CN102608631B - 基于模糊逻辑的自适应强跟踪ukf定位滤波算法 - Google Patents
基于模糊逻辑的自适应强跟踪ukf定位滤波算法 Download PDFInfo
- Publication number
- CN102608631B CN102608631B CN201110333619.0A CN201110333619A CN102608631B CN 102608631 B CN102608631 B CN 102608631B CN 201110333619 A CN201110333619 A CN 201110333619A CN 102608631 B CN102608631 B CN 102608631B
- Authority
- CN
- China
- Prior art keywords
- state
- algorithm
- filtering
- fuzzy logic
- ukf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于模糊逻辑的自适应强跟踪UKF定位滤波算法,包括(1)建立定位滤波模型;(2)设定滤波器初始参数;(3)运用UKF滤波算法对状态量进行滤波;(4)运用模糊逻辑系统求解强跟踪自适应算法中的软化因子;(5)强跟踪自适应算法中自适应因子求解;(6)历元时刻递加1,读取下一时刻观测,返回步骤(4),直至结束。本发明通过在UKF滤波算法基础上引入强跟踪自适应算法,并在强跟踪自适应算法中采用新递推算法估计信息协方差矩阵,对强跟踪算法中软化因子采用模糊逻辑推理系统进行求解,根据历元时刻滤波器的工作状况对软化因子进行实时估计。在卫星导航用户接收机位置估计中,可大大地提高载体适应动态性的能力和定位性能。
Description
技术领域
本发明涉及卫星导航接收机位置参数解算,尤其是涉及一种基于模糊逻辑的自适应强跟踪UKF定位滤波算法。
背景技术
卫星导航技术的飞速发展已逐渐取代了无线电导航、天文导航等传统导航技术,而成为一种普遍采用的导航定位技术,并在精度、实时性、全天候等方面取得了长足进步。目前,世界上多个国家和地区已经建立或者正在建设全球卫星定位导航系统,具体包括美国建立的GPS系统、俄罗斯建立的GLONASS系统、欧盟正在建设的“伽利略”系统和中国正在建设的“北斗二代”系统。导航系统中的定位解算模块是根据卫星信号的量测信息采用相应算法对用户接收机位置、速度和时钟参数进行解算,是卫星导航系统实现的关键技术之一。
在卫星导航接收机中,导航定位解算是用户接收机定位最为关键的一个环节,采用定位算法的优劣直接导致用户定位精度的好坏。传统接收机用户定位的算法选择为最小二乘,具体实现步骤:(1)获取跟踪环路输出伪距信息ρ=[ρ1,ρ2LρN]T,其中N代表跟踪通道输出伪距数目;(2)用户接收机初始位置估计X0=[x0,y0,z0]T;3)量测方程线性化,即量测方程 在初始用户位置估计X0=[x0,y0,z0]T处线性化得到[Δρ1,Δρ2LΔρm]T=H[Δx,Δy,Δz,Ctu]T;(4)由量测方程得到状态量的最小二乘估计 (5)更新用户接收机的位置即 (6)读取观测数据,转至步骤(3)继续执行,直至观测数据结束。
最小二乘算法应用于运动状态估计中,其算法简单,使用与对常值向量或随机向量的估计,并且在对被估计量和量测误差缺乏了解的情况下仍能使用,但是由于缺乏对系统动力学状态的考虑,估计精度并不很高,特别是对于非静止运动状态,存在较大的估计误差。因此,有些研究学者提出了卡尔曼滤波算法,用以加强系统动力学的估计,以提高状态量的估计精度。
用户接收机通常采用最小二乘算法(参见Fundamentals of GlobalPositioning System Receivers-A Software Approach,SENOND EDIRION,Canada,James B and Yen T,2005.)和卡尔曼Kalman滤波算法(参见Jwo D J andWang S H,Adaptive Fuzzy Strong Tracking Extended Kalman Filtering for GPSNavigation,IEEE SENSORS JOURNAL.VOL.7,NO.5,MAY 2007.和Liu J andLu M Q,An Adaptive UKF Filtering Algorithm for GPS Position Estimation,IEEEXPLORE Wireless Communications,Networking and Mobile Computing.2009.WiCom 09.5th International Conference on Issue Data:24-26Sept.2009.)进行用户接收机位置的解算。
