基于强跟踪滤波器的目标运动参数估计方法研究

针对船舶动力定位系统中目标跟踪控制需求,提出了一种基于强跟踪滤波器的目标运动参数估计方法,建立了两种目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了引入渐消因子的强跟踪滤波器进行目标运动状态和参数估计。通过与扩展卡尔曼滤波器的参数估计对比仿真试验,验证了基于强跟踪滤波器的目标运动参数估计方法具有较好的跟踪性能。     

非线性时变随机系统状态及参数的实时联合估计

在文[1]中,我们给出了一种用于一类非线性时变随机系统的带次优渐消因子的扩展卡尔曼滤波器,可以估计出快速变化的系统状态.本文推广了文[1]的结果,使其可处理一般的非线性测量.同时,给出了一种状态及参数的联合估计方法.所做大量仿真研究表明,本文方法具有良好的实时性及动态跟踪性.     

动载体环境视觉惯性自适应融合物体姿态测量算法

针对动载体环境下视觉惯性组合姿态测量的过程中,惯性器件噪声时变和突变干扰会使卡尔曼滤波器估计不准确的问题,研究了一种Sage-Husa自适应强跟踪扩展卡尔曼算法。算法采用Sage-Husa自适应滤波来实时估计惯性器件的噪声协方差,引入多重渐消因子来抑制突变干扰,增强融合算法的鲁棒性。实验证明,当存在系统噪声变化和突变干扰时,所提算法优于Sage-Husa自适应扩展卡尔曼算法与强跟踪扩展卡尔曼算法,具有良好的鲁棒性。     

强跟踪CDKF 及其在组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在组合导航系统模型不确定时存在滤波精度下降甚至发散的问题,提出一种具有强跟踪性能的中心差分卡尔曼滤波器(CDKF).强跟踪CDKF基于强跟踪滤波器(STF)的理论框架,采用中心差分变换代替STF中的雅可比矩阵计算,兼具STF鲁棒性强,CDKF滤波精度高和实现简单的优点,有效克服了EKF在系统模型不确定时滤波失效的缺点.仿真结果验证了强跟踪CDKF的有效性.     

基于非线性STUKF滤波器和ESN算法的耦合预测模型

针对瓦斯浓度时间序列的混沌性,提出一种回声状态网络算法(ESN)和无迹卡尔曼滤波器(UKF)、强跟踪滤波器(STF)耦合的混沌时间序列预测模型.对于一维瓦斯浓度混沌时间序列,采用平均轨道周期的C-C算法在时间域确定重构空间的最佳时间延迟和嵌入维数,在相空间通过非线性回归预测模型拟合瓦斯涌出动力演化轨迹,提出带有渐消因子的非线性STUKF滤波器对ESN联合参数进行最优状态估计.试验结果表明:基于STUKF的ESN瓦斯涌出模型预测方法有效,在STUKF滤波器作用下增强了ESN算法的学习效率、提高了模型的跟踪能力,能达到精度高、鲁棒性好等优点.     

确定采样型强跟踪滤波飞机舵面故障诊断与隔离

为了克服扩展多模型自适应估计中扩展卡尔曼滤波的理论局限性,多重渐消因子强跟踪改进引起的滤波发散现象以及多维高斯故障概率计算量大等问题,本文将一类基于确定解析采样近似方法的非线性次优高斯滤波与多模型自适应估计相结合,提出了改进的多重渐消因子强跟踪非线性滤波快速故障诊断方法.确定采样型滤波克服了扩展卡尔曼滤波的理论局限性;推导了等效多重渐消因子计算方法,避免了非线性系统雅克比矩阵的计算,提高了故障突变时的跟踪性能;提出了基于平方根分解的改进的一步预测协方差更新方程,保证了滤波稳定性;提出了基于欧几里得范数简化的故障概率计算方法,降低了计算量.通过对比仿真验证了3种不同非线性滤波算法及其强跟踪改进算法的有效性,故障诊断方法跟踪性强、速度快、精度高,具有较好的鲁棒性和稳定性.     

如何采用渐消卡尔曼滤波器防止捷联惯导系统滤波发散

为了有效防止捷联惯导系统滤波发散,本文从卡尔曼滤波原理出发,介绍了渐消卡尔曼滤波原理、遗忘因子等内容,通过对渐消因子的推导及计算机仿真,给出了常规卡尔曼滤波器和渐消卡尔曼滤波器对系统进行滤波的结果比较。该结果表明,采用渐消卡尔曼滤波器在工程实践上确实可以解决捷联惯导系统滤波发散的问题。     

一种强跟踪滤波器及其在人手跟踪中的应用

通过对状态预报误差的协方差矩阵的各个分量分别进行控制,设计一种强跟踪扩展卡尔曼跟踪滤波器,并在单目相机环境下利用该滤波器对3D人手运动过程中的突变状态进行跟踪;讨论了3D人手生理模型、运动模型等问题;最后通过大量实验证明了该强跟踪滤波器的有效性.与现有的STEKF滤波器相比,文中的强跟踪滤波器具有更强的跟踪能力.     

