基于ATSUKF的飞行器惯性测量单元的故障诊断

非线性系统存在随机偏差情况下,最优二步无迹卡尔曼滤波(OTSUKF)可以获得系统状态及偏差的最优估计,但是它要求随机偏差被准确地建模,而这在实际情况下很难做到。飞行器是一种典型的非线性系统,将惯性测量单元(IMU)的故障作为一种随机偏差处理,并且采用随机游走模型去描述故障。随机游走模型对故障进行建模的准确程度取决于随机游走模型的协方差与实际情况的匹配程度。基于OTSUKF的IMU故障诊断方法中,随机游走模型的协方差取的是一个常值矩阵,该矩阵的值是根据经验初始化的,但是在实际应用中较难初始化为一个与真实故障相匹配的矩阵。根据新息协方差匹配技术,在线自适应调整随机游走模型的协方差矩阵,提出了自适应二步无迹卡尔曼滤波(ATSUKF),并将该方法应用于飞行器IMU的故障诊断。仿真实验对比了OTSUKF和ATSUKF方法对飞行器IMU的故障诊断的效果,验证了所提出的自适应方法的有效性。     

基于无迹粒子滤波的电网动态谐波估计

提出一种基于无迹粒子滤波(unscented particle filter,UPF)算法的电网动态谐波估计方法.通过无迹卡尔曼滤波算法得到电网动态谐波状态量的估计值和协方差,运用这些结果改进传统粒子滤波算法的重要密度函数,采用粒子滤波算法得到电网动态谐波的最优估计值.该方法克服了无迹卡尔曼滤波算法(unscented Kalman filter,UKF)对噪声要求为高斯分布的限制和传统粒子滤波(particle filter,PF)算法易退化的缺点,保留了UKF对非线性问题的较好处理和PF强抗干扰性能力.仿真结果表明,在高斯噪声和非高斯噪声情况下,UPF算法得到的电网动态谐波幅值、相位的估计值都更接近真实值.     

基于优化无迹Kalman滤波的电网动态谐波估计

提出一种基于粒子群优化的无迹卡尔曼滤波(particle swarm optimized unscented Kalman filter,PSOUKF)的电网动态谐波估计方法,利用包含种群分类与动态学习因子的改进粒子群优化算法,优化无迹卡尔曼滤波算法(unscented Kalman filter,UKF)的状态噪声协方差和观测噪声协方差,使系统噪声对电网动态谐波估计结果的影响得到充分考虑,克服了传统UKF算法将这两种方差视为常数导致的动态谐波估计精度低的缺陷.仿真结果表明,PSOKUF算法比卡尔曼滤波(Kalman filter,KF)算法和传统的UKF算法更有效,在没有增加计算复杂度的情况下,能够提高动态谐波估计精度.     

基于粒子滤波的改进算法

通过将粒子滤波算法与无迹卡尔曼滤波算法相结合,提出一种用于解决非线性、非高斯系统估计的改良粒子滤波算法.该算法在经典粒子滤波的基础上,利用无迹卡尔曼滤波生成更能够逼近真实后验概率分布的重要函数.实验结果表明,这种算法在预测结果收敛性能方面明显优于标准粒子滤波、广义卡尔曼滤波和无迹卡尔曼滤波等现有的非线性滤波器.     

基于自适应UKF的单站无源定位算法

针对无迹卡尔曼滤波(UKF)算法在单站无源定位中滤波的性能容易受到初始值和系统噪声影响的问题,提出了一种自适应无迹卡尔曼滤波(AUKF)的跟踪算法。该算法利用观测信息和新息,引入自适应因子,对在滤波过程中的误差的协方差矩阵进行合理自适应调整,保证得到较稳定和高精度的滤波值,从而提高算法的鲁棒性。仿真结果表明,该AUKF算法与扩展卡尔曼滤波算法(EKF)及其衍生算法中的修正协方差滤波算法(MVEKF)和UKF算法相比,对系统噪声的鲁棒性更好,体现在滤波的收敛速度和滤波精度等方面都有所提高,是一种性能更加优越的算法。     