最小二乘算法虽然算法简单,但由于缺乏对系统动力学状态的考虑,估计精度并不很高,特别是对于非静止运动状态,存在较大的估计误差。而Kalman滤波算法虽能够解决定位解算中的非线性问题,但是对于先验信息要求极为严格,同时定位精度受到载体动态性的限制。
发明内容
本发明为克服现有技术的不足,提出一种基于模糊逻辑的自适应强跟踪UKF定位滤波算法,该方法在传统UKF算法基础上,将自适应强跟踪算法和模糊逻辑系统结合,大大地提高了卫星导航系统定位算法的性能。
根据本发明的一个方面,提供一种基于模糊逻辑的自适应强跟踪UKF定位滤波算法,包括以下步骤:
(1)建立滤波模型;
(2)设定滤波器初始参数;
(3)运用UKF滤波算法对状态量进行滤波;
(4)运用模糊逻辑系统求解强跟踪自适应算法中的软化因子;
(5)强跟踪自适应算法中自适应因子求解;
(6)历元时刻递加1,读取下一时刻观测,返回步骤(4),直至结束。
进一步地,步骤(1)中所述滤波模型包括:
针对低动态环境,根据接收机的位置、速度、时钟钟差和频差建立的常速CV模型;针对高动态环境,根据接收机的位置、速度、加速度、时钟钟差和频差建立的常加速度CA模型。
进一步地,步骤(2)中所述设定滤波器初始参数包括:
设置系统噪声矩阵Q(t)和观测噪声矩阵R;
设置状态量初始估计X0和初始状态估计误差协方差P0;
滤波时刻k清零,将自适应因子赋值1,即自适应因子λi,k=1。
进一步地,步骤(3)中所述运用UKF滤波算法对状态量X进行滤波的步骤包括:
初始状态采样:初始状态量采样,得到初始状态sigma样本点及对应权重因子;
一步预测状态采样:根据所获得的初始状态sigma样本点,对一步预测状态和一步预测状态协方差矩阵进行估计;
一步预测状态采样二次采样:对获得的一步预测状态及一步预测状态协方差矩阵进行二次采样,得到二次采样的一步预测状态sigma样本点及对应权重因子;
输出一步预测:根据一步预测状态的二次采样输出观测量一步预测,之后进行观测量自协方差矩阵、观测量和状态量之间互协方差矩阵估计;
卡尔曼增益求解:通过获得的观测量自协方差矩阵和观测量与状态量的互协方差矩阵,求解卡尔曼增益矩阵,实现状态量估计更新和状态量估计协方差更新。
进一步地,步骤(4)中所述运用模糊逻辑系统求解强跟踪自适应算法中的软化因子的步骤包括:
获得滤波信息向量vk;
模糊逻辑系统输入:通过滤波信息向量vk,求解模糊逻辑系统输入ri,其中模糊逻辑系统输入ri为滤波信息向量vk单步协方差矩阵的迹与单步理论信息方差阵的迹之比;
模糊逻辑系统求解:根据模糊逻辑系统输入ri的变化规律,进行模糊逻辑系统的模糊化过程,设定模糊规则,进行模糊推理,去模糊化过程,实现软化因子输出。
所述模糊化过程中输入参量隶属度函数包括三角形函数,所述模型系统规则包括一阶T-S模型、IF-THEN形式。
进一步地,步骤(5)中所述强跟踪自适应算法中自适应因子λi,k求解的步骤包括:
由滤波信息向量vk对滤波信息真实协方差Vk进行估计求解;
求解包含滤波信息协方差Vk和观测噪声估计的自适应矩阵Nk;
由自适应矩阵Nk和信息理论协方差矩阵Mk求解自适应因子中间参数Ci,k;
通过对中间参数Ci,k进行判定来对自适应因子λi,k赋值。
本发明与现有技术相比的优点在于:
(1)与传统的UKF算法相比,对一步预测状态进行了二次采样过程,减小了对于随机变量通过非线性系统后输出变量统计特性的估计误差,在一定程度上提高了状态量估计的精度。
(2)将强跟踪算法与UKF算法相结合,克服了传统UKF滤波算法容易受初始值和模型误差的缺点。
(3)强跟踪算法中的软化因子估计采用了模糊逻辑推理系统进行估计,用单次滤波信息协方差的迹与理论信息协方差的迹之比作为模糊逻辑系统的输入,时刻监测滤波器的工作状况,实时调整软化因子。
(4)自适应参数求解过程中,对于信息实际协方差矩阵估计时,采用了一种新的递推估计算法,更加直接的反应器载体实际的运动状态,同时也减小了计算量。
