基于修正量测的UKF算法

针对Kalman滤波(UKF)不能解决非线性算法的难点,在Kalman滤波的算法上加以改进。由于(UKF算法需要利用无迹变换(UT)求解非奇异协方差矩阵的平方根,但在求解奇异协方差矩阵或滤波计算时会有较大的误差,导致算法的精度无法保证。提出了一种基于修正测量UT变换的修正测量UKF算法来处理奇异协方差矩阵来解决这一问题,,并通过仿真验证了该方法的有效性。     

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。     

GPS/AHRS紧耦合系统中改进的SRUKF算法

在GPS/AHRS(航姿参考系统)组合导航的数据融合中,常规UKF在应用中由于计算误差易导致协方差负定,影响滤波的精度,甚至使滤波发散而导致系统无法正常工作.针对这一问题提出了一种改进的自适应SRUKF算法,不仅能够解决协方差负定带来的系统无法正常工作的问题,而且能够在保证精度的同时降低系统的计算量.仿真数据结果表明,在先验噪声未知并且噪声时变的情况下,改进的自适应SRUKF算法能够提高系统的精度和稳定性.     

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.     

自适应平方根中心差分卡尔曼滤波算法在捷联惯性导航系统大方位失准角初始对准中的应用

提出了一种自适应平方根中心差分卡尔曼滤波(ASRCDKF)算法,并应用于捷联惯性导航系统(SINS)大方位失准角初始对准中。ASRCDKF算法以中心差分变换为基础,基于平方根滤波能够克服发散的思想,利用协方差平方根代替协方差参加递推运算,并将自适应估计原理引入该算法中,不仅克服了扩展卡尔曼滤波产生线性化误差和计算雅可比矩阵的不足,而且减小了计算量,保证了数值稳定性。同时,ASRCDKF算法解决了传统滤波算法过度依赖系统动态模型和噪声统计特性先验知识的问题。最后通过滤波仿真证明了ASRCDKF算法在SINS大方位失准角初始对准中的有效性和优越性。     

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.     

平方根UKF神经网络及其在预测中的应用

提出一种利用平方根无轨迹卡尔曼滤波(SR-UKF)进行神经网络权值估计的算法,该算法可以克服BP算法存在的学习速率缓慢、计算量大、容易使学习陷入局部极小等缺点.以Mackey-Grass混沌时间序列作为神经网络输入,运用SR-UKF算法、UKF算法、BP算法仿真神经网络.结果表明,SR-UKF算法较之BP算法具有更快的训练速度和更高的预测精度,且可以避免网络学习陷入局部极小,而相对于UKF算法又具有计算量小且能保证状态方差半正定的特点.     

基于Sage-Husa的线性自适应平方根卡尔曼滤波算法

针对标准卡尔曼滤波和扩展卡尔曼滤波存在的局限性,结合平方根滤波的思想,对传统Sage-Husa估计器进行改进,提出了一种新的线性自适应平方根卡尔曼滤波(Linear Adaptive Square-RootKalman Filtering,LASRKF)算法。该算法直接对系统状态方差阵和噪声方差阵的平方根进行递推与估算,确保了状态和噪声方差阵的对称性和非负定性;算法还增添了对系统噪声统计特性估计的计算,强化了滤波器的稳定性和自适应能力;与传统Sage-Husa自适应滤波算法相比LASRKF可提高滤波器抗发散的能力。仿真实验表明,LASRKF可有效提高滤波器的精确性、稳定性和自适应能力。     

基于奇异值分解的UT变换

在基于Kalman滤波的非线性滤波方法中,近年来提出的无味滤波(Unscented Kalman Filter)以其计算简单和近似精度更高而受到青睐.这就需要利用UT变换(Unscented Transformation也称无味变换)求非奇异的协方差矩阵的平方根,而对于奇异的协方差矩阵或者在Kalman滤波更新中由于数值计算导致的误差方差阵奇异时,传统的UT变换已不实用.本文对上述问题进行了讨论,提出了基于奇异值的UT变换来处理奇异的方差阵,并用数值模拟证明了这一方法的有效性.