基于小波变换的UKF改进算法及其应用

众所周知,UKF滤波的应用需要事先准确知道量测噪声的统计特性。首先简要分析了UKF滤波的基本算法,然后利用小波变换可以实时分离信号和噪声的特性,提出了一种在未知量测噪声条件下的UKF算法,该算法可以实时跟踪量测噪声的变化,即实现了对量测噪声的实时估计,从而解决了在未知量测噪声的条件下UKF滤波问题。最后讨论了该方法在信息融合中的应用,仿真结果证明了方法的有效性和实用性。     

模糊自适应滤波在捷联惯导初始对准中的应用

传统卡尔曼滤波应用于捷联惯导初始对准中由于模型参数、噪声的统计特性不确定,影响估计效果.而模糊自适应卡尔曼滤波能按照模糊推理原理逐步校正系统的观测噪声协方差阵,具体实现是通过观察残差的理论值是否接近于其实际值,系统调整观测噪声协方差的加权以达到修正观测噪声协方差阵的目的,进而提高系统的对准效率.在噪声统计特性未知时,比较了常规卡尔曼滤波与模糊自适应卡尔曼滤波在初始对准中的应用效果.仿真结果表明,这种算法能有效提高系统的滤波效果,是一种较理想的初始对准滤波方法.     

机载红外搜索跟踪系统被动定位滤波算法研究

首先用扩展卡尔曼滤波算法构建了机载红外搜索跟踪系统被动定位滤波模型．然后针对该滤波算法要求先验的噪声统计及存在系统观测模型线性化误差影响滤波精度的特点．利用虚拟噪声技术，提出了适合于红外搜索跟踪系统被动定位的自适应扩展卡尔曼滤波算法。该算法实时地估计了虚拟噪声的统计特性，减小了线性化误差，提高了非线性滤波的精度。仿真结果表明，在完全相同的初始条件下，自适应扩展卡尔曼滤波对目标距离和速度的估计结果明显优于扩展卡尔曼滤波，此算法具有很高的工程应用价值。     

自适应SCKF在机动目标跟踪中的应用

目标跟踪系统的数学模型或统计特性的不确定性,往往会导致机动目标跟踪精度降低甚至跟踪发散。在综合平方根求容积卡尔曼滤波算法和改进的Sage-Husa估计器的基础上,提出一种自适应求容积平方根卡尔曼滤波算法。该算法通过实时估计未知系统噪声,抑制由于噪声统计特性未知时变而导致的滤波误差,从而实现机动目标的自适应跟踪。仿真结果表明,在系统噪声未知时变,且与先验系统噪声存在一定差异时,自适应平方根求容积卡尔曼滤波器能有效地改进标准平方根求容积卡尔曼滤波器的跟踪精度和跟踪稳定性。     

惯性/地磁组合导航系统自适应卡尔曼滤波算法研究

针对惯性/地磁组合导航中遇到的滤波的发散问题,采用自适应卡尔曼滤波估计导航系统的误差.该算法通过实时估计和修正系统噪声以及观测噪声的统计特性达到降低模型误差、抑制滤波发散的目的.在Matlab环境下的仿真证实了该方案可以防止滤波器发散,缩小滤波误差,提高滤波精度.     

基于R阵动态估计的自适应滤波算法

针对组合导航系统中观测噪声特性复杂多变、难于准确估计的问题,基于不同测量系统的测量互补特性,提出了针对单次历元的观测噪声特性动态估计方法。在此基础上,以预设滤波精度为指标,提出了通过构造自适应因子对估计观测噪声进行适当调节的自适应卡尔曼滤波算法。该算法通过构造相对测量关系,避免了直接对测量噪声真值求解的难题,并且在滤波过程中采用序贯处理方法进行实时解算,有效降低了计算量。在GPS/DR实际系统中的应用结果表明,同改进的sage-husa算法及MAKF算法相比,基于R阵动态估计的自适应滤波算法能够自适应地跟踪GPS测量噪声特性的变化,定位结果光滑可靠,具有明显的优越性。     

