导读:本文包含了联邦滤波论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:卡尔,联邦,组合,信息,自适应,分配,滤波器。
联邦滤波论文文献综述
邵鑫,陈熙源[1]（2019）在《基于自适应联邦滤波的双功能深海潜器模式切换方法》一文中研究指出针对双功能深海潜器在滑翔模式和巡航模式切换时滤波震荡甚至发散的问题,提出了一种改进的基于INS/GPS/电子罗盘的自适应联邦滤波算法。为了得到更优的全局状态估计,设计了基于P范数的信息反馈方法,该方法能够根据各子滤波器的估计精度实时调整反馈系数。最后,将该自适应联邦滤波算法应用到了深海潜器模式切换场景中,并与传统的卡尔曼滤波方法进行了仿真对比,结果表明自适应联邦滤波的位置精度提升了18%,收敛速度提升了25%,实际工程意义重大。(本文来源于《传感技术学报》期刊2019年09期）
张闯,赵修斌,庞春雷,冯波,高超[2]（2019）在《SINS/GNSS/CNS组合导航自适应容错联邦滤波方法》一文中研究指出针对子系统发生缓变故障会影响联邦滤波器精度的问题,分析了信息分配因子对子滤波器精度和鲁棒性、全局估计精度以及故障检测效率的影响.在此基础上,研究了一种自适应容错联邦滤波方案.通过对量测噪声阵进行自适应调节来降低未检测出来的故障信息对故障子滤波器和全局估计精度的影响,进而提升无故障子滤波器的精度和系统重构能力;根据子滤波器故障检测函数值来动态调节信息分配因子,可进一步提升故障检测效率.仿真结果表明,相比于传统的容错联邦滤波,该方法能有效降低故障信息对滤波精度的影响,具有较高的全局估计精度.(本文来源于《控制理论与应用》期刊2019年09期）
万晓帆,吕耀文,刘伟[3]（2019）在《基于联邦滤波算法的组合导航信息融合方法设计》一文中研究指出为了满足飞行器高精度的导航需求,针对于传统的联邦滤波器中信息分配因子不能够实现动态的自适应系统的问题,设计了基于最小二乘加权的混合联邦滤波器,提出混合联邦滤波器中的主滤波器采用最小方差准则,根据最优系数加权的方法对子滤波器的最优估计进行融合,进而主滤波器实现实时、动态的信息分配因子更新,得到全局最优估计值。MATLAB仿真结果表明:相比于传统的联邦滤波器,基于最小二乘加权的混合联邦滤波器的角度误差、速度误差、位置误差均明显降低,且算法稳定、容错性强,对于实际工程具有参考意义。(本文来源于《长春理工大学学报(自然科学版)》期刊2019年03期）
马兴元,李智,王勇军[4]（2019）在《基于权衡因子的联邦滤波信息分配系数研究》一文中研究指出组合导航系统的融合算法普遍采用运行速度快、实时性强、计算量小的联邦滤波算法。针对该算法中当前的信息分配原则无法同时兼顾系统滤波精度及容错性的缺陷,采用了一种基于权衡因子的自适应信息分配方法。通过各子系统的误差协方差及量测噪声方差分别计算出能够提高系统滤波精度和容错性的信息分配系数,将各子系统的故障概率归一化得出该子系统的权衡因子,并在权衡因子的作用下自适应调节上述两种信息分配系数所占的比重,达到同时兼顾系统滤波精度和容错性的目的。仿真结果表明该方法能够减小系统的融合误差,保证系统的工作性能及融合精度。(本文来源于《电子科技》期刊2019年05期）
刘军,田甜[5]（2019）在《基于改进联邦滤波算法的组合导航系统的应用》一文中研究指出针对组合导航系统中联邦滤波信息融合算法在滤波精度和容错性能等方面存在的不足,提出了一种基于以捷联惯导系统(SINS)为公共主系统,全球定位系统(GPS)和多普勒测速系统(DVL)为辅助子系统的改进联邦滤波算法的组合导航系统。介绍了卡尔曼滤波原理与信息融合算法的特点,基于联邦滤波器的组合形式详细阐述了联邦滤波器设计步骤,将改进量测噪声协方差阵的自适应联邦滤波器应用到SINS/GPS/DVL组合导航系统中,并对此系统进行了MATLAB仿真。仿真结果表明,相较于标准联邦滤波器算法,该文设计的基于改进量测噪声协方差阵的自适应联邦滤波器能明显提高组合导航系统的滤波精度和可靠性。(本文来源于《工业仪表与自动化装置》期刊2019年02期）