基于离差差分滤波算法的再入目标状态估计

再入弹道目标的状态估计是个复杂的非线性滤波问题,使用扩展卡尔曼滤波算法（Extended Kalman Filter,EKF）,会引入较大的误差,甚至发散．为了提高估计精度,提出使用离差差分滤波算法（Divided Difference Filter,DDF）对再入弹道目标的状态进行估计．DDF算法使用二阶多维Stirling内插多项式近似非线性状态和测量方程获得状态和方差的估计．该算法只需要计算函数值,避免了求导运算,降低了计算复杂度．Monte Carlo数值仿真表明,离差差分滤波方法降低了再入目标的状态估计误差,提高了估计精度,且运行速度比无迹卡尔曼滤波方法（Unscendted Kalman Filter,UKF）要快的多．     

基于改进连续-离散无迹卡尔曼滤波的水下航行器故障诊断

针对连续非线性系统的参数估计问题,提出了改进的连续-离散无迹卡尔曼滤波算法。该算法结合系统状态和参数的估计均值和协方差阵,通过构建控制系统的无迹状态矩阵,并对无迹状态函数积分获得预测无迹状态阵,再经过均值解算和估计更新,获得参数的估计值。然后,针对水下航行器连续非线性控制系统的故障诊断问题,将水下航行器执行机构的故障,以比例系数和附加参数的形式表达在控制系统的状态空间方程中,通过采用改进的连续-离散无迹卡尔曼滤波算法,估计故障数据,实现执行机构的故障诊断。最后,在水下航行器回坞仿真实验中,采用该算法有效估计出执行机构故障,验证了算法的可行性和有效性。     

一种基于UKF的AUV移动声学网络协同导航方法

针对扩展卡尔曼滤波(EKF)在自主水下航行器(AUV)移动声学网络协同导航中,存在强非线性观测方程条件下线性化误差大、计算复杂等缺点,文章提出一种基于无迹卡尔曼滤波(UKF)的AUV移动声学网络协同导航方法.利用移动长基线原理和UKF方法,建立基于UKF的协同导航滤波算法,并通过仿真实验与传统的EKF协同导航算法进行对比.仿真结果表明,基于UKF的协同导航算法能明显减小导航定位误差,在导航精度上优于EKF方法,是AUV协同导航中一种更加简单有效的导航滤波方法.     

一种新的粒子滤波算法

将采样重要再采样(SIR)方法与无迹卡尔曼滤波(UKF)相结合,提出一种新的粒子滤波算法.该算法具有无迹粒子滤波(UPF)粒子使用效率高和SIR粒子滤波运算速度快的优点,同时克服了UPF运算量的增长速率快于状态维数增长的缺陷.仿真结果表明,与UPF相比,本算法在几乎不影响滤波效果的前提下,大幅减少滤波所需计算量.     

四元数约束的容积卡尔曼滤波及其应用

针对一些非线性系统状态变量中存在四元数约束的情况,提出了一种四元数约束下的容积卡尔曼滤波(quaternion constrained cubature kalman filter,QCCKF)算法．基于最小约束代价函数,采用三阶球面-相径容积规则近似计算系统状态的后验均值和协方差,给出了QCCKF滤波递推公式．设计的QCCKF算法可以有效地对状态进行估计,扩展了CKF的应用范围．最后对飞行器姿态估计系统进行仿真,仿真结果表明,该算法估计精度优于常规CKF和无迹四元数估计法(unscented quaternion estimator, USQUE),并满足四元数约束条件,较好地解决了非线性系统存在四元数约束的问题,验证了算法的有效性．     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

基于SRUKF的永磁同步电机无传感器控制研究

对电机转子转速或位置的高精度估计是实现永磁同步电机高性能无传感器控制的一个技术关键.本文提出采用一种平方根无迹卡尔曼滤波(SRUKF)方法估计永磁同步电机的转子转速.该方法无需对非线性系统方程线性化处理,在UKF算法基础上,通过引入QR分解和Cholesky分解运算,直接利用状态协方差矩阵的平方根进行迭代,进一步降低截断误差的传递积累效应和提高算法的收敛稳定性,从而改善转速的估计效果.负载突变和期望转速跳变情形下的电机无传感器控制仿真结果表明:相比传统扩展卡尔曼滤波和无迹卡尔曼滤波估计方法,该方法具有最小的转速估计误差,且能进一步提高永磁同步电机的无传感器控制性能和鲁棒性.     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.     