基于模糊理论的自适应联邦滤波算法研究

针对先验噪声统计特性与实际不符引起卡尔曼滤波精度下降的情况,提出了一种基于模糊自适应联邦卡尔曼滤波方法。算法基于模糊推理思想通过理论残差与实际残差的比值来对观测噪声协方差阵进行加权调整,实现对观测噪声统计特性的实时跟踪,在此基础上,利用信息分配因子对各子滤波器及主滤波器输出进行加权,得到滤波器的全局输出,将此输出周期性反馈给各个子滤波器以校正子滤波系统的偏差。SINS/GPS/TAN组合导航系统的仿真试验表明该算法具有更强的自适应性、滤波精度更高、鲁棒性更强。     

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.     

一种改进的自适应UKF被动定位方法

反辐射导弹为了对抗目标雷达关机,一般采用被动定位算法对目标雷达进行定位。有关被动定位算法的研究多以测角噪声的统计特性已知、被动雷达测量信息无间断为基础,对工程实践中存在的测角噪声统计特性未知且被动测量误差间断的情况少有涉及。针对该问题,提出了采用自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Filter,AUKF）算法对噪声统计特性进行实时估计,并结合间断信息时递推滤波的改进的被动定位方法。仿真结果表明,在测角误差特性时变和测量信息间断情况下,该被动定位方法精度远优于常规UKF方法。     

机载有源无源传感器稳健融合方法

在机载有源无源情报融合处理中,很多条件很难满足中心式滤波的要求,比如一般情况下过程噪声是不正确的,或者不知道的.给出了几种稳健的Kalman滤波,这些方法主要针对运动方程或者观测方程中噪声信息未知或者噪声信息不准确的情况下,对数据进行融合.如果只是过程的信息未知,提出的自适应滤波,即是用观测信息对运动方程的噪声进行实时估计;如果运动方程和观测方程的噪声不准确,则可以采用H∞滤波进行噪声误差方差估计.     

Efficient architecture and hardware implementation of hybrid fuzzy-Kalman filter for workload prediction

In modern systems, many well-known techniques (e.g., dynamic voltage and frequency scaling, job scheduling etc.) have been developed to achieve low power, high performance, appropriate quality-of-service or other specific purposes. Workload prediction is an extremely critical factor for bringing these techniques into full play. However, it is very difficult to accurately predict the workloads of upcoming tasks if they are varying drastically. In this paper, we propose a new hybrid fuzzy-Kalman filter and the corresponding area-efficient hardware architecture to accurately and quickly predict the workload with large variation. To decrease the hardware complexity while maintaining sufficient accuracy, the computation of Kalman Gain is simplified with a lookup table method. In addition, the workload and covariance values in Kalman filter are properly normalized and truncated to significantly reduce the bit length of hybrid workload predictor. Furthermore, a simplified fuzzy controller is developed to adaptively adjust the measurement noise covariance of Kalman filter so that the prediction error can be further lowered. Experimental results of real applications exhibit that the proposed hybrid fuzzy-Kalman filter can achieve lower prediction error and smaller hardware area when compared to previous workload predictors.     

BPNN辅助KF的MEMS陀螺仪数据处理方法

针对微机电系统(MEMS)陀螺仪数据误差建模不精确或无法给出模型的情况,提出了误差反馈（BP）神经网络辅助卡尔曼滤波对陀螺仪数据进行降噪处理的方法。分析卡尔曼滤波器的系统噪声方差Q矩阵可知,当模型不精确时可通过Q补偿。基于BP神经网络优化Q值原理,首先把采集到的MEMS陀螺仪数据输入卡尔曼滤波器得到Q;再把新息、滤波增益、量测噪声方差输入神经网络,把Q作为神经网络的输出,神经网络优化系统噪声协方差矩阵得到Q*;最后将Q*作为卡尔曼滤波算法系统噪声方差矩阵。实验结果表明,在建模不精确的情况下该方法也能有效提高陀螺仪的精度。     

