迭代平方根UKF

针对无迹卡尔曼滤波器（UKF）测量更新方法的不足,提出了一种对UKF 进行迭代测量更新的 方法,用于提高非线性系统状态估计的近似精度．利用平方根UKF 算法确保了迭代UKF 的数值稳定性．理论 分析与实验结果表明,迭代平方根UKF 算法不仅具有无需计算雅可比矩阵的优点,而且具有较高的非线性近 似精度、较强的数值稳定性和较高的运算效率;在相同数量级运算时间的条件下,其估计性能明显优于扩展 卡尔曼滤波器（extended Kalman filter,EKF）、UKF 和迭代UKF 等非线性滤波器．     

UKF、PF与UPF跟踪性能的比较

无迹卡尔曼滤波器(UKF)是用一系列确定样本来逼近状态的后验概率密度,对任何非线性高斯系统都有较好的跟踪性能。粒子滤波器(PF)是用随机样本来近似状态后验概率密度函数,适用于任何非线性非高斯系统,但当似然函数出现在转移概率密度函数的尾部或者在高精度测量的场合,PF的跟踪性能降低。针对强非线性、非高斯系统、高精度测量的环境,文中提出采用UPF算法进行跟踪,并对PF、UKF和UPF三种跟踪算法进行了仿真,结果表明,UPF的跟踪精度要远高于PF、UKF的精度。     

基于UKF的窗口自适应Mean-Shift算法

传统的Mean-Shift跟踪算法窗口固定,不能对尺度任意变化的目标进行有效跟踪.为此,提出一种多尺度理论与无味卡尔曼滤波器(UKF)相结合的视频跟踪改进算法.利用多尺度理论统计跟踪窗内的信息量,使用UKF对得到的信息量进行预测,通过修正后的信息量计算窗口变化比例系数,对尺度任意变化的目标进行跟踪.实验结果证明,该算法...     

带噪声统计估计器的Unscented卡尔曼滤波器设计

针对传统Unscented卡尔曼滤波器(UKF)在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验(MAP)估计原理,设计了一种带噪声统计估计器的UKF.该UKF滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差.相比于传统UKF,所提出的UKF具有应对噪声统计变化的自适应能力.仿真结果表明了该UKF滤波算法的有效性.

Abstract：

For the problem that the accuray of the conventional UKF declines and further diverges when the prior noise statistic is unknown or inaccurate, an unscented Kalman filter (UKF) with noise statistic estimator is designed.This UKF filtering algorithm based on maximum a posterior (MAP) estimation can estimate and correct the mean and covariance of the noise in real time while it estimates the states.The proposed UKF has the adaptive capability of dealing with variable noise statistic.The simulation results show the effectiveness of the proposed UKF filtering algorithm.     

UHF-RFID环境下的移动机器人定位方法

研究UHF-RFID环境中移动机器人的定位问题,提出一种基于自适应UKF滤波器组的移动机器人定位方法,融合UHF-RFID和机器人内部传感器信息,以实现初始位姿未知的移动机器人定位.首先,利用UHF-RFID系统对移动机器人进行初始定位,并根据其初始位置信息随机生成移动机器人的初始状态估计集;然后,考虑UHF-RFID系统定位的量化误差,应用自适应UKF方法对机器人的状态估计集进行预测和更新,并对状态估计集进行有效地裁剪、筛选以及更新,以提高滤波器的估计精度和稳定性.仿真结果表明,相比于标准UKF滤波方法,自适应UKF滤波器组方法具有更高的定位精度和更快的收敛速度.     

一种改进的迭代无迹卡尔曼滤波算法

针对非线性系统目标跟踪中状态估计的线性问题,在滤波过程的不同部分,利用统计和分析原理对状态估计进行线性化,提出一种改进的迭代无迹卡尔曼滤波(Improved Iterated Unscented Kalman Filter, IIUKF)。在系统方程和测量方程都具有较严重的非线性条件下,与无迹卡尔曼滤波器(UKF)和迭代扩展卡尔曼滤波(IEKF)进行仿真验证比较。结果显示该方法的跟踪性能优于UKF和IEKF,提高了系统的跟踪效果。     

基于无迹卡尔曼滤波的旋转倒立摆LQR控制

LQR控制器在含有系统噪声与量测噪声的旋转倒立摆系统应用中,难以获得精确的状态向量实现对系统的最优控制.为了提高LQR的控制精度,引入了无迹卡尔曼滤波(UKF)状态观测器,以获得系统的最优状态估计量,实现基于动态规划的自抗扰二次型最优反馈控策略.与卡尔曼滤波(KF)相比,UKF用于非线性系统的状态估计的主要优势是不需要线性化去计算状态转移矩阵,避免了系统线性化带来的模型误差.在含有系统噪声与量测噪声的旋转倒立摆仿真模型下,对基于KF和UKF的LQR控制器进行了仿真对比分析.仿真结果表明,UKF对系统响应时间、控制精度、鲁棒性的优化效果更好.     

基于多温度信息融合的PCR仪

本系统采用双卡尔曼滤波器算法对多通道的试剂热辐射、环境温度和热源温度数据进行信息融合从而估计出多通道试剂表面温度的真实值,有效克服热成像仪的缺点.算法结合了迭代扩展卡尔曼滤波器(IEKF)非线性估计收敛快与线性卡尔曼滤波器(KF)实时性高的优点,实现了多通道实时滤波与温控.实验表明,滤波估计后的红外热成像仪可使误差由2℃降低到0.3℃;聚合酶链式反应(PCR)测试结果较为满意,恒温时间设置更加合理.     