附图说明
图1是现行GPS定位最小二乘算法的流程图;
图2是现行UKF滤波算法的流程图;
图3是本发明实施例提供的自适应强跟踪UKF定位滤波算法的流程图;
图4是本发明实施例提供的强跟踪算法中软化因子的求解流程图;
图5是本发明实施例提供的强跟踪算法中自适应因子的求解流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明中处理的数据是卫星导航系统跟踪模块输出的测量伪距信息,同时还包括对应跟踪时刻卫星的位置和速度参数。用户接收机的定位是在地心地固ECEF坐标系下进行的,首先根据接收机通道卫星信号跟踪测量得到的伪距信息,对用户接收机的位置参数和时钟钟差参数进行解算。当通道跟踪有效卫星超过4颗,可用于接收机的实际定位解算。
下面结合附图,对本发明详细说明如下:
参见图3,该图示出了本发明实施例提供的自适应强跟踪UKF定位滤波算法的详细流程;
S1:建立滤波模型:
在建立滤波模型之前,本发明须要获取卫星测量伪距信息,以及对应跟踪时刻卫星在地心地固ECEF坐标系下的位置和速度参数;
首先,由卫星信号模拟器或者软件接收机处理实际数据得到卫星的测量伪距信息,一般情况下伪距信息获得频率为1Hz,同时得到对应跟踪时刻卫星在地心地固ECEF坐标系下的位置和速度参数。
当采用卫星信号模拟器生成卫星的测量伪距信息时(通常采用Renix文件还原伪距生成的方式),须要首先确定使用历书的周数,设置仿真间隔和仿真总时间(其中可以包含相应选星算法,保证定位精度)。
由于卫星信号模拟器生成数据时,只模拟了时钟误差在生成伪距中,因此在生成的伪距中添加适量的白噪声,视为伪距中的环境噪声。
如果处理的数据是实际数据,经过软件接收机处理后,即可得到相应通道卫星的伪距信息和卫星的位置、速度参数信息。
然后,根据用户接收机(载体)的实际运动规律选取状态估计量和系统量测量,建立滤波模型;建立滤波模型包括建立以下模型:
建立CV模型:
对于载体运动的低动态环境,使用接收机的位置、速度和时钟参数作为状态量X=[x,y,z,vx,vy,vz,td,fd]T ECEF,其中x,y,z和vx,vy,vz分别表示ECEF坐标系下三维的位置与速度分量;td,fd分别表示本地时钟的钟差和钟漂分量。
根据用户接收机的运动规律,建立CV模型,其中状态转移方程,如公式(1)所示。
其中,
X(t)=[x(t)y(t)z(t)td]T (2)
上式中分别表示载体运动在x,y,z方向上和时钟频率的;κ为载体晶振漂移系数,W(t)协方差阵 和分别表示x,y,z速度方向和时钟上驱动噪声的强度。
建立CA模型:
对于载体运动的高动态环境,使用接收机的位置、速度、加速度和时钟参数作为状态量其中ax,ay,az表示三维加速度分量。
根据用户接收机的运动规律,建立CA模型。其中状态转移方程参照公式(1)建立,其中添加状态参量
根据选取的状态估计量,建立系统量测模型,其中用户接收机与第i颗卫星之间的测量伪距ρi如公式(5)所示。
其中,Xi,Yi,Zi和X,Y,Z分别表示第i颗卫星和用户接收机的三维位置参量,C表示电磁波在真空中的传播速度,vi表示第i颗卫星测量伪距量测噪声。
S2:滤波器初始参数设定;
所设定的滤波器初始参数包括:系统噪声矩阵Q(t)和观测噪声矩阵R、状态量初始估计X0和初始状态估计误差协方差P0、滤波时刻k清零,将自适应因子赋值为1。
设置系统噪声矩阵Q(t)和观测噪声矩阵R:根据选取的状态估计量和系统量测量建立的状态模型和观测模型,对载体实际运动规律和观测噪声强度进行先验估计,设置系统噪声矩阵Q(t)和观测噪声矩阵R。
其中,系统噪声矩阵设置,如步骤(2)中推导,分别估计不同坐标轴方向上的驱动噪声强度σ2。观测噪声矩阵R的设置方法依据不同卫星跟踪环路相互独立,观测噪声彼此不相关,既而可得其观测噪声矩阵R=diag{R1,R2,L,RN},其中表示第N颗卫星测量伪距噪声的强度。
设置状态量初始估计X0和初始状态估计误差协方差P0;本算法中用最小二乘算法估计滤波状态初始值。
滤波时刻k清零,将自适应因子赋值为1,即λi,k=1。
S3:运用UKF滤波算法对状态量X滤波;
301:初始状态采样;
在计数器count=0时,进行初始状态采样,得到初始状态sigma样本点及权重因子;