郜丽敏[6]（2018）在《基于联邦卡尔曼滤波算法的土壤呼吸监测仪多气室融合的研究》一文中研究指出土壤呼吸是陆地生态系统碳循环的一个关键部分,对研究全球变化有非常重要的影响。目前测量土壤碳通量使用最广泛的仪器是LI-8100,但它的测量方法是密闭式测量,并且成本昂贵,只用在单一测量,在测量空间异质性较大的土壤呼吸上有很大的限制性。因此,本文提出了基于联邦卡尔曼算法的多气室融合开放式测量方法。首先对每个气室的碳通量值预处理,然后通过位图法进行离异值检测,排除了11%的干扰值,最后送入融合中心,得到更精确的土壤碳通量值,结果表明:(1)在单个气室中,气室大小对碳通量的测量值影响较大,增加了测量的不确定性。而多气室增加了有效信息量,提高了土壤监测仪测量的稳定性。(2)进行数据融合前,采用分位图法检测测量值。能降低个别离异值对融合的影响,提高后续融合精度。(3)在土壤呼吸估算中,重置式联邦卡尔曼滤波结构能融合多气室的测量值,降低了单个气室测量值对整个系统的影响,提高了土壤呼吸估算的可靠性。因此,利用本文提出的方法能够提高监测土壤呼吸的精确度,并且能够节约大量的成本,为监测土壤呼吸提供了一套新的方法,对于研究土壤呼吸具有重大意义。(本文来源于《浙江农林大学》期刊2018-12-20）
王峰[7]（2018）在《基于联邦卡尔曼滤波的车载组合导航算法研究》一文中研究指出车载导航系统(VNS)可以提供用于汽车行驶的多种导航参数,目前被广泛运用于无人驾驶、车载导航仪、机器人导航等民用以及军用领域中,由于互联网与物联网的快速发展,汽车导航系统将在未来会发挥越来越重要的作用。目前,精度和可靠性为车载组合导航系统重要的性能指标,而在车载导航系统中,捷联惯性导航系统、全球定位系统与里程计是常用的导航传感器,如何将它们进行有效的多传感器组合并改善传统的滤波算法以提高系统的抗干扰能力和高精度导航参数输出能力是本文重点研究的内容。本文围绕传感器的原理与误差分析、多传感器滤波结构的选取、信息分配系数的设计以及级联自适应鲁棒联邦滤波算法的构造等展开研究分析,研究内容为以下几点:首先,介绍了捷联惯性导航系统、全球导航定位系统与车载里程计的工作过程,对它们的误差进行数学建模,同时对比了这叁种传感器在实际应用中的优点和缺点,从理论层面上阐述叁种传感器单独使用的弊端以及进行组合的必要性。其次,介绍了标准卡尔曼滤波的应用背景、数学公式以及算法流程;当多个传感器组合使用时,介绍了集中式滤波和联邦式滤波两种滤波方式,比较了二者的优势与弊端;对基于联邦滤波结构的车载导航系统进行建模,从提高精度角度出发,结合状态协方差矩阵与可观测矩阵的特性,设计了一种联邦滤波信息最优分配方案,并通过仿真证明了其有效性。然后,针对车载导航系统滤波解算过程中误差模型问题进行了研究,具体包括观测模型异常以及系统状态噪声统计特性不确定的问题。提出一种级联自适应鲁棒联邦滤波算法,根据协方差矩阵的实时在线匹配思想,利用改进的新息自适应滤波方法消除观测模型异常对滤波精度的影响,同时利用简化的Sage-Husa自适应滤波方法解决不确定的系统状态噪声问题,系统噪声的更新也有助于观测异常模型的修正。最后,分别从仿真和跑车实验两个方面对所提出的算法进行验证,结果表明:所提出的级联自适应鲁棒联邦滤波算法可以有效的控制系统模型不确定所带来的影响,使车载导航系统具有更好的鲁棒性和更高的精确性。(本文来源于《哈尔滨工程大学》期刊2018-12-01）