基于迭代UKF的主动段弹道跟踪算法研究

卫星在角度测量信息下对弹道导弹主动段的跟踪面临可观测性弱、初始误差大等问题,寻找一种快速稳健的跟踪算法尤为重要。引入一种稳健而有效的迭代UKF滤波算法(IUKF),它通过对UKF算法进行修正,改善了对状态滤波值和协方差的估计。通过Monte-Carlo仿真与其他算法进行比较,表明新算法收敛速度更快、收敛精度更高,是解决主动段跟踪问题的一种更为有效的算法。     

基于UKF的视觉辅助末制导仿真研究

针对巡航导弹中段制导累积误差大的情况,在末制导段采用计算机视觉技术进行辅助制导.介绍了视觉制导的位姿估计方法,并利用无迹卡尔曼滤波器(UKF)对视觉和惯性制导系统进行信息融合,建立了视觉辅助末制导(VATG)的仿真控制模型.实验结果表明:该方法显著提高了末制导系统的精度和可靠性.     

基于UKF的超视距雷达跟踪算法研究

天波超视距雷达跟踪目标时电磁波是通过电离层的折射传播的,因而导致在地理坐标系下的量测方程中存在强非线性,而采用传统的EKF（Extended Kalman Filter）实现的跟踪算法,在非线性方程的线性化中舍去了含强非线性的二阶以上的高阶项,导致目标的跟踪精度较低;提出采用UKF（Unscented Kalman Filter）方法处理超视距雷达系统在跟踪算法中的强非线性问题.UKF算法有效降低了非线性方程中的舍入误差,可确保三阶以上的精度.仿真结果表明UKF滤波算法较EKF算法提高估计精度.     

加权观测融合非线性无迹卡尔曼滤波算法

针对非线性系统的无迹卡尔曼滤波器(UKF),应用加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.证明了加权观测融合UKF滤波算法与集中式观测融合UKF滤波算法在数值上的完全等价性,因而具有全局最优性.一个带两传感器非线性系统的仿真例子说明了两种融合算法的有效性及等价性.     

基于无味卡尔曼滤波的多雷达方位配准算法

将无味卡尔曼滤波（Unscented Kalman filter，UKF）应用于雷达配准，提出一种新的多雷达方位配准算法。在该算法中，目标的运动状态和方位误差由选定的采样点来近似，在每个更新过程中，采样点随着状态方程传播并随非线性测量方程变换，得到目标的运动状态和方位误差的均值，避免了对非线性方程的线性化，且具有较高的计算精度。与传统的扩展卡尔曼滤波（Extended Kalman filter，EKF）方法进行了仿真比较，结果表明UKF方法能有效地克服非线性跟踪问题中很容易出现的滤波发散问题，且估计精度高于UKF方法。     

异类传感器集中式扩维融合无迹卡尔曼滤波融合算法

雷达和红外传感器是异类传感器系统的一个典型组合,但是异类传感器系统的状态方程和测量方程存在较大的非线性特征,使得此类系统无法应用现有算法进行信息融合。将UKF引入到异类传感器,并利用集中式观测融合UKF,解决同步配置、同步采样的异类传感器的信息融合问题。仿真结果表明,该算法的SMSE比其他方法的要小得多。     

带有色量测噪声的非线性系统 Unscented 卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)要求噪声必须为高斯白噪声, 无法解 决带有色噪声的非线性系统滤波问题. 为此, 本文提出了一种带有色量测噪声的UKF滤 波新算法. 首先,基于量测信息增广和最小方差估计, 推导出一类带有色量测噪声的非 线性离散系统状态的最优滤波框架, 接着采用Unscented变换(Unscented transformation, UT)来计算最优框架中的 非线性状态后验均值和协方差, 进而得到有色量测噪声下UKF滤波递推公式. 所设 计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题, 数 值仿真实例验证了其可行性和有效性.     

基于UKF 和神经网络的一类非线性系统状态估计

在模型未知的情况下,估计过程的重要变量尤为重要.鉴于此,采用不敏卡尔曼滤波(UKF)与神经网络相结合的方法,解决一类未知模型非线性系统的状态估计问题.采用动态神经网络对非线性系统进行建模,利用UKF对状态和权值进行同时更新,从而达到神经网络逼近真实模型,估计值跟随真实值的目的.通过两个仿真实例表明了所提出的方法具有良好的估计效果,并且状态在输出中的比重越大,其估计精度越高.     

一种基于改进UKF的3D人手跟踪算法

将手指作为基本处理对象,对UKF（unscented Kalman filter）算法进行改进,并利用它对当前手指各关节进行预测;以预测值作为初值,用局部搜索技术对误差较大的关节用改进的UKF算法重新进行预测,直到该手指在像平面上的投影轮廓和图像轮廓之间的距离图满足指定的精度为止．该算法以状态变量量测值的获取作为突破口,解决现有算法中跟踪精度过分依赖于3D人手模型精度的问题．实验结果表明,该算法具有较强的处理局部自遮挡问题能力,对3D人手模型的不精确性也具有更好的鲁棒性．     

Online State–Space Modeling Using Recurrent Multilayer Perceptrons with Unscented Kalman Filter

A nonlinear black-box modeling approach using a state–space recurrent multilayer perceptron (RMLP) is considered in this paper. The unscented Kalman filter (UKF), which was proposed recently and is appropriate for state–space representation, is employed to train the RMLP. The UKF offers a derivative-free computation and an easy implementation, compared to the extended Kalman filter (EKF) widely used for training neural networks. In addition, the UKF has a fast convergence rate and an excellent capability of parameter estimation which are appropriate for online learning. Through modeling experiments of nonlinear systems, the effectiveness of the RMLP trained with the UKF is demonstrated.