H2/H∞混合滤波在GPS/DR组合导航中的应用研究Ⅱ

纯卡尔曼滤波在系统或观测噪声不符合假设前提下,滤波将出现发散,而纯H∞滤波虽然稳健,但是精度不高,所以,比较常用的方式是两种滤波形式相结合的H2/H∞混合滤波.本文提出了一种不需对噪声作过多建模,对两种滤波的增益矩阵进行加权求和的混合滤波形式,基于该形式,推导了加权系数的求法,并基于该算法,应用在GPS/DR组合导航中,进一步,为了简化计算,提高运算效率,提出了更符合工程应用的稳态H2/H∞滤波方法,仿真结果表明,H2/H∞混合滤波即具有卡尔曼滤波的同等精度,又具有H∞滤波的滤波稳健性,综合时间耗费、滤波精度、滤波稳健性三个指标,稳态H2/H∞滤波更符合工程应用.     

H2/H∞混合滤波在GPS/DR组合导航中的应用研究Ⅰ

纯卡尔曼滤波在系统或观测噪声不符合假设前提下,滤波将出现发散,而纯H∞滤波虽然稳健,但是精度不高,所以,比较常用的方式是两种滤波形式相结合的H2/H∞混合滤波.本文提出了一种不需对噪声作过多建模,对两种滤波的增益矩阵进行加权求和的混合滤波形式,基于该形式,推导了加权系数的求法,并基于该算法,应用在GPS/DR组合导航中,进一步,为了简化计算,提高运算效率,提出了更符合工程应用的稳态H2/H∞滤波方法,仿真结果表明,H2/H∞混合滤波即具有卡尔曼滤波的同等精度,又具有H∞滤波的滤波稳健性,综合时间耗费、滤波精度、滤波稳健性三个指标,稳态H2/H∞滤波更符合工程应用.     

H_∞滤波及其在INS/CNS组合导航系统中的应用

在惯导/星光(INS/CNS)组合导航中,由于集中卡尔曼滤波存在对系统模型和噪声统计特性依赖性等缺点,将H∞滤波方法理论应用其中。给出了H∞滤波的滤波方程,定性讨论了kalman滤波和H∞滤波的关系,通过在INS/CNS组合导航系统中的实际应用进一步从精度和鲁棒性对两种滤波算法进行了比较。仿真结果表明,当噪声为有色噪声或统计特性不确定时,H∞滤波优于kalman滤波,说明了该算法的有效性和可行性。     

自调节鲁棒H∞滤波目标机动估计

将鲁棒H∞滤波理论应用到具有自调节特性的二阶马尔科夫模型下的目标机动估计问题中.初始滤波机动模型参数采用给定值,滤波开始后采用目标运动状态的滤波估计值实时计算模型参数.基于自调节目标机动模型,本文选择卡尔曼滤波和H∞滤波进行了目标机动突变估计仿真研究.结果表明,采用具有自调节特性的二阶马尔科夫目标机动模型时,H∞滤波精度高,适应目标机动突变的能力强,估计精度能够满足精确制导系统的指标要求.     

基于sigma点H∞滤波的说话人跟踪方法

在基于麦克风阵列的说话人跟踪系统中,存在观测方程的非线性程度较强,观测误差的统计特性不易准确描述等问题.本文提出了一种基于sigma点H∞滤波的说话人跟踪方法.该方法用sigma点转换技术减小观测方程的线性化误差,用H∞滤波方法降低观测误差不确定性对说话人位置估计的影响,从而提高了说话人跟踪精度,增强了跟踪系统对噪声的鲁棒性.仿真实验结果表明,相对于扩展卡尔曼滤波方法,本文方法在多种噪声条件下可将说话人跟踪误差降低25%以上.     

