非平稳信号自适应滤波的小波模型与滤波方法

分析自适应滤波和小波滤波的原理与方法,建立非平稳信号的自适应滤波的小波模型和滤波方法。利用小波变换的多尺度分解,将分离出来的噪声成分作为自适应滤波器的输入信号。通过自适应滤波器组能同时实现对多种噪声成分的最佳滤波,是实现信噪分离的最佳滤波方法,具有优良的滤波性能。模型验证和工程实例应用表明,该方法能实现非平稳信号在同频段对噪声成分和有用信号的最佳估计。     

无人艇的目标跟踪策略研究

无人艇对水面航行目标的跟踪,考虑实际出现的各种情况,根据无人艇在跟踪过程中与目标的相对位置关系和航速等,对应不同的无人艇控制策略。在进行船舶的控制过程中要考虑到航速和航向角不能突变,控制航速航向渐进变化。采用模糊控制进行航速控制,利用几何关系计算出航向,同时增大数据更新频率,增加算法使用次数,保证算法实现的效果最优。将航速航向的输出结果添加风、浪、流的干扰,添加干扰后计算得到无人艇的位置,最终经过仿真验证跟踪的效果。     

微型光电编码器在电机角速率辨识中的应用

针对电机伺服控制系统利用编码器角位置信息预测角速率的需求,提出并实现了一种基于平稳卡尔曼滤波的编码器信号处理方法。首先,分析了典型电机系统的结构及测量噪声编码器的组成,在此基础上建立了电机系统和编码器的参数化数学模型,并根据电机系统和编码器模型给出了统一的参数化平稳卡尔曼滤波器设计结果。在Matlab/Simulink环境下完成了电机、编码器和卡尔曼滤波器的仿真模型,并利用不同参数对参数化平稳卡尔曼滤波器的普适性和滤波效果进行了预测。最后,搭建了实验平台,对仿真结论进行验证并对滤波性能进行了实测。仿真和实验结果表明:参数化滤波模型对典型电机系统具有普适性,自适应平稳卡尔曼滤波器可以利用编码器信号实现角速率的最优估计,误差标准差为0.021(°)/s,最大误差可以控制在0.06(°)/s之内,能够满足一般电机伺服系统对角速率精度的要求。     

基于变分贝叶斯的DR/UTP组合导航滤波方法

针对水下无人航行器(UUV)的航位推算导航方法(DR)和水下应答器(UTP)组合导航系统中传统滤波器因观测噪声统计模型不准确或未知而出现的滤波器发散问题,提出了一种基于变分贝叶斯的平方根容积卡尔曼滤波算法,该算法利用变分贝叶斯方法对DR/UTP组合导航系统的状态和时变观测噪声进行估计,并引入自适应调节因子来提高对观测噪声的逼近精度,然后利用平方根容积卡尔曼滤波对系统状态进行更新。仿真结果表明,该滤波算法能够较好地跟踪UUV的DR/UTP组合导航系统外部观测噪声方差的不断变化,可有效提高对DR/UTP组合导航系统各参数的估计精度。     

基于视线测量的航天器相对导航滤波方法研究

基于视线测量的航天器相对导航精度会受到相对轨迹形状和滤波算法设计等因素的共同影响。以低轨卫星近距离编队飞行为任务背景,设计了环航飞行、共面漂移和共线保持3种不同轨迹的相对运动模式。对3种模式建立了基于星间非线性相对运动模型的系统状态方程,并引入了J2项地球非球形摄动力的影响;建立了基于视线测量的观测方程,观测量包括星间相对距离、相对俯仰角和相对航向角。结合系统模型和观测模型均为高斯分布的非平稳随机过程的特点,分别在上述3种模式下设计了基于扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)的相对导航滤波算法,对各自的相对运动轨迹进行了数值仿真,并在半物理硬件环境下进行了验证,分析了不同模式下EKF和UKF对于高斯非平稳随机过程的估计精度和稳定性,并结合EKF和UKF的运算复杂度,提出了3种相对运动模式下的滤波器优选方案,对工程设计提供了理论参考。     

抗野值自适应卫星/微惯性组合导航方法

针对在复杂城市环境下卫星导航系统(GNSS)定位定速存在野值,导致GNSS/微惯性(MEMS-INS)组合导航状态参数滤波估计精度恶化,甚至滤波发散的问题,提出了一种抗野值自适应GNSS/MEMS-INS组合导航算法,以提高组合导航精度和可靠性。该算法利用Allan方差分析建立较为精确的MEMS器件噪声模型,有效降低模型异常和状态扰动的影响。同时利用新息序列构造观测异常检验统计量,并根据该统计量构造自适应新息加权因子调节滤波增益矩阵,削弱观测野值对状态估计的不良影响。实验结果表明,该算法能够有效地控制GNSS定位定速异常的影响,具有较强的实时性和容错性。相比于传统算法,车载定位、定速和定姿精度分别提升35.78%、60.19%和82.41%,验证了本文算法的有效性和实用性。     