通过初始状态估计X0和初始状态估计协方差矩阵P0,根据对称采样策略,进行初始状态sigma样本点采样,得到初始状态sigma样本点及相应权重因子如公式(6)和(7)所示。
其中,状态量维数L,采样维数2L+1;λ=α2(L+κ1)-L表示采样尺度参数;α表示样本点χi在采样附近的遍布范围;κ1通常设置为0或者3-L;对于状态量高斯分布 表示矩阵平方根的第i列。
302:一步预测状态采样;
根据所获得的初始状态sigma样本点,对一步预测状态及一步预测状态协方差矩阵进行估计;具体形式如公式(8)、(9)和(10)所示。
χk|k-1=f(χk-1) (8)
303:一步预测状态二次采样;
对上述步骤获得的一步预测状态和一步预测协方差矩阵进行二次采样,得到二次采样的一步预测状态sigma样本点及权重因子;
利用最优采样理论,根据对称采样策略对一步预测状态和一步预测协方差Pk|k-1进行二次采样,再次得到一步预测状态sigma样本点及对应权重因子,具体公式如(11)和(12)所示。
其中,Sk|k-1表示矩阵Pk|k-1的平方根矩阵,χk|k-1的每列分别表示一个采样向量点χi,k|k-1。
304:输出一步预测;
根据一步预测状态的二次采样输出观测量一步预测,之后进行观测量自协方差矩阵、观测量和状态量之间互协方差矩阵估计;
由一步预测状态的二次采样,输出观测量一步预测,具体公式如公式(13)和(14)所示。
ζk|k-1 i=hk(χk|k-1 i)i=0,1,...,2L (13)
其中,y=h(x)表示观测量与状态量之间的函数关系。
输出观测量一步预测后,对观测量自协方差矩阵和观测量与状态量的互协方差矩阵进行估计,具体如公式(15)、(16)所示。
所述观测量自协方差矩阵作为滤波信息理论协方差矩阵Mk。
305:卡尔曼增益求解;
通过获得的观测量自协方差矩阵和观测量与状态量的互协方差矩阵,求解卡尔曼Kalman增益矩阵K,从而完成状态量的更新和状态量估计协方差的更新,具体如公式(17)~(19)所示。
S4:采用模糊逻辑系统求解强跟踪算法中的软化因子epsilon;模糊逻辑系统是以模糊集合为基础,最早提出用于系统控制,从而解决系统建模不准确带来的滤波器发散问题。一个完成的模糊逻辑系统由模糊化、模糊规则、模糊推理和去模糊化四个部分构成(参见San-Tong Zhang and Xue-Ye Wei.FuzzyAdaptive Kalman Filtering for DR/GPS IEEE.Proceedings of the secondInternational Conference on Machine Learning and Cybemetics,xi’an,2-5Nov.2003.b)。
强跟踪算法中的软化因子ε用于调节状态估计精度和状态跟踪能力。当接收机运动剧烈时,ε值应该减小,以减弱状态模型不准确导致的滤波器不稳定;反之当接收机运动平稳时,应适当增大ε,用于提高状态量的估计精度。参见图4所示,其包如下步骤:
401:获得滤波量测信息向量;
一次滤波更新结束后,获得滤波量测信息向量vk;
402:模糊逻辑系统输入;
通过滤波量测信息向量vk,求解模糊逻辑系统输入ri;
其中,滤波量测信息向量vk单步协方差矩阵的迹与单步理论信息方差阵的迹之比ri作为模糊逻辑系统的输入,用以衡量i时刻滤波器的工作稳定程度,如公式(20)所示。当ri≥1时,可认为滤波器开始发散;反之ri<1时,滤波器工作正常。
403:模糊逻辑系统求解;
根据模糊逻辑系统输入ri的变化规律,进行模糊逻辑系统的模糊化过程,设定模糊规则,进行模糊推理,去模糊化过程,实现软化因子输出。
所述模糊化过程包括划分模糊几何、建立模型系统输入参量隶属度函数,在模糊逻辑系统中,输入参量隶属度函数选取为三角形函数,但不局限于三角形函数,评价模糊子集合划分为{A,B,C}={good,normal,bad}。
模糊规则采用一阶T-S模型、IF-THEN形式但不局限于此,规则如下所示:
①IFri∈good THENε等于ri+15;
②IFri∈normal THENε等于2*ri+4;
③IFri∈bad THENε等于1。
所述去模糊化过程或者模糊化输出由相应的A,B,C三个模糊子集合输出进行加权输出。假设Pi,k,k=1,2,3为样本ri输入FLAS系统时集合k的隶属度,yi,k,k=1,2,3为样本ri输入时分属集合k的输出,可得模糊逻辑系统总的输出如公式(21)所示。
