基于信息融合的組合導(dǎo)航系統(tǒng)研究與移動(dòng)信息平臺(tái)設(shè)計(jì).pdf

1、為了能夠適用于更復(fù)雜的運(yùn)行環(huán)境，移動(dòng)信息平臺(tái)不僅要求導(dǎo)航系統(tǒng)能夠提供高精度的導(dǎo)航信息，還要求導(dǎo)航系統(tǒng)具有高度的可靠性、自主性和抗干擾性。任何單一導(dǎo)航系統(tǒng)或簡單組合的導(dǎo)航系統(tǒng)都難以滿足這一要求，因而，基于多傳感器信息融合的智能導(dǎo)航技術(shù)成為高質(zhì)量自主導(dǎo)航系統(tǒng)研究的主要技術(shù)途徑。本文以車載移動(dòng)信息平臺(tái)為應(yīng)用背景，以提高移動(dòng)信息平臺(tái)導(dǎo)航系統(tǒng)定位精度和在復(fù)雜環(huán)境中的適應(yīng)能力為目標(biāo)，建立了多傳感器組合導(dǎo)航結(jié)構(gòu)；同時(shí)，為了實(shí)現(xiàn)對(duì)多源信息的綜合處理，本

2、文以Bayes估計(jì)理論為基礎(chǔ)，對(duì)信息融合算法進(jìn)行了深入的研究。主要研究內(nèi)容歸納如下：
　　系統(tǒng)地研究了Bayes統(tǒng)計(jì)濾波框架下的濾波方法。在卡爾曼濾波過程中采用Bayes極大驗(yàn)后(MAP)估計(jì)器來獲取適用的噪聲統(tǒng)計(jì)特性，針對(duì)在濾波初期BayesMAP估計(jì)器對(duì)噪聲統(tǒng)計(jì)特性估計(jì)有偏，導(dǎo)致了濾波結(jié)果有偏甚至發(fā)散的問題，提出了改進(jìn)的BayesMAP噪聲辨識(shí)自適應(yīng)濾波算法，算法采用噪聲一階矩加權(quán)的方法解決了濾波初期噪聲一階矩估計(jì)存在偏差的問

3、題。
　　針對(duì)非線性系統(tǒng)濾波問題，利用多模型擴(kuò)展卡爾曼濾波算法，解決了EKF局部線性化模型精度較差的問題，并對(duì)算法的穩(wěn)定性和可用性進(jìn)行了分析。Unscented卡爾曼濾波(UKF)算法為解決非線性系統(tǒng)濾波問題提供了更為有效的方法，為了提高UKF對(duì)噪聲的自適應(yīng)能力，提出了新息濾波多模型UKF(IFIMM-UKF)算法，算法根據(jù)不同的噪聲水平建立模型集，解決了噪聲環(huán)境復(fù)雜的非線性系統(tǒng)動(dòng)態(tài)濾波問題。針對(duì)IFIMM濾波精度與切換速度互為矛

4、盾的問題，提出了馬爾可夫參數(shù)自適應(yīng)調(diào)整算法，在提高濾波精度的同時(shí)保證了較快的模型切換速度。
　　為了提高導(dǎo)航系統(tǒng)的可靠性，研究了組合導(dǎo)航系統(tǒng)容錯(cuò)設(shè)計(jì)方法。首先，針對(duì)故障診斷問題，提出了基于神經(jīng)網(wǎng)絡(luò)的殘差χ2故障診斷方法，解決了傳統(tǒng)殘差χ2檢驗(yàn)法僅能檢驗(yàn)數(shù)據(jù)的有效性而不能確定具體故障源的問題。其次，針對(duì)使用單一參考系統(tǒng)濾波結(jié)構(gòu)的聯(lián)邦濾波器可靠性差的缺點(diǎn)，提出了雙參考系統(tǒng)的組合導(dǎo)航濾波結(jié)構(gòu)，同時(shí)，針對(duì)這種結(jié)構(gòu)子濾波器性質(zhì)不同的特點(diǎn)，提

5、出了異質(zhì)濾波器多模型分布式濾波算法，解決了不同性質(zhì)濾波器之間的聯(lián)合濾波問題。最后，為了解決傳統(tǒng)的聯(lián)邦濾波算法精度與可靠性之間的矛盾，提出了分時(shí)融合反饋式聯(lián)邦濾波結(jié)構(gòu)，在降低故障系統(tǒng)污染整個(gè)系統(tǒng)的可能性的同時(shí)，精度較低的子濾波器也能夠定時(shí)得到較高精度信息的校正，同時(shí)，無融合反饋階段為漸變故障提供了反應(yīng)時(shí)間，提高了系統(tǒng)對(duì)軟故障的識(shí)別能力。
　　針對(duì)慣性測量單元陀螺隨機(jī)漂移的補(bǔ)償問題，采用時(shí)間序列分析法建立陀螺漂移ARMA模型，提出了與