用模型集自適應(yīng)策略中的期望模式修正思想對(duì)其進(jìn)行改進(jìn),提出一種期望模式修正的交互式多模型估計(jì)算法,在SINS/DVL組合導(dǎo)航系統(tǒng)中對(duì)該方法進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明改進(jìn)的方法能夠在適度增加計(jì)算復(fù)雜度的情況下,提升組合導(dǎo)航系統(tǒng)估計(jì)精度及算法穩(wěn)定性。4.針對(duì)交互式多模型算法中模型轉(zhuǎn)移概率更新對(duì)量測(cè)噪聲變化過(guò)于敏感、模型概率計(jì)算容易出現(xiàn)不穩(wěn)定的問(wèn)題,對(duì)模型轉(zhuǎn)換概率自適應(yīng)交互式多模型方法進(jìn)行研究。分析引起模型概率計(jì)算不準(zhǔn)確的因素,對(duì)改進(jìn)的新息交互式多模型算法進(jìn)行研究,提出一種基于貝葉斯網(wǎng)絡(luò)的交互式多模型估計(jì)方法,對(duì)AUV組合導(dǎo)航系統(tǒng)中隱含的因果信息進(jìn)行分析,建立貝葉斯網(wǎng)絡(luò),并通過(guò)SINS/DVL/TAN/MCP組成的AUV組合導(dǎo)航系統(tǒng)進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證,結(jié)果表明提出的算法能夠解決交互式多模型估計(jì)中存在的模型切換滯后問(wèn)題,提高AUV組合導(dǎo)航系統(tǒng)的狀態(tài)估計(jì)精度。5.為了提高水下航行器多源導(dǎo)航信息融合方法的實(shí)時(shí)性、靈活性以及容錯(cuò)能力,對(duì)聯(lián)邦多模型估計(jì)信息融合方法進(jìn)行研究。對(duì)聯(lián)邦濾波器的一般結(jié)構(gòu)、設(shè)計(jì)流程等進(jìn)行分析,將多模型估計(jì)引入到聯(lián)邦濾波器中,建立一種聯(lián)邦多模型估計(jì)算法結(jié)構(gòu),并對(duì)該算法進(jìn)行推導(dǎo)；結(jié)合多源導(dǎo)航傳感器組合導(dǎo)航系統(tǒng),.建立一種適用于水下航行器的信息融合結(jié)構(gòu)；推導(dǎo)以SINS作為參考系統(tǒng)的組合導(dǎo)航系統(tǒng)誤差模型,并設(shè)計(jì)仿真實(shí)驗(yàn),結(jié)果表明由于聯(lián)邦交互式多模型濾波能夠自適應(yīng)的選擇匹配模型進(jìn)行估計(jì),得到的位置誤差均值、標(biāo)準(zhǔn)差均小于普通的聯(lián)邦Kalman濾波算法。設(shè)計(jì)組合導(dǎo)航系統(tǒng)跑車試驗(yàn),利用跑車試驗(yàn)數(shù)據(jù)對(duì)基于多模型的聯(lián)邦濾波算法進(jìn)行半物理仿真實(shí)驗(yàn),結(jié)果表明該算法估計(jì)精度與穩(wěn)定性優(yōu)于傳統(tǒng)的聯(lián)邦Kalman濾波算法。
【關(guān)鍵詞】：自主水下航行器 非線性濾波 多模型估計(jì) 組合導(dǎo)航 聯(lián)邦濾波
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：U675.7;TP202
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 緒論11-30
• 1.1 課題的研究背景與意義11-12
• 1.2 國(guó)內(nèi)外水下航行器發(fā)展現(xiàn)狀12-22
• 1.2.1 美國(guó)自主水下航行器的研究現(xiàn)狀13-16
• 1.2.2 其它國(guó)家自主水下航行器的研究現(xiàn)狀16-20
• 1.2.3 我國(guó)自主水下航行器研究現(xiàn)狀20-22
• 1.3 AUV組合導(dǎo)航系統(tǒng)的發(fā)展現(xiàn)狀22-24
• 1.4 AUV組合導(dǎo)航信息融合方法發(fā)展現(xiàn)狀24-28
• 1.4.1 信息預(yù)處理技術(shù)24-25
• 1.4.2 估計(jì)理論與方法25-26
• 1.4.3 多模型(MM)估計(jì)26-27
• 1.4.4 聯(lián)邦濾波器27-28
• 1.5 論文主要研究?jī)?nèi)容28-30
• 第二章 高斯和確定采樣型濾波算法研究30-51
• 2.1 非線性貝葉斯濾波理論30-32
• 2.2 非線性變換方法32-37
• 2.2.1 泰勒級(jí)數(shù)展開(kāi)非線性變換32-33
• 2.2.2 UT變換33-34
• 2.2.3 其它確定采樣型數(shù)值積分準(zhǔn)則34-37
• 2.3 高階無(wú)味卡爾曼濾波算法37-45
