自适应UKF算法在目标跟踪中的应用

针对目标跟踪中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题, 提出了一种自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF)算法.该算法在滤波过程中,利用改进的Sage-Husa估 计器在线估计未知系统噪声的统计特性,并对滤波发散的情况进行判断和抑制, 有效提高了滤波的数值稳定性,减小了状态估计误差. 仿真实验结果表明,与标准UKF算法相比,自适应UKF算法明显改善了目标跟踪的精度和稳定性.     

高动态下基于AUKF的载波跟踪算法

当载体处于高动态运动状态时,GPS接收机载波跟踪信号极易受到外部环境不确定因素的影响。若采用标准的无迹卡尔曼滤波 (UKF),在先验的噪声统计特性与实际的噪声统计特性不相符时,状态估计性能将变差甚至发散。针对上述问题,提出采用主从式自适应UKF的算法(AUKF)。AUKF能自适应调整过程噪声方差,从而达到减小模型估计误差、抑制滤波发散的目的。Matlab仿真结果表明,在高动态下噪声统计特性发生变化时,基于AUKF的载波跟踪算法具有较好的稳定性。     

基于无迹卡尔曼滤波单液流锌镍电池SOC估计

针对单液流锌镍电池荷电状态估计(SOC)还未较有为完善的解决方案,提出一种基于无迹卡尔曼滤波(UKF)算法的单液流锌镍电池SOC估计.对单液流锌镍电池工作原理进行介绍,建立单液流锌镍电池二阶等效电路模型,并对电池内部参数进行辨识,通过利用扩展卡尔曼滤波算法(EKF)和无轨迹卡尔曼滤波算法(UKF)分别对单液流锌镍电池的SOC估计,经过仿真分析两种算法的误差,进一步说明无迹卡尔曼滤波算法有较高的精确度,估计误差在2％以内,能够满足单液流锌镍电池荷电状态估计要求.     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

自适应SVD–UKF算法及在穿刺状态估计中的应用

柔性针在实际穿刺过程中会产生不规则形变, 导致柔性针模型存在参数不确定性问题, 影响穿刺精度. 本文针对柔性针穿刺过程存在的不确定性问题以及超声成像等设备存在的量测噪声统计特征不准确性问题, 提出了一种带有噪声估计器的自适应奇异值分解无迹卡尔曼滤波算法. 该算法采用自适应因子实时修正动力学模型误差, 通过奇异值分解抑制系统状态协方差矩阵的负定性, 利用Sage-Husa估计器在线估计噪声的统计特性, 减小了系统状态估计误差. 将新算法应用于带有曲率不定性的柔性针穿刺模型进行计算仿真, 仿真结果显示, 新的算法较现有的UKF算法相比, 估计误差减小了0.28 mm(82.7%), 与AUKF算法相比, 估计误差减小0.06 mm(52%). 因此, 新算法可有效改善滤波性能, 提高穿刺状态的估计精度.     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

基于电路等效和UKF-EKF的锂电池SOC估算方法研究

锂电池以成组形式被广泛使用,但在生产与使用中单体不一致现象会严重影响电池的使用效率、寿命以及安全性。因此,对动力锂电池荷电状态(SOC)进行实时准确估算,保证电池的及时均衡尤为重要。针对动力电池估算所存在的等效模型模拟电池充放电过程中的真实性低、常用算法精度损失等问题,采用二阶Thevenin等效电路模型,通过递推最小二乘法进行电池模型的参数辨识。对比扩展卡尔曼滤波(EKF)算法与无迹卡尔曼滤波(UKF)算法的优、缺点,提出了一种结合EKF和UKF两种算法优势的联合在线SOC估计策略。将估计的SOC结果和试验测量结果进行比较,并通过试验与仿真验证该方法的精度。试验结果表明,该方法能够有效实现SOC的在线估算,其估计精度在5%内,为电池管理系统的搭建与锂电池组的均衡提供了判断依据。     

FAST-SR-UKF算法及其在组合导航系统中的应用

为解决无迹卡尔曼滤波（UKF）算法在组合导航应用中遇到的系统模型不确定、系统噪声统计特性未知以及计算误差较大等问题,提出了模糊自适应强跟踪平方根无迹卡尔曼滤波（FAST-SR-UKF）算法,该算法不仅具有传统UKF的优势,而且包含如下特点：通过模糊自适应强跟踪模块,增强了系统对模型不确定性以及噪声统计参数未知的适应能力;利用平方根滤波的思想,提高了模糊自适应强跟踪无迹卡尔曼滤波算法的数值稳定性,改善了由于计算误差导致的滤波发散问题。仿真结果表明：相对于传统的UKF算法,该算法精度更高、鲁棒性更强。     

一种提高无迹卡尔曼滤波精确度的方法

无迹卡尔曼滤波是通过确定性采样,以无迹变换为基础,用卡尔曼线性滤波框架而建立起来的,对非线性系统有很好的滤波效果,但当噪声的影响较大时,精确度将会减低。为解决上述问题,提出了一种提高无迹卡尔曼滤波(UKF)精确度的方法,它将观测噪声和系统噪声引入到采样点中,对噪声进行对称采样处理,同时改进了算法过程,增加了无迹卡尔曼滤波的抗干扰性,与常规无迹卡尔曼滤波(UKF)相比,不仅保持了系统的稳定性,而且提高了精确度,最后通过仿真进行了验证。     

基于无迹H∞滤波的锂电池SOC估计研究

新能源汽车中锂电池的荷电状态(SOC)估计是电池管理系统的关键技术,对其准确估算有重要意义.所提的算法参考无迹卡尔曼滤波(UKF),将无迹变换(UT)融入到扩展H∞滤波中,用以估计锂电池系统状态均值和协方差,避免线性误差累积、增加算法的数值稳定性.在仿真实验中,在不同动态工况下分析了该算法的估计误差,证明算法在面对噪声干扰时具有较好的鲁棒性和准确性,是一种有效可行的算法.