S5:强跟踪自适应算法中自适应因子λi,k求解;
参见图5所示,强跟踪自适应算法中自适应因子λi,k求解包括以下步骤:
501:由获得的滤波信息向量vk,对滤波信息真实协方差进行估计;
在一次滤波更新结束后,在计数器k=1时,获得滤波信息向量vk;
滤波信息真实协方差矩阵估计采用了新型的递推算法,其克服了传统方法求解过程中对历史信息取平均,而直接采用了当前历元信息,更能敏感地反应当前观测历元动力学模型误差的现状;具体形式如公式(22)所示。
所述强跟踪算法中滤波信息向量真实协方差的估计求解步骤如下:
一次滤波更新结束后,获得滤波信息向量vk;
初始化滤波信息向量协方差,当计数器count=0时,当计数器count≥1时,
502:通过滤波信息真实协方差求解包含信息协方差Vk和观测噪声估计的自适应矩阵Nk,如公式(23)所示;
Nk=ηVk-εRk (23)
503:由自适应矩阵Nk和信息理论协方差矩阵Mk求解自适应强跟踪因子中间参数Ci,k,如公式(24)所示;其中,信息理论协方差矩阵Mk即观测量自协方差矩阵,见公式(15);
504:通过对中间参数Ci,k判定,对自适应因子λi,k赋值,如公式(25)所示。
S6:历元时刻递1,count=count+1时,读取下一时刻观测伪距,返回步骤(3)继续执行,直至结束。
以上公开的仅为本发明的具体实施例,但本发明并非局限于此,对于本领域的普通技术人员来说,在不脱离本发明原理的前提下,做出的变形应视为属于本发明保护范围。
Claims (2)
1.一种基于模糊逻辑的自适应强跟踪UKF定位滤波算法,其特征在于,包括:
(1)建立定位滤波模型;所述定位滤波模型包括:
针对低动态环境,根据接收机的位置、速度、时钟钟差和频差建立的常速CV模型;针对高动态环境,根据接收机的位置、速度、加速度、时钟钟差和频差建立的常加速度CA模型;
(2)设定滤波器初始参数;所述设定滤波器初始参数包括:设置系统噪声矩阵Q(t)和观测噪声矩阵R;设置状态量初始估计X0和初始状态估计误差协方差P0;滤波时刻k清零,将自适应因子赋值1,即自适应因子λi,k=1;
(3)运用UKF滤波算法对状态量进行滤波;所述运用UKF滤波算法对状态量滤波的步骤包括:初始状态采样:初始状态量采样,得到初始状态sigma样本点及对应权重因子;一步预测状态采样:根据所获得的初始状态sigma样本点,对一步预测状态和一步预测状态协方差矩阵进行估计;一步预测状态二次采样:对获得的一步预测状态及一步预测状态协方差矩阵进行二次采样,得到二次采样的一步预测状态sigma样本点及对应权重因子;
输出一步预测:根据一步预测状态的二次采样输出观测量一步预测,之后进行观测量自协方差矩阵、观测量和状态量之间互协方差矩阵估计;
卡尔曼增益求解:通过获得的观测量自协方差矩阵和观测量与状态量的互协方差矩阵,求解卡尔曼增益矩阵,实现状态量估计更新和状态量估计协方差更新;
(4)运用模糊逻辑系统求解强跟踪自适应算法中的软化因子;所述运用模糊逻辑系统求解强跟踪自适应算法中的软化因子的步骤包括:获得滤波信息向量vk;模糊逻辑系统输入:通过滤波信息向量vk,求解模糊逻辑系统输入ri,其中模糊逻辑系统输入ri为滤波信息向量vk单步协方差矩阵的迹与单步理论信息 方差阵的迹之比;模糊逻辑系统求解:根据模糊逻辑系统输入ri的变化规律,进行模糊逻辑系统的模糊化过程,设定模糊规则,进行模糊推理,去模糊化过程,实现软化因子输出;
(5)强跟踪自适应算法中自适应因子求解;所述强跟踪自适应算法中自适应因子λi,k求解的步骤包括:由滤波信息向量vk对滤波信息真实协方差Vk进行估计求解;求解包含滤波信息协方差Vk和观测噪声估计的自定应矩阵Nk;由自定应矩阵Nk和信息理论协方差矩阵Mk求解自适应因子中间参数Ci,k;通过对中间参数Ci,k进行判定来对自适应因子λi,k赋值;
(6)历元时刻递加1,读取下一时刻观测,返回步骤(4),直至结束。
