扩维UKF在目标状态估计器中的应用

在火力/飞行控制(IFFC)系统的目标状态估计器(TSE)设计中,通常目标运动模型可精确地在直角坐标系下建模,同时在传感器坐标系下所获得的目标量又是直接可用的,但一般量测模型是非线性的,滤波器模型需采用非线性滤波方法.为了提高状态估计器的估计精度,在UKF(Unscented Kalman Filter)算法基础上,介绍了一种新的AUKF(Augmented UKF)滤波方法.此算法的思想是尽可能多地利用系统的量测信息,把系统和量测噪声同状态变量联系起来一起考虑,即把系统和量测噪声也列为状态.这要求预测方程产生的采样点同样被应用到更新方程,从而使噪声项的作用通过非线性方程进行传递.通过Monte-Carlo仿真与EKF(Extented Kalman Filter)算法进行了比较,仿真结果表明新算法的有效性和实用性.     

一种量测转换的移动外辐射源多站协同跟踪算法

针对移动外辐射源跟踪问题,提出一种融合到达角(Angle of Arrival,AOA)与到达时间差(Time Difference of Arrival,TDOA)观测量的量测转换Kalman滤波(Converted Measurement Kalman Filter,CMKF)算法。首先,采用了一种考虑了传感器位置偏差影响的无源定位算法作为转换非线性的AOA与TDOA观测量至笛卡尔坐标系下观测量的方法,并证明了当AOA与TDOA的测量噪声以及传感器位置偏差都服从高斯分布且噪声强度不大时,该量测转换方法的位置转换误差能达到克拉美罗(Cramér-Rao Lower Bound,CRLB)界;其次,在量测转换的基础上构建了关于移动外辐射源的线性状态空间模型,将非线性的目标跟踪问题转化为线性滤波问题,并最终使用标准Kalman滤波器实时跟踪移动外辐射源位置。仿真结果不仅验证了量测转换精度与理论分析结论吻合,还表明了所提CMKF算法的跟踪精度同时优于扩展Kalman滤波器、无迹滤波器以及粒子滤波器。     

加权融合鲁棒增量Kalman滤波器

在一定环境条件下,当系统的量测方程没有进行验证或校准时,使用该量测方程往往会产生未知的系统误差,从而导致较大的滤波误差。同样地,当系统的噪声方差不确定时,滤波的性能也将会变坏,甚至会引起滤波器发散。增量方程的引入可以有效消除系统的未知量测误差,从而带未知量测误差的欠观测系统的状态估计问题可以转换为增量系统的状态估计问题。该文考虑带未知量测误差和未知噪声方差的线性离散系统,首先提出一种基于增量方程的鲁棒增量Kalman滤波器。进而,基于线性最小方差最优融合准则,提出一种加权融合鲁棒增量Kalman滤波算法。仿真实例证明了所提算法的有效性和可行性。     

有色过程噪声下的轮式机器人同步定位与地图构建

 由于机械制造工艺的原因,轮式机器人内部传感器获得的控制量在实际中为有色噪声,经典的同步定位与地图构建(SLAM)算法将不适用．提出一种有色过程噪声的机器人同步定位与地图构建算法．将机器人非线性过程模型线性化,用增广状态变量维数的方法将有色过程噪声模型转化为高斯白噪声模型．算法按照预测、观测、数据关联、更新、地图构建递推进行同步定位与地图构建．仿真结果表明,在有色过程噪声条件下,与EKF-SLAM算法和Fast-SLAM算法相比,提出的算法的机器人定位精度更好．     

有色噪声下的不敏卡尔曼滤波器

有色噪声干扰情况下非线性系统的状态估计是许多实际工程需要解决的问题。通常的方法是利用扩展卡尔曼滤波方法将非线性系统线性化后,再利用线性系统的方法对有色噪声系统进行估计。然而,模型的线性化误差往往会严重影响最终的滤波精度,甚至导致滤波发散。为了避免此类误差,先通过对测量方程进行变换的方法,将观测方程的有色噪声转换为白噪声后,再利用不敏卡尔曼滤波方法,对系统的状态进行估计。虽然,该方法也需要对观测方程进行线性化,但是由于此线性化过程是在求解新量测方程的测量误差中进行,因此对系统的误差影响不是很大。仿真结果表明新方法能够有效地对有色噪声环境下系统的状态进行估计,性能要优于现有的一些基于EKF的方法。     