基于H∞滤波器的红外小目标运动预测和跟踪方法

根据H∞滤波理论,提出了基于H∞滤波预测技术的红外图像小目标运动预测和跟踪方法,为了降低模型阶数以加快图像处理速度,滤波过程被分解在水平和垂直两个方向上分别进行,即将滤波器分解为x、y方向上两个子滤波器．H∞滤波器是一种基于最优化最坏情况下的滤波技术,它对噪声源的要求不高,能较好地应用在复杂场景下的目标运动预测与跟踪．实验证实了在噪声源不能确定或是未知的情况下,它比Kalman滤波器对红外小目标的运动预测更加准确并具有更好抗扰动性．     

箱粒子滤波理论综述

介绍了一种基于蒙特卡罗方法和区间分析相结合的处理非线性动态随机系统的估计方法——箱粒子滤波算法。在递推贝叶斯估计理论框架下,分析了箱粒子滤波理论的核心思想和基本原理;研究了箱粒子滤波的性能特点,并对箱粒子滤波理论的应用进行了简单的介绍;最后,对箱粒子滤波算法进行展望,指出未来的发展方向。     

道路条件下车辆跟踪的鲁棒H∞滤波算法

为提高对车辆目标的跟踪效果,本文提出了一种带道路约束条件的鲁棒H∞滤波算法。注意到车辆在行驶过程中会受到道路的约束,从而利用以道路抽象出的直线方程作为滤波的约束条件,建立带道路约束的动态系统模型,并推导出约束条件下的鲁棒H∞滤波方程。实验仿真结果表明,本文所提出的带约束条件的H∞滤波算法比不带约束的H∞滤波算法以及同等条件下的卡尔曼滤波算法具有更好的滤波性能和更高的跟踪精确度。     

一种扩展H∞粒子滤波方法

重要性函数的选择是粒子滤波算法的核心,本文提出一种基于扩展H∞滤波(EHF)产生重要性函数的扩展H∞粒子滤波(EHPF)算法,由于EHF滤波算法鲁棒性强、滤波精度高,且该滤波算法考虑了最新的观测数据,因此由其产生的重要性函数更接近于系统状态的真实后验概率分布.理论分析和仿真结果表明扩展H∞粒子滤波算法的滤波性能明显优于标准粒子滤波算法,扩展卡尔曼滤波算法和扩展卡尔曼粒子滤波算法,与不敏粒子滤波算法滤波精度相当,但计算复杂度要低于不敏粒子滤波算法,是一种有效的粒子滤波算法.     

AKF与EFRLS在动态目标跟踪性能上的比较

卡尔曼滤波是具有递推估计形式的最优滤波,但最优性的获得是在过程噪声和观测噪声统计特性已知的前提下得到的。然而,在大量的动态目标跟踪实际问题中噪声具有不确定性,因而有必要研究在噪声不确定下动态目标的跟踪算法以满足实际问题的需要。文中介绍自适应Kalman滤波对过程噪声方差的估计以及推广的遗忘因子最小二乘法对状态估计的递推公式,并且在平均误差最小准则下通过计算机仿真比较两种方法对动态目标的跟踪性能.仿真结果表明,在不确定噪声下自适应Kalman滤波能够取得比推广的遗忘因子递推最小二乘法更好的跟踪性能。     

机动目标跟踪的HIMM算法研究

交互多模型算法(IMM)的子滤波器都是基于Kalman滤波的,它要求知道精确的噪声统计特性,然而在许多情况下噪声信号的统计特性是未知的,只能得到噪声信号的近似模型,这在一定程度上降低了IMM算法的跟踪精度.基于以上问题,将H∞滤波算法应用于IMM算法的滤波过程.H∞滤波对干扰信号的统计特性不作任何假设,与Kalman滤波相比,H∞滤波器对噪声形式的不确定性不太敏感,鲁棒性好.在跟踪过程中还引入了一种数值稳健的模型概率计算方法,能有效防止计算过程中出现数值溢出现象,提高了算法的可靠性.最后通过仿真实验,证明了算法的有效性.     

EM-based recursive estimation of channel parameters

Recursive (online) expectation-maximization (EM) algorithm along with stochastic approximation is employed in this paper to estimate unknown time-invariant/variant parameters. The impulse response of a linear system (channel) is modeled as an unknown deterministic vector/process and as a Gaussian vector/process with unknown stochastic characteristics. Using these models which are embedded in white or colored Gaussian noise, different types of recursive least squares (RLS), Kalman filtering and smoothing and combined RLS and Kalman-type algorithms are derived directly from the recursive EM algorithm. The estimation of unknown parameters also generates new recursive algorithms for situations, such as additive colored noise modeled by an autoregressive process. The recursive EM algorithm is shown as a powerful tool which unifies the derivations of many adaptive estimation methods     

离散网络系统基于模态的l2-l∞滤波器设计

研究了一种基于网络控制的离散时间系统的能量峰值滤波问题,采用参数不完全已知的马尔科夫链描述由网络引发的系统延时.这样的假设使得滤波器更加具有普遍性,因为现有的方法一般将其延时模态间切换的概率当作完全已知或完全未知的参数来处理.通过把未知的概率参数处理为一个凸空间,可以得到一个基于模态的全阶滤波器.文中利用一个新的实有界引理,得到了可以使相应的误差滤波系统在给定l2-l∞的指标下渐进稳定的LMI充分条件.文中最后给出一个数值算例来展示本方法的有效性.     