• 2.3.1 高階UT變換37-40
• 2.3.2 高階無(wú)味卡爾曼濾波算法40-41
• 2.3.3 高斯和-高階無(wú)味卡爾曼濾波算法41-45
• 2.4 仿真實(shí)驗(yàn)45-50
• 2.5 本章小結(jié)50-51
• 第三章 AUV多源導(dǎo)航傳感器及信息預(yù)處理51-71
• 3.1 引言51-52
• 3.2 坐標(biāo)系及參數(shù)定義52-54
• 3.2.1 常用坐標(biāo)系52
• 3.2.2 姿態(tài)角定義52-54
• 3.3 AUV組合導(dǎo)航傳感器測(cè)量原理及誤差分析54-62
• 3.3.1 捷聯(lián)慣性導(dǎo)航系統(tǒng)54-56
• 3.3.2 多普勒計(jì)程儀56-59
• 3.3.3 磁航向儀59-60
• 3.3.4 地形輔助導(dǎo)航系統(tǒng)60-61
• 3.3.5 動(dòng)力學(xué)模型輔助導(dǎo)航61-62
• 3.4 傳感器信號(hào)降噪62-66
• 3.4.1 基于小波變換的閾值濾波算法62-63
• 3.4.2 經(jīng)驗(yàn)?zāi)B(tài)分解EMD降噪方法63-66
• 3.5 仿真實(shí)驗(yàn)66-70
• 3.6 本章小結(jié)70-71
• 第四章 多模型估計(jì)AUV組合導(dǎo)航信息融合研究71-87
• 4.1 引言71-72
• 4.2 多模型方法概述72-77
• 4.2.1 混合系統(tǒng)描述72
• 4.2.2 廣義偽貝葉斯估計(jì)方法72-74
• 4.2.3 交互式多模型(IMM)算法74-76
• 4.2.4 變結(jié)構(gòu)多模型估計(jì)VSMM76-77
• 4.3 基于期望模式修正方法的IMM算法77-79
• 4.3.1 期望模式修正方法77-78
• 4.3.2 EMA-IMM算法78-79
• 4.4 SINS/DVL組合導(dǎo)航79-81
• 4.5 仿真實(shí)驗(yàn)81-85
• 4.6 本章小結(jié)85-87
• 第五章 貝葉斯網(wǎng)絡(luò)多模型估計(jì)AUV組合導(dǎo)航研究87-105
• 5.1 引言87
• 5.2 模型概率自適應(yīng)交互式多模型算法87-94
• 5.2.1 影響模型概率的因素分析88-89
• 5.2.2 新息交互式多模型IFIMM算法89-91
• 5.2.3 仿真驗(yàn)證91-94
• 5.3 貝葉斯網(wǎng)絡(luò)交互式多模型算法94-104
• 5.3.1 貝葉斯網(wǎng)絡(luò)94-95
• 5.3.2 BN-IMM算法95-97
• 5.3.3 貝葉斯網(wǎng)絡(luò)AUV組合導(dǎo)航系統(tǒng)97-100
• 5.3.4 仿真實(shí)驗(yàn)100-104
• 5.4 本章小結(jié)104-105
• 第六章 AUV組合導(dǎo)航聯(lián)邦多模型估計(jì)信息融合方法研究105-131
• 6.1 引言105-106
• 6.2 AUV組合導(dǎo)航聯(lián)邦信息融合方法106-116
• 6.2.1 聯(lián)邦濾波器106-108
• 6.2.2 組合導(dǎo)航系統(tǒng)誤差模型108-112
• 6.2.3 仿真實(shí)驗(yàn)112-116
• 6.3 聯(lián)邦多模型估計(jì)信息融合算法116-125
• 6.3.1 聯(lián)邦多模型估計(jì)器結(jié)構(gòu)116-117
• 6.3.2 聯(lián)邦多模型估計(jì)算法117-119
• 6.3.3 AUV組合導(dǎo)航多模型聯(lián)邦信息融合結(jié)構(gòu)119-120
• 6.3.4 仿真實(shí)驗(yàn)120-125
• 6.4 跑車試驗(yàn)數(shù)據(jù)半物理仿真125-130
• 6.5 本章小結(jié)130-131
• 第七章 結(jié)論與展望131-134
• 7.1 工作內(nèi)容總結(jié)131-132
• 7.2 本文創(chuàng)新成果132
• 7.3 下一步工作展望132-134
• 參考文獻(xiàn)134-145
• 攻讀博士學(xué)位期間發(fā)表的論文和取得的科研成果145-146
• 致謝146

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 權(quán)宏偉;彭冬亮;薛安克;;基于本體的信息融合方法[J];艦船電子工程;2010年03期

2 蔣雯;張安;鄧勇;;基于新的證據(jù)沖突表示的信息融合方法研究[J];西北工業(yè)大學(xué)學(xué)報(bào);2010年01期

3 王金根,錢(qián)立志;同控式多模導(dǎo)引頭信息融合方法初探[J];飛航導(dǎo)彈;1997年03期

4 董辛e，

本文編號(hào)：562345