一类随机系统的二阶近似扩展卡尔曼滤波

给出一类含时变未知参数的随机系统，在系统状态噪声与量测噪声于有限时间区间上相关情况下，二阶近似的扩展卡尔曼滤波（ＥＫＦ）递推公式。     

某图像处理系统中滤波算法的改进

滤波技术是一种图像增强技术，很多图像处理和分析系统都采用滤波技术减弱噪声的影响。针对某系统采用的均值滤波算法会模糊区域边缘的不足，作者使用中值滤波算法对原系统做了改进。该算法在消除噪声的同时不会影响区域的边缘。经实验验证，改进系统的效果优于原系统。     

基于H∞的捷联系统初始对准及参数γ选取方法研究

针对KALMAN滤波在系统模型不确定或噪声统计特性不准确的情况下滤波精度不高甚至发散的问题,引入了H∞滤波技术,介绍了H∞滤波基本理论和递推公式,与KALMAN滤波在本质上做了比较。建立了12维状态量的初始对准模型,在此基础上做了KALMAN滤波和H∞滤波在白噪声条件和有色噪声条件下的对比仿真,为了说明H∞滤波中参数γ的选取对对准速度和精度的影响,还分别选取3个有代表性的参数γ做了对比仿真,仿真结果表明：在白噪声条件下,两种滤波的精度相当,KALMAN滤波相对于H∞滤波要稍好些;在有色噪声条件下,KALMAN滤波显得有些发散,而H∞滤波明显对有色噪声的抗干扰性强于KALMAN滤波。同时通过对参数γ的适当选取,对系统的平均性能（精度）和鲁棒性能进行一定的平衡。     

基于多帧平均和小波分析的X射线影像图像去噪处理

分析了低强度X射线影像系统图像噪声来源及特点，以此提出了处理该图像噪声的“多帧平均滤波 小波变换滤波”的复合算法。通过对峰值信噪比的计算表明，该方法明显优于任何单一算法，取得较好效果。     

噪声相关粒子滤波算法

对标准粒子滤波在处理非线性系统状态估计中噪声独立假设的局限,该文研究分析了一种噪声相关粒子滤波算法。在常用的系统状态模型基础上,分析了噪声相关时建议分布函数的具体分布形式,并以高斯相关噪声为背景,在重要性权重条件最小方差意义下推导了最优建议分布函数的数值表达式。所设计的滤波器有效弥补了传统粒子滤波算法在噪声相关情况下的缺陷,拓展了PF算法的应用范围。仿真实验表明了该方法的有效性。     

模糊自适应无迹卡尔曼滤波方法用于天文导航

为克服航天器自主天文导航中不确定测量噪声对导航精度的影响,提出了一种基于模糊推理的自适应无迹卡尔曼滤波(FUKF)方法.该方法根据滤波过程中实际测量残差方差与理论残差方差的比值,将系统滤波过程分为普通模式和自适应模式.分别对两种模式建立模糊隶属度函数,应用模糊推理规则,得到自适应修正因子,对系统的测量噪声方差阵进行实时修正,使其跟踪实际测量噪声的变化.当系统受到不确定环境噪声影响时,该滤波算法仍然有效收敛.将该方法应用于直接敏感地平的航天器自主天文导航中,不同测量噪声水平下的仿真结果表明,该算法对不确定的测量噪声具有较强的自适应能力,保证了导航信息的输出精度.     

基于小波神经模糊系统的一种非线性滤波方法

针对信号中含有复杂噪声难以滤除的问题,提出了一种把自适应神经模糊推理系统(ANFIS)与小波变换相结合的方法,该方法通过ANFIS逼近噪声,利用小波变换中小波的分解与重构来调整适当的阈值来达到最终滤波的效果.仿真结果表明对于一个含有复杂噪声的信号而言,此种结合的方法与单独利用ANFIS或小波变换相比,滤波效果更佳,并且对实际中含有未知噪声的去除问题提出了一种可行有效的方法.     

模型相关噪声的广义离散随机线性系统的次优滤波

本文讨论了广义离散随机线性系统的次优滤波问题，给出了一种次优滤波算法。本文考虑的最模型噪声和量测噪声相关的情形，借助于扩充状态变量法并采用通常的卡尔曼滤波方法以及最小方差估计方法给出了所要的递推计算公式。     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹卡尔曼滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

线性离散奇异系统的最优估计新方法

讨论了线性离散奇异系统的状态估计问题.在系统正则的前提下,将奇异系统的滤波估计问题转化为系统状态噪声带有前向时滞的滤波估计问题,基于等价系统的新息分析及射影定理,通过求解两个耦合的Riccati方程求得等价系统的滤波估计器,最终得到与原始奇异系统状态同维的预报,滤波,及平滑估计器.     

