自适应渐消扩展Kalman粒子滤波方法在组合导航中的应用

被引：9

作者：

宫轶松 ^{[1
]}

归庆明 ^{[2
]}

李保利 ^{[1
]}

王军江 ^{[3
]}

机构：

[1] 解放军信息工程大学测绘学院

[2] 解放军信息工程大学理学院

[3] 部队

来源：

大地测量与地球动力学 | 2010年 / 30卷 / 01期

关键词：

粒子滤波; 自适应渐消滤波; 遗忘因子; 扩展Kalman滤波; 组合导航;

D O I：

10.14075/j.jgg.2010.01.032

中图分类号：

TN967.2 [复合导航系统];

学科分类号：

摘要：

针对粒子滤波存在的权值退化问题,从研究粒子滤波的建议分布函数出发,提出自适应渐消扩展Kal-man粒子滤波方法。该方法使用自适应渐消扩展Kalman滤波产生建议分布,可在线调节参数,从而使得系统具有更好的自适应性和鲁棒性。与用转移先验、扩展Kalman滤波产生建议分布的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度。

引用

页码：99 / 103

页数：5

共 6 条

[1] 基于自适应Kalman滤波的BP神经网络在导航中的应用
聂建亮
张卉
[J]. 大地测量与地球动力学, 2007, (03) : 56 - 59
[2] 非线性系统带次优渐消因子的扩展卡尔曼滤波
周东华
席裕庚
张钟俊
[J]. 控制与决策, 1990, (05) : 1 - 6
[3] 渐消卡尔曼滤波器的最佳自适应算法及其应用
夏启军
孙优贤
周春晖
[J]. 自动化学报, 1990, (03) : 210 - 216
[4] 自适应动态导航定位[M]. 测绘出版社 , 杨元喜, 2006
[5] Kalman滤波理论及其在导航系统中的应用[M]. 科学出版社 , 付梦印等编著, 2003
[6] Sequential Monte Carlo methods to train neural network models
de Freitas, JFG
Niranjan, M
Gee, AH
Doucet, A
[J]. NEURAL COMPUTATION, 2000, 12 (04) : 955 - 993

← 1 →