新型自适应Kalman滤波算法及其应用

为防止滤波发散和提高系统的实时性,提出了一种新的自适应Kalman滤波算法.该算法利用滤波异常判据获得一个滤波状态因子,通过滤波状态因子确定量测噪声协方差阵的值,在线调整噪声的统计特性实现自适应滤波.将该算法应用到惯导/双星组合导航系统中,并和常规Kalman滤波和简化的Sage-Husa自适应滤波算法进行仿真比较.仿真结果表明,在滤波精度与简化Sage-Husa自适应滤波相当的情况下,新算法简化了运算,提高了实时性.     

基于最大熵Kalman滤波的机载SINS自标定技术

针对在机载捷联惯导系统(SINS)自标定过程中,量测噪声呈非高斯分布,导致经典Kalman滤波性能降低的问题,该文提出了基于最大熵Kalman滤波(MCKF)的机载SINS自标定技术。该方法采用最大相关熵准则(MCC)替代经典Kalman滤波的最小均方误差准则,有效利用信号的高阶矩信息,并将其应用于机载SINS自标定系统中。仿真结果表明,在非高斯噪声条件下,该方法能够估计出机载SINS待标定参数,且算法的鲁棒性和误差项估计精度均优于经典Kalman滤波,具有一定的工程应用价值。     

最小二乘滤波及其在INS/双星系统中的应用

为了克服传统Kalman滤波在实际应用中存在的局限性,研究了基于状态估计的最小二乘滤波。该方法将传统的最小二乘估计与状态估计问题有机结合,对系统噪声和量测噪声的统计特性不敏感。利用实测的激光捷联惯导系统/双星(LSINS/DS)组合数据对最小二乘滤波和传统Kalman滤波进行仿真比较,结果表明,在噪声统计特性未知的情况下,最小二乘滤波的精度更高、收敛速度更快、鲁棒性更强。     

改进的自适应Kalman滤波在光电跟踪中的应用

为解决机载激光通信中光电跟踪平台获得脱靶量存在滞后的问题，将协方差匹配技术与Sage-Husa自适应Kalman滤波相结合应用到脱靶量滞后补偿中。首先，通过Sage-Husa自适应Kalman算法补偿滞后的脱靶量，并引入遗忘滤波的思想降低过去的量测数据对现在的影响；然后，加入基于协方差匹配技术的判据，判据生效时更新噪声协方差阵，同时增大遗忘因子使量测先验协方差阵误差估计值与理论值更快地相容达到平衡，保证系统的实时性。在仿真中目标为等效正弦运动时改进的Kalman滤波比普通Kalman滤波降低了31.1%的预测误差。在实验验证中改进的Kalman滤波跟踪精度提高18.5%，实时性提高了18%，满足了控制系统对脱靶量滞后补偿的要求，使系统运行更稳定。     

基于新息的自适应增量Kalman滤波器

在一定环境条件下,当系统的量测方程没有进行验证或校准时,使用该量测方程往往会产生未知的系统误差,从而导致较大的滤波误差。增量方程的引入可以有效解决欠观测系统的状态估计问题。该文考虑带未知噪声统计的线性离散增量系统,首先提出一种基于新息的噪声统计估计算法。可以得到系统噪声统计的无偏估计。进而,提出一种新的增量系统自适应Kalman滤波算法。相比已有的自适应增量滤波算法,该文所提算法得到的状态估计精度更高。两个仿真实例证明了其有效性和可行性。     

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。     

边缘化迭代容积卡尔曼滤波的单站无源定位算法

针对单站无源定位可观测性弱、观测噪声大而导致的定位精度低、收敛速度慢等问题,提出了一种边缘化迭代容积卡尔曼滤波算法。该算法采用基于似然增加的迭代策略,不需要设置判决门限,且保证了算法的全局收敛性。同时,其充分考虑状态向量与观测噪声之间的互协方差,将状态向量扩维,构造条件线性模型并进行边缘化滤波,不仅提高了算法的定位精度以及收敛速度,还减少了扩维后所需的采样点,提高了算法的运算效率。仿真结果表明,新算法改善了单站无源定位的定位精度以及收敛速度。      