基于扩展卡尔曼滤波器的RBF神经网络学习算法

径向基函数（RBF）神经网络可广泛应用于解决信号处理与模式识别问题，目前存在一些学习算法用来确定RBF中心节点和训练网络，对于确定RBF中心节点向量值和网络权重值可以看作同一系统问题，因此该文提出把扩展卡尔曼滤波器（EKF）用于多输入多输出的径向基函数（RBF）神经网络作为其学习算法，当确定神经网络中网络节点的个数后，EKF可以同时确定中心节点向量值和网络权重矩阵，为提高收敛速度提出带有次优渐消因子的扩展卡尔曼滤波器（SFEKF）用于RBF神经网络学习算法，仿真结果说明了在学习过程中应用EKF比常规RBF神经网络有更好的效果，学习速度比梯度下降法明显加快，减少了计算负担。     

超声波流量测量时差改进卡尔曼滤波

在离散卡尔曼滤波器的基础上,针对超声波液压系统流量测量的时差信号的特征提出了离散卡尔曼滤波的改进方法,提高了普通卡尔曼滤波器对信号突变的识别跟踪能力.该方法采用切换函数来识别时差信号的突变,通过改变滤波器模型中系统噪声协方差阵实现了滤波器对时差信号突变的跟踪.实验结果表明,改进后的滤波器具有良好的消噪和瞬态响应能力.     

简化高阶强跟踪容积卡尔曼滤波及其在组合导航中的应用

针对传统容积卡尔曼滤波(CKF)在面对系统模型失配和状态突变滤波精度下降的问题,将强跟踪滤波器(STF)和高阶容积卡尔曼滤波(HCKF)相结合,提出一种简化高阶强跟踪容积卡尔曼滤波(RHSTCKF)算法.该算法具有比传统CKF更高的滤波精度,并且利用滤波模型的特点,简化HCKF的计算步骤,同时在HCKF中引入多重渐消因子增强算法的自适应性和应对状态突变的能力.将所提算法应用到SINS/GPS组合导航系统中进行仿真实验,结果表明,RHSTCKF可以准确估计出突变状态的真实值,能够抑制滤波器状态异常的干扰,滤波性能明显优于HCKF,能够提高组合导航系统的自适应性和定位精度.     

强跟踪平方根容积卡尔曼滤波和 自回归模型融合的故障预测

为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.     

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中，相互作用多模型（IMM）算法是目前公认的最为有效的算法。但到目前为止，LMM估计方法都是建立在卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF）基础上，因而其性能不仅依赖于所采用的模型集，而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器（STF）克服了卡尔曼和扩展卡尔曼的三大缺陷，因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明，基于STF的IMM算法的跟踪性能要优于基于KF和EKF的IMM算法的跟踪性能。     

衰减因子自适应估计卡尔曼滤波比较研究

针对卡尔曼滤波算法发散的问题,从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波发散的原因,提出了新的衰减记忆卡尔曼滤波中衰减因子的自适应估计方法。该方法利用滤波残差序列在最优估计时为零均值白噪声的性质,分别检验滤波残差每一个分量得出衰减因子值,并与强跟踪滤波器进行了对比研究。仿真结果表明,新算法在系统噪声特性不准确的情况下,能自适应地估计出衰减因子的大小,抑制卡尔曼滤波估计的发散,滤波精度要高于强跟踪滤波器;且其推导形式简单、计算量小、适合于在线运算。     

适用处理非高斯观测噪声的强跟踪卡尔曼滤波器

在高斯噪声条件下,卡尔曼滤波器(KF)能够获得系统状态的一致最小方差线性无偏估计.但当噪声非高斯,KF性能将严重下降.观测噪声非高斯现象在深空探测自主导航中经常遇到,然而现有模型可能存在着精度不高、稳定性不强或者计算复杂度较高的缺点.针对这种现状,本文在传统强跟踪卡尔曼滤波器(STKF)中新息正交原则的基础上,推导了适用处理非高斯观测噪声的强跟踪卡尔曼滤波器(STKFNO),并将其嵌入到无迹卡尔曼滤波(UKF)框架下形成适用处理非线性系统非高斯观测噪声的强跟踪无迹卡尔曼滤波器(STUKFNO).所提出的算法被应用到深空光学自主导航系统中,仿真结果表明所提出的算法能够较好地应对观测噪声的非高斯性.     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

An improved fuzzy Kalman filter for state estimation of non-linear systems

The extended fuzzy Kalman filter (EFKF) of non-linear systems which can deal with fuzzy uncertainty effectively has been developed recently. But it seems to be inapplicable to the cases where the states change abruptly or there exist model mismatches in non-linear systems. Therefore, based on the EFKF, a new concept of the improved fuzzy Kalman filter (IFKF) is proposed in this article. Due to the introduction of the extension orthogonality principle given as a criterion to design the new algorithm, the IFKF can track the abrupt changes of the states and has definite robustness against the model mismatches. Finally, computer simulations with a MIMO non-linear model are presented, which illustrate that the proposed IFKF has the strong tracking ability and robustness against the model mismatches.     

A strong tracking nonlinear robust filter for eye tracking

Non-intrusive methods for eye tracking are important for many applications of vision-based human computer interaction. However, due to the high nonlinearity of eye motion, how to ensure the robustness of external interference and accuracy of eye tracking pose the primary obstacle to the integration of eye movements into today’s interfaces. In this paper, we present a strong tracking unscented Kalman filter (ST-UKF) algorithm, aiming to overcome the difficulty in nonlinear eye tracking. In the proposed ST-UKF, the Suboptimal fading factor of strong tracking filtering is introduced to improve robustness and accuracy of eye tracking. Compared with the related Kalman filter for eye tracking, the proposed ST-UKF has potential advantages in robustness and tracking accuracy. The last experimental results show the validity of our method for eye tracking under realistic conditions.