基于测量协方差离散Kalman滤波估计算法的视频跟踪

视频中人体跟踪存在复杂性,尤其是对复杂背景下的人体上、下肢区域进行识别与跟踪时,传统算法存在一些问题。本文在传统Kalman滤波跟踪算法基础上,提出一种基于可变测量协方差的离散Kalman滤波人体识别算法。通过初始化测量协方差,用递归的方法从新获取的观测数据中计算出新的测量协方差估计量,通过离散Kalman滤波器进行跟踪。在实际的视频图像中,表现出良好的跟踪效果,并且对上肢、下肢及整个人体的区分以及部位跟踪方面都有很好的表现。相对于传统的Kalman滤波算法,本算法没有丢失跟踪目标的现象,跟踪速度适中,与人体行进速度保持一致,基本为1.5 m/s,特别适用于对视频中的人体行为进行跟踪及分析处理。     

An adaptive Kalman filter for ECG signal enhancement

The ongoing trend of ECG monitoring techniques to become more ambulatory and less obtrusive generally comes at the expense of decreased signal quality. To enhance this quality, consecutive ECG complexes can be averaged triggered on the heartbeat, exploiting the quasi-periodicity of the ECG. However, this averaging constitutes a tradeoff between improvement of the SNR and loss of clinically relevant physiological signal dynamics. Using a bayesian framework, in this paper, a sequential averaging filter is developed that, in essence, adaptively varies the number of complexes included in the averaging based on the characteristics of the ECG signal. The filter has the form of an adaptive Kalman filter. The adaptive estimation of the process and measurement noise covariances is performed by maximizing the bayesian evidence function of the sequential ECG estimation and by exploiting the spatial correlation between several simultaneously recorded ECG signals, respectively. The noise covariance estimates thus obtained render the filter capable of ascribing more weight to newly arriving data when these data contain morphological variability, and of reducing this weight in cases of no morphological variability. The filter is evaluated by applying it to a variety of ECG signals. To gauge the relevance of the adaptive noise-covariance estimation, the performance of the filter is compared to that of a Kalman filter with fixed, (a posteriori) optimized noise covariance. This comparison demonstrates that, without using a priori knowledge on signal characteristics, the filter with adaptive noise estimation performs similar to the filter with optimized fixed noise covariance, favoring the adaptive filter in cases where no a priori information is available or where signal characteristics are expected to fluctuate.     

SINS/视觉组合导航系统融合算法

捷联惯性导航系统(SINS)/视觉组合导航系统的融合算法主要是卡尔曼滤波,卡尔曼滤波实现最优估计的前提是系统的模型必须准确已知。对于SINS/视觉组合导航系统,获取量测信息需经图像处理、特征点提取和匹配等过程,使量测噪声统计模型不完全可知,这会导致卡尔曼滤波器的估计精度下降。因此,该文提出一种改进的自适应两级卡尔曼滤波,根据求解遗传因子的不同方法对传统自适应两级卡尔曼滤波进行改进。改进后的算法分别适用于系统噪声统计模型和量测噪声统计模型不准确可知两种情况,且二者具有统一的滤波框架。仿真结果表明,改进的自适应两级卡尔曼滤波比卡尔曼滤波精度高,有效解决了SINS/视觉组合导航系统因噪声统计模型不准确导致的精度下降问题。     

自适应SICKF及在目标跟踪中的应用

针对容积卡尔曼滤波（CKF) 估计精度在系统状态或参数突变时下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)思想,提出了一种自适应SICKF(ASICKF)方法。在SICKF获得高估计精度的同时引入STF条件,根据系统输出残差获得自适应渐消因子,将其引入系统输出协方差均方根阵和互协方差阵中对滤波增益进行实时修正,强迫系统输出残差序列始终正交,从而使SICKF算法具备强跟踪能力。为验证所提ASICKF算法性能,利用数值仿真将其应用于存在突变情况的目标跟踪问题中。仿真结果表明,ASICKF在系统状态突变时仍能保持较高的估计精度,算法稳定性和适应能力较好。     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。