基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

精密单点定位的抗差卡尔曼滤波研究

从卡尔曼滤波的新息出发,推导了卡尔曼滤波残差的新息表达式,并用其构造抗差因子.根据精密单点定位的内部可靠性和观测值的随机性,确定完全可探测的载波相位和伪距粗差,并分别加入相应观测值粗差.通过标准卡尔曼滤波、新息的抗差卡尔曼滤波和残差的抗差卡尔曼滤波3种方案对比,粗差使标准卡尔曼滤波的估计结果产生一定的偏差.当观测值精度不等时,新息的抗差卡尔曼滤波对较高精度观测值的粗差抗差效果较差.而残差的抗差卡尔曼滤波能够实现不等精度观测值粗差的同时抗差.     

基于改进多新息扩展卡尔曼滤波的电池SOC估计

为了提高SOC估计精度,提出基于遗忘因子改进多新息扩展卡尔曼滤波（FMIEKF）方法. 建立锂离子电池的双极化等效电路模型,开展开路电压测试. 通过递归最小二乘法,实现电池模型参数在线辨识. 提出FMIEKF进行SOC估计,该方法在融合多新息辨识理论和卡尔曼滤波基础上,引入遗忘因子削弱历史数据修正权重,解决数据过饱和问题. 通过实验和硬件在环进行验证. 结果表明,FMIEKF具有较高的准确性和收敛性,最大估计误差为0.948%,平均误差为0.214%,在不同SOC初值下20 s内收敛,可以适用于实际的电池管理系统中.     

系统辨识(6):多新息辨识理论与方法

多新息辨识是系统辨识的一个重要分支.新息是能够改善参数估计精度或状态估计精度的有用信息.首先,详细讨论了线性回归模型的各种多新息辨识方法,包括多新息投影算法、多新息随机梯度算法、多新息遗忘梯度算法、变递推间隔多新息随机梯度算法、多新息最小二乘辨识方法、变递推间隔多新息最小二乘算法等;然后,给出了方程误差类系统、输出误差类系统、输入非线性系统的随机梯度辨识算法、多新息随机梯度算法和多新息最小二乘辨识算法;最后,简单说明了多新息辨识理论可以发展到多新息观测器和多新息卡尔曼滤波理论.     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

基于神经网络的新息自适应卡尔曼滤波在高速公路变形监测中的应用

实际应用中卡尔曼滤波的动态噪声和观测噪声往往不是固定的,提出运用新息自适应卡尔曼滤波法则对噪声进行实时估计。同时,为了克服新息自适应卡尔曼滤波要求系统模型过分精确的缺点,基于神经网络的新息自适应卡尔曼滤波算法,通过使用神经网络进行误差补偿来提高滤波性能,并运用于高速公路变形监测中。结果表明：该模型与原始观测值的残差全部降到了０.２５ｍｍ以下,说明该模型精度很高,在实际应用中具有一定的可行性。     

一类有色噪声干扰系统的辅助模型多新息辨识方法

针对一种有色噪声干扰系统,把标量新息扩展为向量新息（即多新息）,将最小二乘算法、随机梯度算法分别和辅助模型方法结合,提出了基于辅助模型的多新息最小二乘算法和基于辅助模型的多新息随机梯度算法。与传统最小二乘算法和随机梯度算法相比,所提出的算法可有效提高收敛速度和辨识精度,其中基于辅助模型的多新息随机梯度算法比基于辅助模型的多新息最小二乘算法计算量少、收敛速度快。仿真例子验证了算法的有效性。     

双级迭代自适应卡尔曼滤波算法

针对高速目标的跟踪定位问题,提出了基于"当前"统计模型的双级迭代自适应卡尔曼滤波算法。首先利用三球交点定位算法对观测值进行处理,得到目标位置初始估计值;采用初始估计值中的速度新息的特征函数和加速度新息的特征函数推导出迭代参数表达式,再使用目标运动特性对迭代参数取值进行限定;最后将迭代参数应用到自适应卡尔曼滤波算法实现滤波。仿真的结果表明,双级迭代自适应卡尔曼滤波的速度估计优于"当前"统计模型的速度估计,并且双级迭代自适应卡尔曼滤波的稳健性更好。     

基于Unscented卡尔曼滤波的目标跟踪仿真分析

卡尔曼滤波技术是目标跟踪的理论基础之一.在工程应用中,多采用非线性滤波的方法对目标进行跟踪.介绍了Unscented变换,通过使用Unscented卡尔曼滤波(UKF)对目标跟踪进行仿真实验,Un-scented卡尔曼滤波有效地克服了传统的扩展卡尔曼滤波算法(EKF)的缺陷.给出了最佳估计的二阶近似,提高了对目标跟踪的精度和稳定性.仿真结果表明,该算法对目标在位置、速度跟踪方面均有良好的效果;针对目标机动,采用多模型滤波算法能够实现目标机动的精确跟踪.     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

基于伪线性卡尔曼滤波的两站红外无源定位及跟踪技术

建立了目标的两站红外搜索与跟踪系统的伪线性观测模型，基于该模型提出了运动目标的伪线性卡尔曼滤波算法．该算法利用伪线性方程组获得滤波器的初值，从而提高了滤波器的跟踪精度和速度．分别采用伪线性卡尔曼滤波器与推广卡尔曼滤波器对目标进行定位及跟踪的仿真结果表明：在跟踪初始阶段，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波．在近距离范围，不论目标是匀速还是机动运动，两者的跟踪精度都非常高．在远距离范围，当目标机动时，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波；当目标匀速运动时，推广卡尔曼滤波的跟踪精度略优于伪线性卡尔曼滤波．从整个仿真过程可以看出，目标的运动形式对推广卡尔曼滤波性能的影响是非常明显的，而对伪线性卡尔曼滤波性能的影响则很小．     

