非线性动态滤波的迭代算法

阐述了标称状态的线性化方法和扩展的卡尔曼滤波公式及迭代卡尔曼滤波，探讨了非线性动态滤波的近似处理方法，围绕标称状态将非线性模型进行线性化，将标准的卡尔曼滤波扩展到非线性模型，得到扩展的卡尔曼滤波公式，研究了迭代滤波计算方法。扩展的卡尔曼滤波方法已经有效地用于非线性模型。     

基于加性无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于加性无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。用无迹卡尔曼滤波进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度。     

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。     

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法--自适应平方根无迹卡尔曼滤波（NASRUKF）方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。     

基于多元插值的DD型滤波算法仿真研究

DD型滤波是一种基于Striling多元插值方法,将函数按多项式近似展开的非线性滤波算法.相对于扩展卡尔曼滤波而言,它不需要对非线性函数进行微分运算,具有滤波精度高、数值稳定性好和适用范围广的优点,其运算量却与扩展卡尔曼滤波相当.对DD型滤波算法进行了深入分析,并将该算法应用于状态估计领域.对一多传感器目标跟踪问题进行了仿真计算,仿真结果表明了DD型滤波算法的有效性和实用性.     

导弹跟踪中的卡尔曼与不敏卡尔曼滤波

卡尔曼滤波是在线性高斯情况下利用最小均方误差准则获得目标的动态估计,但在实际系统中,许多情况下观测数据与目标动态参数间的关系是非线性的。对于非线性滤波问题,至今尚未得到完善的解法。本文采用了两种方法来进行滤波:一种是将观测变量进行坐标系变化,使量测方程线性化,然后直接进行线性卡尔曼滤波;另一种方法是直接采用非线性滤波方法的不敏卡尔曼滤波。对仿真导弹轨迹的仿真结果显示,第一种方法在本系统中优于第二种方法。     

卡尔曼滤波的基本原理及应用

卡尔曼滤波在信号处理与系统控制领域应用广泛,目前,正越来越广泛地应用于计算机应用的各个领域。为了更好地理解卡尔曼滤波的原理与进行滤波算法的设计工作,主要从两方面对卡尔曼滤波进行阐述:基本卡尔曼滤波系统模型、滤波模型的建立以及非线性卡尔曼滤波的线性化。最后,对卡尔曼滤波的应用做了简单介绍。     

欠观测条件下的增量容积卡尔曼滤波

在工程实践中,由于环境影响、量测设备不稳定等因素,非线性滤波系统中的量测方程可能会出现较大的系统误差,而标准的非线性滤波算法不能消除这类系统误差。针对该问题,假定过程噪声和量测噪声服从高斯分布,利用相邻量测时刻的量测值之差建立增量量测方程,采用3阶球面径向规则获得容积点及其权值。使用容积点对贝叶斯滤波过程中的积分进行数值近似,从而提出增量容积卡尔曼滤波算法。仿真实验结果表明,增量容积卡尔曼滤波算法滤波精度优于标准容积卡尔曼滤波算法与增量卡尔曼滤波算法,能够成功消除量测方程中的系统误差。     

几种滤波器跟踪性能的比较

现阶段,卡尔曼滤波是信息融合领域中广泛使用的融合算法,它在线性高斯模型下能得到最优估计,但在非线性非高斯的模型下不能达到理想的效果.在这种情况下,非线性目标跟踪已被人们广泛重视.扩展卡尔曼滤波器(EKF)是将卡尔曼滤波器(KF)进行Taylor展开,算法简单,计算快捷,适用于非线性程度不强,高斯的环境下.不敏卡尔曼滤波(UKF)是先对状态向量的后验概率密度函数(PDF)进行近似化然后再在标准卡尔曼滤波框架下进行递推滤波.粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法.这种滤波的方法和其他滤波的方法一样,都是可以通过系统的模型方程从测量空间一步步递推得到其相应的状态空间.它可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用.论文中通过仿真试验,进行跟踪性能的比较,结果证明在复杂的非高斯非线性环境中,粒子滤波器的性能要明显优于扩展卡尔曼滤波器.     

非线性滤波算法在机动目标跟踪中的研究

介绍了3种最基本非线性滤波算法--扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法的理论在机动目标跟踪中的应用.通过仿真试验对三者性能进行了分析比较.     

基于变维交互作用的IMM-CKF算法

为了对非线性情况下的机动目标进行跟踪,提出一种变维交互作用的交互多模型容积卡尔曼滤波(IMM-CKF)算法。该算法结合变维交互作用多模型滤波方法和容积卡尔曼滤波方法,对使用相同维数模型的IMM-CKF算法进行扩展,使其能够应用于更一般的目标跟踪环境。仿真结果表明,该算法的跟踪精度明显高于变维交互作用下的交互多模型不敏卡尔曼滤波(IMM-UKF)算法,验证了该算法的可行性和有效性。     

基于边缘粒子滤波的目标跟踪算法研究

为了提高目标跟踪过程中粒子滤波结果的精度,将边缘粒子滤波算法应用于目标跟踪。首先将目标运动状态向量划分为线性和非线性两个子向量,然后,采用卡尔曼滤波方法处理线性状态子向量,采用粒子滤波方法处理非线性状态子向量。使用边缘粒子滤波算法和标准粒子滤波算法对目标进行跟踪仿真。仿真结果表明：将边缘粒子滤波算法应用在目标跟踪过程中,能够取得更高的跟踪精度;时间复杂度增加仅6%;在粒子数相对较少的条件下,仍能够保持较好的滤波性能。     