赵明亮,汪立新,秦伟伟[8]（2019）在《自适应联邦卡尔曼滤波的时间配准方法》一文中研究指出针对现有组合导航信息融合时间配准方法存在的算法实时性不高、配准精度不高等缺陷,对组合导航系统时间误差进行了分析,提出了一种基于自适应联邦卡尔曼滤波的重迭分段时间配准算法。通过对传感器量测信息进行重迭分区处理,将不同起始时刻、不同采样频率的量测量统一至同一时刻处理,有效提高了采样率与配准精度。将其应用到SINS/GPS组合导航系统,实验结果表明,该算法能显着减小组合导航系统误差,提升了系统平稳性。(本文来源于《现代防御技术》期刊2019年04期）
汤霞清,孙泽鹏,武萌[9]（2018）在《基于自适应联邦滤波的战车多源导航系统仿真》一文中研究指出为解决高山林立、树荫密闭的战场环境下卫星信号传播受到影响,导致组合导航系统定位精度下降的问题,针对由捷联惯导系统(Strapdown Integrated Navigation System SINS)、全球卫星导航系统(Global Navigation Satellite System GNSS)、里程计(Odometer OD)构成的SINS/GNSS/DR组合导航系统进行研究。采用联邦卡尔曼滤波结构,高效融合惯性测量单元(Inertial Measurement Unit IMU)、GNSS、OD等多个传感器信息,提出了一种基于子滤波器精度的自适应信息融合方法,使每个信息分配因子时刻与所对应子滤波器的滤波精度成正比,以实现自适应容错机制。仿真表明,上述方法有效地改善了整个系统的容错能力,定位精度明显优于经典卡尔曼滤波算法,为战车在复杂地形地貌环境下精确定位提供了有效手段和理论依据。(本文来源于《计算机仿真》期刊2018年09期）
唐娟[10]（2018）在《基于联邦强跟踪卡尔曼滤波的组合导航关键技术研究》一文中研究指出导航定位技术伴随科技发展而产生。传统的导航系统虽然单独使用都能实现定位导航,但是都存在着一些缺陷,如全球定位系统(Global Positioning System,GPS)短时间内定位精度高,然而定位精度易受外界环境干扰;惯性导航系统(Inertial Navigation System,INS)是一种自主式导航系统,然而其定位误差会随着时间累积。为了充分发挥各系统的优势,取长补短,组合导航技术应运而生。常见的组合导航模型是GPS++INS,即用GPS辅助INS消除累积误差,从而实现精确导航定位。而本文提出了一种新的叁传感器组合导航系统,同时利用多普勒计程仪(Doppler Velocity Log,DVL)的速度信息和GPS的位置信息来消除INS误差。这种新的组合导航模型能够解决GPS+INS模型在GPS接收不到信号时无法修正INS误差的问题,同时适用的范围更广,精度更高。另一方面,导航估计算法也是近些年来研究的热点。传统的估计算法有适用于线性模型的卡尔曼滤波(KalmanFilter,KF)算法,适用于非线性模型的扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法,具有鲁棒性能的强Sage-Husa自适应KF算法以及适用于信息融合的联邦卡尔曼滤波(Federated Kalman Filter,FKF)算法等。为了更好的比较各算法的估计性能,本文首先提出了一个新的算法性能指标:残差方差,并基于正交性原理推导验证了该指标的可靠性。其次本文还分别推导了 KF算法的残差方差在叁种非理想条件下包括系统模型不准确、初始值设置有误、状态存在突变的具体表达形式,通过推导比较发现这叁种非理想情况下KF算法的估计性能都不佳。