2.根据权利要求1所述的基于模糊逻辑的自适应强跟踪UKF定位滤波算法,其特征在于,所述模糊化过程中输入参量隶属度函数包括三角形函数,所述模型规则包括一阶T-S模型、IF-THEN形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110333619.0A CN102608631B (zh) | 2011-10-28 | 2011-10-28 | 基于模糊逻辑的自适应强跟踪ukf定位滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110333619.0A CN102608631B (zh) | 2011-10-28 | 2011-10-28 | 基于模糊逻辑的自适应强跟踪ukf定位滤波算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102608631A CN102608631A (zh) | 2012-07-25 |
CN102608631B true CN102608631B (zh) | 2014-09-03 |
Family
ID=46526134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110333619.0A Expired - Fee Related CN102608631B (zh) | 2011-10-28 | 2011-10-28 | 基于模糊逻辑的自适应强跟踪ukf定位滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102608631B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792562A (zh) * | 2014-02-24 | 2014-05-14 | 哈尔滨工程大学 | 一种基于变换采样点的强跟踪ukf的滤波方法 |
CN103761450B (zh) * | 2014-02-24 | 2016-08-24 | 中国石油大学(华东) | 一种基于模糊自适应预测的动态过程故障预报方法 |
CN104020480B (zh) * | 2014-06-17 | 2016-07-06 | 北京理工大学 | 一种带自适应因子的交互式多模型ukf的卫星导航方法 |
CN104501804B (zh) * | 2014-12-17 | 2017-06-13 | 深圳航天东方红海特卫星有限公司 | 一种基于gps测量数据的卫星在轨轨道预报方法 |
CN104809333B (zh) * | 2015-04-03 | 2017-08-29 | 百度在线网络技术(北京)有限公司 | 基于Kalman滤波器的容量预测方法和系统 |
CN106501828B (zh) * | 2016-09-26 | 2019-02-26 | 闽江学院 | 一种基于模糊逻辑加权的高精度伪距单点定位方法 |
CN106441291B (zh) * | 2016-09-27 | 2019-06-21 | 北京理工大学 | 一种基于强跟踪sdre滤波的组合导航系统及导航方法 |
CN107725037A (zh) * | 2017-09-27 | 2018-02-23 | 中国石油大学(北京) | 基于双测点测量的井下气侵工况确定方法及系统 |
CN109059912A (zh) * | 2018-07-31 | 2018-12-21 | 太原理工大学 | 一种基于小波神经网络的gps/ins集成定位方法 |
CN109558594B (zh) * | 2018-12-03 | 2023-03-21 | 深圳大学 | 交互式t-s模糊语义模型估计方法、系统和计算机可读存储介质 |
CN110109049B (zh) * | 2019-03-27 | 2021-04-20 | 北京邮电大学 | 用于大规模天线角度估计的无迹卡尔曼滤波方法及装置 |
CN111291312A (zh) * | 2020-02-28 | 2020-06-16 | 大连海事大学 | 一种基于当前统计模型的模糊自适应算法的机动目标跟踪方法 |
CN112733372B (zh) * | 2021-01-14 | 2022-04-22 | 山东大学 | 一种负荷建模的模糊逻辑强跟踪方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU729697B2 (en) * | 1996-04-25 | 2001-02-08 | Sirf Technology, Inc. | Spread spectrum receiver with multi-bit correlator |