类多变量输出误差系统的耦合多新息辨识方法

辅助模型辨识思想、多新息辨识理论、耦合辨识概念是研究复杂多变量系统辨识的新理念和原理.将它们结合起来研究类多变量输出误差系统的辨识问题,提出了多元辅助模型辨识方法、多元辅助模型多新息辨识方法、变递推间隔多元辅助模型多新息辨识方法.为减小算法的计算量和提高参数估计精度,将系统模型分解为一些子辨识模型,应用辅助模型辨识思想、多新息辨识理论、耦合辨识概念,研究和推导了部分耦合辅助模型辨识方法、部分耦合辅助模型多新息辨识方法.讨论了几个典型辨识算法的计算量,给出了参数估计的计算步骤和计算流程图.     

双基地前向散射栅栏雷达的目标运动参数估计

针对双基地前向散射栅栏雷达运动参数估计精度低、易发散的问题,在扩展卡尔曼滤波和不敏卡尔曼滤波基础上,提出了一种新的滤波跟踪算法U EKF.该算法利用不敏卡尔曼滤波对初始误差不敏感的特点实现目标初始捕捉,克服了扩展卡尔曼滤波由于初始估计误差较大而引起的发散问题;然后采用扩展卡尔曼滤波进行目标跟踪保持,克服了目标穿越雷达基线时不敏卡尔曼滤波由于对系统模型的误差敏感而引起估计精度低的问题.     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

一种基于机器人听觉的多声源跟踪策略

针对多运动声源跟踪问题,提出了一种将波束形成算法和卡尔曼滤波相结合的多运动声源跟踪策略.采用波束形成算法对空间声能量进行搜索计算目标可能的方位,通过不同窗长的并行卡尔曼滤波器预测目标各自在下一时刻的方位,从而获得目标的同一性.仿真与在室内环境下的实际运行结果验证了该方法的有效性.     

基于多新息算法的阶次未知的Wiener系统参数估计

针对阶次未知Wiener系统辨识模型过参数问题和最小二乘精度低的问题,提出一种行列式比确定阶次和基于分解技术的多新息最小二乘估计方案。首先,利用系统数据构造数据矩阵,利用行列式比方法估计系统的阶次;然后,利用分解技术将线性模块代入到非线性模块的特定项中,建立线性参数和非线性参数相互分离的估计模型,减少算法的计算量;其次,设计参考模型处理估计模型中存在的未知的内部变量,使内部变量转化为间接可测的变量;最后,采用一定的新息长度修改标量新息为多新息,提高估计算法的性能。通过分析不同噪声和不同新息长度对所提出算法的影响,验证该算法的鲁棒性和有效性。仿真结果表明,所提出的估计方案在估计精度和收敛速率上都优于递归最小二乘方法。     

机动目标的IMM扩展卡尔曼滤波时间配准算法

针对目前研究的时间配准方法是在目标运动模型已知的情况下进行时间配准,难以保证目标在复杂机动情况下运动模型多变时的时间配准精度。提出了机动目标的交互多模型扩展卡尔曼滤波(IMM-EKF)时间配准算法,该算法将交互多模型中的每个运动模型分别进行扩展卡尔曼滤波输出同时根据滤波过程中得到的残差计算每个模型的概率,根据模型概率和各模型滤波输出得到时间配准周期内最后一个采样点的测量数据,利用该点的状态和模型概率进行外推就得到时间配准周期和传感器采样周期不成整数比时配准时刻的位置。通过仿真结果表明该算法能够有效降低整体的时间配准误差。该算法提高了时间配准的精度,为数据融合提供了良好的基础。     

传递函数辨识(18):输出误差模型的辅助模型递阶迭代参数估计

针对输出误差系统,利用迭代搜索原理,研究了辅助模型梯度迭代算法、辅助模型最小二乘迭代算法、辅助模型多新息梯度迭代算法、辅助模型多新息最小二乘迭代算法;利用递阶辨识原理,研究了辅助模型递阶梯度迭代算法、辅助模型递阶多新息梯度迭代算法、辅助模型递阶最小二乘迭代算法、辅助模型递阶多新息最小二乘迭代算法等。这些辨识方法可以推广到有色噪声的随机系统中。     

多元系统耦合多新息随机梯度类辨识方法

针对多元线性回归系统,利用耦合辨识概念和多新息辨识理论,讨论了多元随机梯度算法、多元多新息随机梯度算法,以及变递推间隔多元多新息梯度算法,进一步分解多元系统为一些子系统,给出了耦合子系统随机梯度算法、耦合随机梯度算法、耦合子系统多新息随机梯度算法、耦合多新息随机梯度算法,并将这些方法推广到多元伪线性滑动平均系统和多元伪线性自回归滑动平均系统.文中给出了几个典型耦合随机梯度算法、耦合多新息随机梯度算法的计算步骤和示意图.     

歼击机对空中目标参数被动测量的方法研究

仅根据光电瞄准系统探测到的空中目标俯仰角和方位角,利用非线性滤波算法即可估计出目标的位置和速度等运动参数。建立了歼击机和目标的相对运动数学模型,在对扩展卡尔曼滤波算法优化的基础上,推导出自适应修正增益的扩展卡尔曼滤波算法。仿真结果表明,与传统的扩展卡尔曼滤波相比,该算法具有更高的稳定性和估计精度,能够满足歼击机在中远距离使用制导武器对目标攻击的发射条件。