而强跟踪滤波(Strong Tracking Filter,STF)算法由于引入了渐消因子,能够保证残差无论在哪种非理想条件下都能满足正交性原理,即STF算法具有更强的估计性能,估计效果更好。最后本文建立了基于航位推算的单GPS导航仿真模型来验证这两种算法的性能,通过仿真实验可以证明在非理想条件下STF算法的性能优于KF算法性能。基于叁传感器组合导航模型的建立及算法性能的分析,本文提出了一种基于鲁棒自适应联邦强跟踪卡尔曼滤波算法(Robust Adaptive Federated Strong Tracking Kalman Filter,RAFSTKF)的GPS+INS+DVL组合系统来进行高精度导航定位。该算法主要包括两部分:局部滤波和主滤波器信息融合,其能充分利用GPS+INS+DVL各自的观测信息,其中两个局部滤波器均采用STF算法,状态变量都是INS的误差,不同的是观测输入量分别是GPS与INS的位置误差和DVL与INS的速度误差。主滤波器首先采用无权重的最小二乘滤波来得到全局次优估计,即主滤波器的输入量直接融合,其次再采用基于直接融合的加权最小二乘自适应滤波来得到全局最优估计,即主滤波器输入量的自适应融合,其中各局部估计值与一步预测值的权重系数依据其与全局次优估计的差向量的二范数来确定。最后得到的全局最优估计反馈给INS修正其误差,实现精确定位。仿真实验证明本文提出的基于RAFSTKF的GPS+INS+DVL组合导航定位系统精度更高,性能更稳定。(本文来源于《山东大学》期刊2018-05-15）
联邦滤波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对子系统发生缓变故障会影响联邦滤波器精度的问题,分析了信息分配因子对子滤波器精度和鲁棒性、全局估计精度以及故障检测效率的影响.在此基础上,研究了一种自适应容错联邦滤波方案.通过对量测噪声阵进行自适应调节来降低未检测出来的故障信息对故障子滤波器和全局估计精度的影响,进而提升无故障子滤波器的精度和系统重构能力;根据子滤波器故障检测函数值来动态调节信息分配因子,可进一步提升故障检测效率.仿真结果表明,相比于传统的容错联邦滤波,该方法能有效降低故障信息对滤波精度的影响,具有较高的全局估计精度.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
联邦滤波论文参考文献
[1].邵鑫,陈熙源.基于自适应联邦滤波的双功能深海潜器模式切换方法[J].传感技术学报.2019
[2].张闯,赵修斌,庞春雷,冯波,高超.SINS/GNSS/CNS组合导航自适应容错联邦滤波方法[J].控制理论与应用.2019
[3].万晓帆,吕耀文,刘伟.基于联邦滤波算法的组合导航信息融合方法设计[J].长春理工大学学报(自然科学版).2019
[4].马兴元,李智,王勇军.基于权衡因子的联邦滤波信息分配系数研究[J].电子科技.2019
[5].刘军,田甜.基于改进联邦滤波算法的组合导航系统的应用[J].工业仪表与自动化装置.2019
[6].郜丽敏.基于联邦卡尔曼滤波算法的土壤呼吸监测仪多气室融合的研究[D].浙江农林大学.2018
[7].王峰.基于联邦卡尔曼滤波的车载组合导航算法研究[D].哈尔滨工程大学.2018
[8].赵明亮,汪立新,秦伟伟.自适应联邦卡尔曼滤波的时间配准方法[J].现代防御技术.2019
[9].汤霞清,孙泽鹏,武萌.基于自适应联邦滤波的战车多源导航系统仿真[J].计算机仿真.2018
[10].唐娟.基于联邦强跟踪卡尔曼滤波的组合导航关键技术研究[D].山东大学.2018
论文知识图