IMU/GPS组合导航交互式多模型鲁棒滤波研究

在深入研究适用于低成本IMU/GPS组合导航系统非线性滤波的基础上,提出了一种基于交互式多模型自适应鲁棒容积卡尔曼滤波算法.该算法将交互式多模型算法引入H∞滤波容积卡尔曼滤波器,能够有效提升滤波算法的稳定性和质量.根据采集的低成本惯导GPS导航实验数据设计了两组滤波方案,性能分析结果表明,改进的交互式多模型鲁棒容积卡尔曼滤波算法位置估计精度提高了41.4%,速度估计精度提高了36.0%.同时设计的滤波试验结果表明该算法能有效抑制系统噪声取值不准确引起的滤波不稳定,尤其适用于噪声取值偏离最优值较多的情况,也即能够有效抑制野值对滤波结果的影响.     

一种新的高动态全球定位系统频率估计算法

针对常用高动态全球定位系统频率估计算法扩展卡尔曼滤波(EKF)由于对模型进行简单线性化而造成的估计精度低与失锁门限高等缺陷,引入了一种新的线性滤波算法unscented卡尔曼滤波(UKF)进行频率估计．该算法不需要对非线性模型进行线性化,而是利用一系列Sigma采样点,通过unscented变换(UT)来进行状态与协方差阵的递推与更新．仿真实验结果表明新算法的估计精度远高于EKF,失锁门限也比EKF低约1dB,估计性能得到了改善．     

一种新的改进粒子滤波算法

标准粒子滤波算法存在的最大问题是粒子退化,针对这一问题,提出了一种改进的粒子滤波算法,该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,运用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率; 运用混合遗传模拟退火算法的进化思想,提高了粒子的多样性．仿真结果表明,新算法很好地解决了基本粒子滤波算法存在的粒子退化问题,提高了系统的滤波精度和稳定性(在信噪比为16dB时,精度提高80％以上),较好地抑制了噪声的干扰．     

基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.     

基于改进无迹Kalman滤波的小波网络算法及其应用

无迹Kalman滤波（UKF）是无迹变换（UT）和标准Kalman滤波的结合,对非线性系统具有出色的估计性能,使用UKF估计小波网络参数,速度快,精度高,无需求导计算Jacobian矩阵,但其计算量偏大.基于此,本文考虑引入一种改进的UKF来估计小波网络的参数,以提高训练效率.该改进UKF在Kalman滤波体系内应用了一种基于最小偏度单形Sigma点采样策略的UT,它继承了UKF的优点,并显著提升了计算效率.仿真结果表明,相对于EKF,采用改进UKF算法训练小波网络,速度更快,精度更高;计算精度与UKF相当,但计算效率较之更高.     

混合卡尔曼滤波的非均匀校正算法

提出了一种基于混合卡尔曼滤波的非均匀校正算法,可以用于解决参数漂移为非线性的问题．该方法首先根据给定状态空间模型的特点,使用无迹卡尔曼滤波技术和传统卡尔曼滤波技术分别处理非线性的状态转移模型和线性的观测模型,然后把估计结果用于非均匀校正．使用仿真的一维和二维数据验证算法性能,实验结果表明,所提算法扩展了传统卡尔曼滤波算法的使用范围,并且与扩展卡尔曼滤波算法相比,具有较高的稳定性和估计精度．     

低轨卫星紧组合导航UKF方法

针对紧组合导航系统状态方程及量测方程的非线性,以低轨卫星为应用对象开展了无迹卡尔曼滤波UKF方法研究．给出了惯性系下的系统模型及算法模型,其中姿态直接采用修正Rodrigues参数来表述以避免四元数归一化条件的限制,系统状态更新采用四阶Runge-Kutta法以适应卫星的高速运动;之后通过数学仿真与广义卡尔曼滤波EKF进行了比较分析．结果表明:UKF滤波对于姿态精度明显优于EKF,提高了一个数量级,对于速度、位置精度两者滤波效果相当,但对于运算时间UKF耗时较长．因此实际应用中可根据导航精度与运算时间需求决定是否采用UKF方法．