Robust H_{\infty } filtering for uncertain two-dimensional continuous systems with time-varying delays

This paper deals with the problem of delay-dependent robust $H_{\infty }$ H ∞ filtering for uncertain two-dimensional (2-D) continuous systems described by Roesser state space model with time-varying delays, with the uncertain parameters assumed to be of polytopic type. A sufficient condition for $H_{\infty }$ H ∞ noise attenuation is derived in terms of linear matrix inequalities, so a robust $H_{\infty }$ H ∞ filter can be obtained by solving a convex optimization problem. Finally, some examples are provided to illustrate the effectiveness of the proposed methodology.     

Fast anisotropic Gauss filtering

We derive the decomposition of the anisotropic Gaussian in a one-dimensional (1-D) Gauss filter in the x-direction followed by a 1-D filter in a nonorthogonal direction /spl phi/. So also the anisotropic Gaussian can be decomposed by dimension. This appears to be extremely efficient from a computing perspective. An implementation scheme for normal convolution and for recursive filtering is proposed. Also directed derivative filters are demonstrated. For the recursive implementation, filtering an 512 /spl times/ 512 image is performed within 40 msec on a current state of the art PC, gaining over 3 times in performance for a typical filter, independent of the standard deviations and orientation of the filter. Accuracy of the filters is still reasonable when compared to truncation error or recursive approximation error. The anisotropic Gaussian filtering method allows fast calculation of edge and ridge maps, with high spatial and angular accuracy. For tracking applications, the normal anisotropic convolution scheme is more advantageous, with applications in the detection of dashed lines in engineering drawings. The recursive implementation is more attractive in feature detection applications, for instance in affine invariant edge and ridge detection in computer vision. The proposed computational filtering method enables the practical applicability of orientation scale-space analysis.     

The kriging update model and recursive space-time functionestimation

We present a method for efficiently fitting a time series of spatial functions to observed data. The method is closely related to kriging, which is an interpolation method based on a stochastic data model. While kriging is effective and versatile for estimating individual functions from observed data, it must be extended to incorporate temporal correlation. In this paper, we introduce temporal correlation to kriging in the form of a stochastic state equation representation-the kriging update model. This permits a recursive solution that is akin to Kalman filtering to estimate time series of functions that avoids growing data problems associated with other space-time extensions of kriging. The state equation representation incorporates the principle assumption of universal kriging: that the mean is deterministic but unknown. We derive the estimate using best linear unbiased estimation and state the result in a concise algorithm for general use in arbitrary spatial dimensions. To demonstrate the algorithm, we apply it to two sets of test functions and provide an example application in estimating heart motion from medical images     

离散马尔可夫跳跃系统的鲁棒H∞滤波

研究了离散时滞不确定马尔可夫跳跃系统的鲁棒H_∞滤波器设计,其中系统的参数为范数有界不确定且时滞相关。基于李雅普诺夫函数的方法和引入附加矩阵,得到新的稳定条件,具有较小的保守性。根据得到的稳定条件,通过求解LMI得到滤波器参数,并最终通过数据示例验证方法的可行性。     

不确定时滞广义系统的H∞弹性保性能控制

基于线性矩阵不等式（LMIs）方法,研究了一类不确定时滞广义系统的H∞弹性保性能控制器的设计问题。在假定控制器增益扰动范数有界的前提下,设计状态反馈控制器,使得闭环系统不仅对容许的参数不确定性保持正则,稳定,无脉冲,而且使得闭环系统性能指标具有上界的同时满足给定的H∞性能γ。以LMIs形式给出了状态反馈H∞弹性控制器的设计方法。最后,数值算例证明了该设计方法的有效性和可行性。