JP4750243B2 (ja) * | 2000-04-20 | 2011-08-17 | マスプロ電工株式会社 | 衛星追尾システム |
CN100462682C (zh) * | 2007-06-19 | 2009-02-18 | 北京航空航天大学 | 一种基于预测滤波和upf航天器自标定方法 |
CN101216319B (zh) * | 2008-01-11 | 2012-01-11 | 南京航空航天大学 | 基于联邦ukf算法的低轨卫星多传感器容错自主导航方法 |
-
2011
- 2011-10-28 CN CN201110333619.0A patent/CN102608631B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102608631A (zh) | 2012-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102608631B (zh) | 基于模糊逻辑的自适应强跟踪ukf定位滤波算法 | |
CN110109162B (zh) | 一种gnss接收机自适应的卡尔曼滤波定位解算方法 | |
CN104714244B (zh) | 一种基于抗差自适应Kalman滤波的多系统动态PPP解算方法 | |
CN107421496B (zh) | 一种高精度的水面高程提取方法 | |
CN108828640B (zh) | 一种卫星导航定位观测值定权方法及装置 | |
CN102980579B (zh) | 一种自主水下航行器自主导航定位方法 | |
CN108226980A (zh) | 基于惯性测量单元的差分gnss与ins自适应紧耦合导航方法 | |
Leandro et al. | A neural network approach for regional vertical total electron content modelling | |
CN104392136B (zh) | 一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法 | |
Goodall | Improving usability of low-cost INS/GPS navigation systems using intelligent techniques | |
CN102819029B (zh) | 一种超紧组合卫星导航接收机 | |
CN108007401A (zh) | 一种基于船载InSAR平台的河湖库沿岸形变检测装置及方法 | |
CN107193028A (zh) | 基于GNSS的Kalman相对定位方法 | |
CN104297764A (zh) | 一种提高导航系统时间的pps准确度的方法和接收机 | |
CN102269819A (zh) | 一种用于精密单点定位方法的估计方法 | |
CN105954772B (zh) | 一种稳健无偏的导航信号矢量跟踪方法 | |
Jwo et al. | A novel design for the ultra-tightly coupled GPS/INS navigation system | |
CN105842720A (zh) | 一种基于载波相位的广域精密实时定位方法 | |
CN103292812A (zh) | 一种微惯性sins/gps组合导航系统的自适应滤波方法 | |
CN104090262A (zh) | 一种基于多采样率多模型融合估计的移动目标跟踪方法 | |
CN102565825B (zh) | 接收信号可靠度判定装置、方法及码相位误差算出方法 | |
CN109827579A (zh) | 一种组合定位中滤波模型实时校正的方法和系统 | |
CN105068097A (zh) | 一种用于载波平滑码伪距的自适应滤波方法 | |
CN103439719B (zh) | 一种gps l2c信号跟踪方法 | |
Taha et al. | Improving INS/GPS positioning accuracy during GPS outages using fuzzy logic |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140903 Termination date: 20211028 |