径向基粒子滤波状态跟踪测量算法

状态跟踪测量的过程噪声降低了目标信噪比,增加了自适应滤波跟踪的难度。当误差较大时,基本粒子滤波算法的预测累积误差效应将导致系统发散。无迹粒子滤波算法利用无迹卡尔曼滤波提高重要性函数估计精度,减少后验概率密度分布误差,但同时也将大幅增加运算时间。提出一种基于径向基函数网络(RBFN)的改进型粒子滤波算法PF-RBF,利用RBFN通过目标状态观测值和全局预测值拟合状态变化趋势,更新各粒子状态,提高先验概率密度分布估计精度,消除过程噪声引起的估计误差。与无迹粒子滤波(UPF)算法相比,该算法无需构造无迹卡尔曼滤波(UKF)重要性函数,提高了运算速度。机动目标跟踪试验表明,径向基粒子滤波算法在线性和非线性观测方程下的状态跟踪测量精度和算法稳定性均优于UKF、PF和UPF算法,可有效实现对状态变化的实时鲁棒跟踪。当参与运算的粒子数增加时,PF-RBF算法执行时间的增长速率较UPF算法更低,可满足高精度状态跟踪应用。     

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。     

基于卡尔曼滤波的导弹姿态最优控制法

使用卡尔曼滤波器来估计系统过程状态,噪声测量值馈通至线性二次高斯控制器以实现导弹攻角的控制。该方法的控制器负责处理系统中不需要的噪声,确保跟踪误差收敛为零。通过仿真证实了控制器的有效性。     

自适应卡尔曼滤波器在火箭弹落点估计中的应用

利用雷达对火箭弹一段飞行过程中的参数进行量测,对火箭弹落点进行了准确估计,实现了火箭弹的轨迹修正。采用具有自适应调节滤波增益矩阵的卡尔曼滤波器,结合质点弹道模型,建立了自适应卡尔曼滤波弹道模型,完成了对三坐标雷达探测的一段火箭弹飞行参数的野值处理与滤波,并对火箭弹落点进行外推。数值仿真结果表明,经自适应调节的卡尔曼滤波器滤波后,弹道量测信号中的野值与噪声被有效去除,且滤波方差可以在短时间内收敛。根据滤波时间与落点估计误差的关系,采用滤波时间为8-10 s 方案,可得到最佳的落点估计。     

基于自适应Kalman滤波的SAW测温数据纠错方法

在无源无线SAW测温系统实际应用中,阅读器接收到的信号往往受到其所处环境电磁波的干扰。这些干扰将会使阅读器得到错误的测量数据。温度变化趋势和测量噪声时变的特点也给系统建模以及噪声估计带来了困难。针对实际应用中存在的问题,在Kalman滤波的基础之上,提出了一种新的自适应算法。该算法采用多项式预测的方法建立温度测量的时变系统模型,根据当前及历史测量值,自行调整预测模型参数,避免因模型不准确造成Kalman滤波效果严重下降的问题;通过对测量数据小波变换的方法,实时估计测量数据噪声方差,克服未知观测噪声的条件下精度下降的问题;当测量数据受到干扰时,测量值与纠错值之间的差值不满足高斯分布,通过对差值统计特性的分析,对测量数据进行错误数据判别与剔除,有效地抑制干扰对温度测量的影响。将这种自适应Kalman滤波算法应用到无源无线SAW测温系统中,无源无线SAW温度传感器测温实验的结果验证了该算法能有效地纠正粗大误差,提高测量系统的精度。     

自适应卡尔曼滤波器在火箭弹落点估计中的应用（英文）

利用雷达对火箭弹一段飞行过程中的参数进行量测,对火箭弹落点进行了准确估计,实现了火箭弹的轨迹修正。采用具有自适应调节滤波增益矩阵的卡尔曼滤波器,结合质点弹道模型,建立了自适应卡尔曼滤波弹道模型,完成了对三坐标雷达探测的一段火箭弹飞行参数的野值处理与滤波,并对火箭弹落点进行外推。数值仿真结果表明,经自适应调节的卡尔曼滤波器滤波后,弹道量测信号中的野值与噪声被有效去除,且滤波方差可以在短时间内收敛。根据滤波时间与落点估计误差的关系,采用滤波时间为8-10s方案,可得到最佳的落点估计。     

半主动悬架的无迹卡尔曼状态观测器设计

卡尔曼滤波器是线性动态系统中应用最广泛的一种状态估计方法。在非线性系统中,扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)被广泛应用,相比扩展卡尔曼滤波器,无迹卡尔曼滤波器准确度更高、更易于实现。在车辆动力学这种强的非线性系统中,无迹卡尔曼滤波器应用广泛。设计了一种基于无迹卡尔曼滤波器的半主动悬架系统状态观测器,讨论了不准确的过程噪声协方差Q和测量噪声协方差R、及测量信号组合的选择和不准确的模型参数对状态观测精度的影响,仿真结果表明不准确的过程噪声和测量噪声协方差、不合适的测量信号选择和模型参数不准确的干扰在不同程度上降低了状态估计精度。     