Sage_Husa自适应滤波在大方位失准角初始对准的研究

由于光纤惯导系统导航精度不高,方位角常为大角度,因此系统初始对准的滤波方程为非线性的,为改善非线性模型下初始对准的精度,提出了一种改进Sage_Husa自适应卡尔曼滤波方法并应用于光纤惯导系统初始对准中。建立了大方位失准角初始对准的非线性误差模型,给出了Sage_Husa自适应卡尔曼滤波方程,对Sage_Husa自适应卡尔曼滤波不适合用在非线性滤波的缺陷进行了改进,建立系统噪声统计的估值器,对非线性误差方程进行了改进Sage_Husa自适应卡尔曼滤波仿真。仿真结果表明:改进Sage_Husa自适应卡尔曼滤波能够很好地处理初始对准中的非线性问题,提高初始对准精度,方位失准角误差估计精度较EKF提高27%。     

MEMS陀螺漂移误差抑制方法研究

MEMS陀螺漂移误差是影响惯性测量系统精度的主要误差源,针对这一问题,引入旋转调制方法和卡尔曼滤波方法,利用旋转调制方法抑制陀螺的常值漂移,利用卡尔曼滤波方法减小随机漂移,并进行了仿真和实验,对调制和滤波前后惯性测量系统的姿态角误差进行了对比,结果表明,利用旋转调制技术和卡尔曼滤波方法分别减小陀螺的常值漂移漂移和随机漂移后,由这两种漂移误差引起的姿态角误差明显减小,惯性测量系统的测量精度显著提高。     

Information fusion steady-state white noise deconvolution estimators with time-delayed measurements and colored measurement noises

White noise deconvolution or input white noise estimation problem has important application backgrounds in oil seismic exploration, communication and signal processing. By the modern time series analysis method, based on the Auto-Regressive Moving Average (ARMA) innovation model, under the linear minimum variance optimal fusion rules, three optimal weighted fusion white noise deconvolution estimators are presented for the multisensor systems with time-delayed measurements and colored measurement noises. They can handle the input white noise fused filtering, prediction and smoothing problems. The accuracy of the fusers is higher than that of each local white noise estimator. In order to compute the optimal weights, the formula of computing the local estimation error cross-covariances is given. A Monte Carlo simulation example for the system with 3 sensors and the Bernoulli-Gaussian input white noise shows their effectiveness and performances.     

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。     

卡尔曼滤波器在PID控制中的仿真研究

通过研究卡尔曼滤波器的信号模型,采用KALMAN滤波器同常规PID控制相结合的方法对系统进行仿真研究,利用卡尔曼滤波器来克服系统中的测量噪声和控制噪声对控制性能的影响。结果表明:同没有加卡尔曼滤波器的常规PID控制相比,卡尔曼滤波器很好地抑制了白噪声的污染,控制效果明显改善。     

测量噪声相关线性系统异类传感器航迹融合

研究了异类传感器航迹融合问题。在测量噪声相关的条件下,利用线性无偏最小方差估计的基本理论,通过对异类传感器的状态估计采用顺序滤波的方法,得到了相关测量噪声线性系统异类传感器测量融合算法和状态矢量融合算法。计算机数字仿真结果表明,由于考虑了测量噪声之间的相关性,该算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善。     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

A nonlinear Bayesian filtering framework for ECG denoising

In this paper, a nonlinear Bayesian filtering framework is proposed for the filtering of single channel noisy electrocardiogram (ECG) recordings. The necessary dynamic models of the ECG are based on a modified nonlinear dynamic model, previously suggested for the generation of a highly realistic synthetic ECG. A modified version of this model is used in several Bayesian filters, including the Extended Kalman Filter, Extended Kalman Smoother, and Unscented Kalman Filter. An automatic parameter selection method is also introduced, to facilitate the adaptation of the model parameters to a vast variety of ECGs. This approach is evaluated on several normal ECGs, by artificially adding white and colored Gaussian noises to visually inspected clean ECG recordings, and studying the SNR and morphology of the filter outputs. The results of the study demonstrate superior results compared with conventional ECG denoising approaches such as bandpass filtering, adaptive filtering, and wavelet denoising, over a wide range of ECG SNRs. The method is also successfully evaluated on real nonstationary muscle artifact. This method may therefore serve as an effective framework for the model-based filtering of noisy ECG recordings.