模型相关噪声的广义离散随机线性系统的次优滤波

本文讨论了广义离散随机线性系统的次优滤波问题，给出了一种次优滤波算法。本文考虑的是模型噪声和量测噪声相关的情形，借助于扩充状态变量法并采用通常的卡尔曼滤波方法以及最小方差估计方法给出了所要的递推计算公式。     

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.     

线性离散奇异系统的最优估计新方法

讨论了线性离散奇异系统的状态估计问题. 在系统正则的前提下, 将奇异系统的滤波估计问题转化为系统状态噪声带有前向时滞的滤波估计问题, 基于等价系统的新息分析及射影定理, 通过求解两个耦合的Riccati方程求得等价系统的滤波估计器, 最终得到与原始奇异系统状态同维的预报, 滤波, 及平滑估计器.     

最优多级式多传感器状态融合估计

基于单传感器Kalman滤波方程 ,本文提出了多级式多传感器信息融合系统的两级和三级最优集中式与分布式融合估计算法。算法表明当融合系统的相关噪声方差矩阵、噪声均值、控制输入及测量误差为零时 ,本文算法与文献 [6 ]讨论标准融合系统的算法一致。融合系统的噪声均值、控制输入及测量误差不会影响融合系统的估计方差 ,但当相关噪声方差与过程噪声方法相近时 ,融合系统的估计方差会发生较大的变化。     

计算机控制系统中信号输入的误差及校正

由于各种噪声干扰和传感、放大、线性、转换部分固有特性引起的数据测量误差，直接影响计算机控制系统精度。由此本文提出了一些噪声滤波和误差校正的方法     

基于凹槽滤波的Lorenz类混沌系统控制

研究了Lorenz类混沌系统的控制问题,采用凹槽滤波的方法,在不改变Lorenz类混沌系统参数的前提下,引导系统转化为期望的低周期状态,同时控制效果在弱噪声干扰下具有很强的鲁棒性,数值仿真结果将进一步证实本文的结论.     

水射流空化噪声的自适应滤波处理

空化水射流中空泡渍灭会产生空化噪声.空化噪声是一种微弱的随机信号,采集系统自身的噪声对空化噪声有着较强的干扰.采用自适应噪声抵消方法对空化信号进行滤波处理,结果表明该方法具有良好的滤除系统噪声干扰能力,得到了真实的水射流空化噪声信号.     

航姿参考系统中一种自适应卡尔曼滤波算法

在航姿参考系统测量载体姿态的过程中,由于观测噪声不确定,严重影响了常规卡尔曼滤波结果的精度.另外,当系统受到干扰而使观测噪声突然改变时,甚至会导致滤波发散.提出一种航姿参考系统自适应卡尔曼滤波算法,能够根据观测数据来自适应调整观测噪声,从而提高卡尔曼滤波精度,改善系统的鲁棒性.仿真表明,当观测噪声时变时,常规卡尔曼滤波结果明显发散,而新自适应卡尔曼滤波结果收敛良好,在系统计算复杂度没有明显增加的前提下,系统的稳定性得到了明显提高.     

离散LTI系统的Kalman滤波的自适应算法

运用现代时间序列分析方法 ,提出了一类线性时不变离散随机系统的自适应稳态 Kalman滤波算法 ,该算法应用白噪声估值器理论对 ARMA新息模型进行在线辨识 ,可进行简单的自适应滤波处理 ,仿真例子说明了算法的有效性。     

共同系统状态过程噪声的多传感器联合滤波算法

目前,大多数多传感器联合滤波算法不考虑共同的系统状态过程噪声对各局部状态估计的影响,而实际上这种噪声是不可忽略的。基于此,从信息空间的角度出发,从理论上推导了多个传感器联合滤波算法,并验证了以往的不考虑共同系统状态过程噪声的多传感器及考虑共同系统状态过程噪声但传感器数只有2个的最优联合滤波算法均是该算法的特例。与一已有的联合滤波算法的仿真比较表明：该算法所获得的状态估计精度好于原有算法所获得的状态估计精度。