多旋翼姿态解算中的改进自适应扩展Kalman算法

提出了一种改进的Sage-Husa自适应扩展Kalman滤波算法,用于保证多旋翼无人机在噪声统计特性未知且时变、振动为主要扰动源、姿态角高动态变化等飞行条件下飞行姿态角解算的精度与稳定性。该算法采用微机电系统陀螺仪实时动态解算的姿态角方差估计系统噪声方差;并采用自适应滤波算法在线估计量测噪声方差,从而保证滤波的精度与稳定性;同时引入滤波器收敛性判据,结合强跟踪Kalman滤波算法来抑制滤波发散。飞行实验与分析表明:改进算法解算的俯仰角与横滚角均方根误差分别为1.722°和1.182°,明显优于常规的Sage-Husa自适应滤波算法。实验还显示:改进的算法自适应能力强、实时性好、精度高、运行可靠,能够满足多旋翼无人机自主飞行的需要,若对参数进行适当修改,还可应用于其它动态性能要求较高的导航信息测量系统中。     

应用特征估计的距离图像多尺度滤波

为了提取含有噪声的激光扫描距离图像中的特征,提出了一种多尺度自适应滤波方法.该方法由特征估计和多尺度滤波两部分组成.利用无嗅卡尔曼滤波器构建白适应特征估计器,估计扫描点间的几何拓扑关系,并用估计过程中所获得的Mahalanobis距离构建扩散滤波核,对原始距离像进行多尺度滤波处理.为了能够仅依靠单一模型实现对环境中不同...     

基于级联滤波的建筑结构信息 / 惯导室内定位方法

针对以惯性传感器为核心的鞋绑式室内行人导航定位中位置及航向误差无法有效校正的问题,通过集成微机电惯性传感器和室内建筑结构信息,提出一种级联结构的卡尔曼粒子滤波的室内融合定位方法。首先在下级卡尔曼滤波采用零速更新初步修正惯性导航的解算误差;上级粒子滤波器利用室内建筑结构信息通过穿墙检测进一步校准行人位置和航向。实验结果表明,基于级联滤波的建筑结构信息/惯导室内行人导航算法可有效降低惯导误差的累积问题,纠正传统算法采用零速修正校正系统误差时,因为航向不可观测而导致行人轨迹"穿墙"现象,该方法可减小位置更新过程中的误差累计,其结果相比单一惯性行人定位结果的位置均方根误差由0.69 m降低到0.39 m,航向均方根误差由0.81°降低到0.72°。     

一种电子磁罗盘航向误差的自适应补偿方法

分析软硬磁干扰对磁罗盘航向角的影响,建立相应的磁罗盘航向误差模型,并将模型参数作为卡尔曼滤波器的状态量,在 MIMU 的辅助作用下,使模型参数随周围磁场环境变化而改变,增强了磁罗盘航向测量的环境适应性。卡尔曼滤波器的观测量分为常规观测量和机动观测量,机动观测量在估计航向误差模型参数时增加了当前航向的权值,提高了当前航向的误差补偿精度。实验数据表明,在干扰磁场较强且人为改变干扰磁场的情况下,最大航向误差为±14.5°,经过自适应补偿后降至±0.2°以内。本算法可以精确地、自适应地对磁罗盘航向误差进行补偿,非常适合在周围磁场易变化的环境中使用。     

基于偏振光传感器的无人机姿态组合滤波算法北大核心CSCD

针对惯性导航易受运动加速度影响和GPS与磁力计导航易受到电磁干扰影响等问题,提出了一种偏振光辅助惯性导航的无人机航姿估计算法。利用大气瑞利散射模型获取最大偏振矢量,辅助惯性元件实现了基于PI互补滤波的姿态四元数更新算法;对陀螺仪、加速度计和偏振光传感器信号进行粒子滤波的融合修正。实验结果表明:该方法解算的姿态角在静态条件下性能稳定,抑制了传感器噪声;同时在运动情况下准确性大幅提升,具有更好的动态解算精度。     

基于蚁群优化UKF算法的汽车状态估计

针对汽车状态估计中过程噪声和观测噪声的时变特性,提出一种新的自适应滤波算法。该算法基于三自由度非线性汽车动力学模型,在利用UKF对汽车状态量进行估计的同时,引入蚁群优化算法,根据目标函数对过程噪声和观测噪声进行寻优,实现了过程噪声和观测噪声的自适应作用,估计精度的大幅提高。虚拟实验验证了蚁群优化UKF算法的鲁棒性和精度。研究结果对汽车主动控制系统的开发具有重大的理论指导意义。     

一种带遗忘因子的自适应卡尔曼滤波器及其在移动机器人中的应用

在移动机器人姿态估计过程中,由于难以建立准确的系统模型,导致参数量测不准确。采用一种自适应卡尔曼滤波器,通过加入遗忘因子的方式改变滤波器对状态估计的信任程度,改善了系统中噪声统计模型不准确对测量结果的影响。仿真结果表明,当经验知识不足导致建立姿态测量模型不准确时,自适应卡尔曼滤波器的滤波效果优于传统卡尔曼滤波器,提高了姿态信号的估计精度。