列车组合定位中改进CPF算法的探讨

针对在GNSS/INS列车组合定位中普遍采用的扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等滤波技术无法满足复杂的高速列车组合定位环境问题,研究了列车组合定位中改进的容积粒子滤波(CPF)算法,提出了基于改进CPF算法的列车组合定位信息融合技术。该算法采用马尔科夫链蒙特卡洛(MCMC)移动方法来解决粒子退化问题,进而提高滤波性能。使用Matlab对改进算法进行仿真,结果表明改进CPF具有更小的位置误差和速度误差,提高了列车非线性运动过程中的定位精度。     

粒子滤波算法及其应用研究

粒子滤波是基于序贯Monte Carlo仿真方法的非线性滤波算法,对基本粒子滤波算法的原理实现步骤进行了详细的介绍,进行了仿真试验.试验结果表明,粒子滤波能够很好地对非线性系统进行仿真,其估计精度要优于扩展卡尔曼滤波.由于粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件,并在一定程度上解决了粒子匮乏问题,近年来该算法在许多领域得到成功应用.     

基于联邦UKF算法的移动机器人自主组合导航

组合导航技术是解决地面机器人自主导航的一个有效途径,其中GPS/DR是一种典型的组合方式。常用的卡尔曼滤波主要用于处理线性问题,针对该导航系统非线性的特点,对Unscented卡尔曼滤波（UKF）与分散式滤波技术相结合的方法进行了研究,建立了用于GPS/DR导航系统的联邦UKF算法。数值仿真实验表明,联邦UKF比联邦EKF有更好的滤波精度,同时有更高的稳定性和容错性,是一种理想的GPS/DR导航非线性滤波方法。     

飞行轨迹重构的一种二阶滤波方法

本文从非线性逼近角度入手,提出一种比推广卡尔曼滤波更接近非线性本质的二阶滤波方法,并将该方法应用于飞行轨迹重构问题,仿真和实际计算结果表明;本文提出的二阶滤波方法比推广卡尔曼滤波可得到更满意的结果。     

集中式非线性抗差卡尔曼滤波算法研究*

针对实际中传感器的量测信息异常和传感器之间数据传输的错误时,融合系统中的数据会出现异常值(outlier)的情况,提出了一种集中式非线性卡尔曼滤波算法,该方法应用鲁棒统计理论,通过设计代价函数来对系统的量测噪声方差进行重新构造,并利用标准无味卡尔曼滤波(UKF)的观测更新算法对非线性观测方程进行滤波,该方法无需对观测方程进行线性近似,在保持鲁棒性的同时不损失UKF的滤波精度。通过一个简明实例说明了该方法在量测出现异常值的情况下依然能对目标进行有效的跟踪滤波,鲁棒性和滤波精度优于传统的Huber鲁棒跟踪方法。     

无模型容积卡尔曼滤波及其应用

提出一种融合高斯过程回归(GPR)的无模型容积卡尔曼滤波(MF-CKF)方法.容积卡尔曼滤波(CKF)是一种新的非线性高斯滤波方法,比无迹卡尔曼滤波(UKF)更具优势.为了克服建模不准确时容积卡尔曼滤波精度下降问题,通过将高斯过程回归引入到容积卡尔曼滤波之中,对训练数据学习建立系统非线性模型,从而有效地避免模型不准确造成的滤波性能下降.仿真结果验证了无模型容积卡尔曼滤波在系统模型不准确情况下的优越性.     

改进卡尔曼滤波的目标跟踪研究

根据扩展卡尔曼滤波(EKF)是目标跟踪中的常用算法,但方法涉及Taylor级数的展开,引起了运算量较大,运算结果的均值和协方差只精确到一阶,使得滤波精度不高.为提高滤波速度和精度,将Unscented变换与卡尔曼滤波相结合,建立了Unscented卡尔曼滤波(UKF)数学模型.Unscented变换是基于高斯分布理论,通过Sigma 点能够获取精确到三阶矩均值和协方差,提高了滤波精度.计算仅涉及标准的向量和矩阵操作,不需要计算非线性函数的Jacobian或者Hessians矩阵,提高了滤波速度.通过运动实验进行仿真对比,结果表明对于非线性目标跟踪系统,UKF算法具有更高的滤波精度和稳定性.     

均方根嵌入式容积卡尔曼滤波

传统容积卡尔曼滤波(CKF)的基础是三阶球面-径向容积准则,该准则不仅要求计算n维超球体上的面积分,还需将容积准则与扩展高斯-拉盖尔准则配合使用,不易推导出高阶CKF滤波算法.此外,CKF推导所采用的三阶球面容积准则也存在缺陷,这极大地限制了CKF的滤波精度.为避免以上问题,本文基于嵌入式容积准则和均方根滤波技术,提出一种加性噪声环境下,用于非线性动态系统状态估计的全新容积卡尔曼滤波算法-三阶均方根嵌入式容积卡尔曼滤波(SICKF).SICKF具有滤波精度高、数值稳定性强等诸多优点,适用于动态目标跟踪、非线性系统控制等.仿真结果表明,SICKF的滤波精度显著优于传统的非线性滤波算法.