标题和描述中提及的知识点涉及到惯性导航系统（INS）、全球定位系统（GPS）、组合导航系统、无迹卡尔曼滤波（UKF）算法以及其改进形式的强跟踪UKF（Strong Tracking Unscented Kalman Filter, STUKF）算法。下面将对这些知识点进行详细解释和阐述。
1. 组合导航系统：
组合导航系统是将两种或多种导航技术结合在一起，以提供比单一导航系统更高的精度和可靠性。在本文中，研究的对象是INS/GPS组合导航系统。INS可以提供连续的、独立的导航数据，但在长期运行中会产生累积误差。GPS则提供全球范围内高精度的位置信息，但是易受环境因素影响，如城市峡谷、隧道等条件下无法有效接收信号。通过将INS与GPS结合，可以利用两者的优势互补，提高导航系统的整体性能。
2. 无迹卡尔曼滤波（UKF）算法：
UKF是一种用于非线性系统状态估计的算法。它是基于无迹变换（Unscented Transform）来近似高斯分布的非线性变换。UKF不需要线性化非线性函数，相比传统的扩展卡尔曼滤波（EKF），UKF在很多情况下具有更好的性能和稳定性。它通过选取一组确定的采样点（sigma点）来捕捉非线性函数的统计特性，然后用这些点来传递高斯随机变量的均值和协方差，从而获得滤波的均值和协方差估计。
3. 强跟踪UKF（STUKF）算法：
在实际应用中，系统的动态特性可能随时间发生变化，标准的UKF算法缺乏对这种变化的适应能力。为了克服这一局限性，研究人员提出强跟踪滤波的概念，其核心是在滤波过程中引入渐消因子，通过自适应调整预测协方差阵来提高滤波器对系统状态变化的跟踪能力。STUKF算法特别适用于非线性系统状态突变的情况，能够保持滤波性能的稳定性和准确性。
4. 改进的强跟踪UKF算法（ISTUKF）：
本文中提出的改进算法，即ISTUKF，主要针对标准UKF在系统状态异常时滤波精度下降的问题。通过对异常状态进行假设检验，引入次优渐消因子来自适应地调整滤波增益。这种算法最大的特点是次优渐消因子的确定无需计算系统模型的雅克比矩阵，简化了计算过程，并提高了强跟踪UKF的实用性。仿真结果表明，该算法能够有效改善滤波性能，提高组合导航系统的解算精度。
5. INS/GPS组合导航系统的仿真验证：
文中将提出的ISTUKF算法应用于INS/GPS组合导航系统，并与标准UKF进行比较。通过仿真，验证了算法的有效性。在系统状态存在异常时，提出的算法能够在东向和北向位置误差保持在一定范围内，改善了滤波性能，提高了组合导航系统的精度。
这些知识点的阐述涵盖了惯性导航系统与全球定位系统的原理和结合方式、无迹卡尔曼滤波算法的工作原理、强跟踪滤波的概念及其在导航系统中的应用。同时，还讨论了本文提出的改进算法，以及如何将该算法应用于实际的INS/GPS组合导航系统，并通过仿真验证其性能改善的效果。这些技术的深入研究对于提高导航系统的可靠性和精度具有重要意义。
