离散卡尔曼滤波器滤波精度与噪声统计模型准确度的关系

针对多维渐近稳定线性离散系统,推导了使用铁初始条件和噪声统计的卡尔曼滤波器实际估计误差协方关矩阵,并基于该矩阵分析了滤波精度与模型精度的关系,指出使用非准确的初始条件和噪声统计模型 仍能构造出与最优卡尔曼滤器等效的滤波器,组合导航仿真系统的仿真验证了文中的结论。     

自适应UKF在北斗伪距定位中的研究

针对北斗伪距定中噪声统计特性未知或者不准确带来的定位精度不高问题,为减小噪声统计特性的不准确在滤波过程中对状态估计带来的影响,采用了无迹卡尔曼滤波(UKF)和噪声统计值估计器相结合的滤波方法,该方法在UKF中引入改进的噪声估计Sage-Husa算法,对系统噪声和观测噪声进行实时估计,抵抗不准确噪声在定位解算时带来的误差;最后在进行状态更新时引入一个收敛因子对每一次滤波状态进行更新,保证算法的收敛性。实验结果表明,该方法与传统的无迹卡尔曼滤波相比,在提升算法收敛速度的同时,将伪距定位的精度提高了40%左右,可用于带有时变噪声和未知噪声的定位系统中。     

基于平滑滤波的多传感器异步融合方法研究

无人巴士在定位循迹过程中，采样信号受噪声方差、带宽和采样率的影响，易出现信号缺失或间断现象，加之相关滤波算法缺乏异步采样和平滑能力，导致定位失败。为了提高定位精度并补充缺失数据，本文基于异步扩展卡尔曼滤波和非因果滤波平滑，提出一种改进的传感器异步采样融合平滑算法。首先利用异步扩展卡尔曼滤波对连续时间随机微分方程进行指数离散化，以处理任意时刻的测量值，预测更新下一时刻状态值之后，引入非因果滤波平滑给定可用的初始方差信息，使噪声方差影响更小，估计性能更好。将本算法在无人巴士上进行物理实验验证，结果表明这种多传感器异步融合平滑算法在车辆行驶中效果良好，与异步卡尔曼滤波算法结果相比，可以达到优于05 m的定位精度，数据预测误差均有明显降低，提高了定位精度和补充缺失数据。     

改进SHAKF算法消除IMU随机误差的研究

针对 Sage-Husa 自适应卡尔曼滤波(SHAKF)算法在处理惯性测量单元(IMU)时,随机误差容易随着时间的累积而造成 滤波发散的问题,提出一种改进的 Sage-Husa 自适应鲁棒卡尔曼滤波 (MSHARKF)算法。 首先对 IMU 构建了合适的模型,再将 SHAKF 与自适应鲁棒卡尔曼滤波(ARKF)相结合并纳入改进的时变噪声估计器,再引入最优自适应比例因子 αk 对量测方程迭 代更新,最后得出新的预测协方差矩阵代入原方程。 实验结果表明,分别通过 Allan 方差和均方根误差(RMSE),对 MEMS-IMU 滤波前后的静/ 动态数据分析计算得,随机误差噪声分别减小至原数据的 1 / 10 000 和 1 / 100。 与本文其他算法相比,该方法有 效地对算法滤波发散进行了抑制,进而提高了 IMU 的测量精度和长期稳定性。     

基于多尺度形态学和Kalman滤波的基波分量提取

针对Kalman滤波在提取基波分量时存在暂态噪声抑制能力差和噪声统计特性不精确的缺点,提出了一种新的基波分量提取算法。采用改进的数学形态滤波器对采集信号进行多尺度分析得到平滑信号和细节信号,改进的滤波器使用不同形状的结构元素,有效地提高噪声抑制能力。利用平滑信号更新Kalman滤波器的观测值,减少故障信号暂态噪声的干扰,提高了滤波算法的收敛速度;利用细节信号实时在线计算测量噪声的方差,提高了滤波算法的收敛精度。在Matlab/Simulink环境下搭建仿真模型对算法进行验证与测试,仿真结果证实了算法的可行性和有效性。     

基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法

针对噪声环境下,基于标准容积卡尔曼滤波的LANDMARC室内定位算法因噪声特性估计不准,引起滤波性能下降而导致定位误差较大的问题,提出一种基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法。该算法首先建立基于LANDMARC定位框架下的运动目标动态模型,然后引入量子粒子群优化技术对容积卡尔曼滤波中时间更新过程的状态预测值进行优化,以降低因畸变噪声引起的误差;最后将改进的容积卡尔曼滤波算法应用到运动目标状态估计中。实验结果表明,所提算法定位误差均值为0.175 m,与相同环境下传统的LANDMARC算法、基于容积卡尔曼滤波的LANDMARC算法以及基于粒子群优化容积卡尔曼滤波的LANDMARC算法相比,定位精度和稳定性均有明显提高,且运算时间比基于粒子群优化的算法少,应用在室内定位中能够得到较为真实的目标移动轨迹。     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于Pn P的自适应线性卡尔曼滤波位姿估计求解方法。将Pn P位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

基于改进粒子滤波的综合能源系统预测辅助状态估计

高效准确的状态估计是综合能源系统安全稳定的基础。粒子滤波具有精度高且对于非线性系统适应性更强的优点,已应用于电力系统的状态估计。为了提高综合能源系统的状态估计精度,研究粒子滤波在综合能源系统中的应用,提出了一种基于改进粒子滤波的综合能源系统预测辅助状态估计方法。首先,本文构建了包含电-气-热网络的区域综合能源系统模型;其次,将粒子滤波算法拓展到电-气-热网络,在详细分析粒子滤波相关理论的基础上,针对粒子滤波算法存在的跟踪误差问题对粒子滤波的预测步进行改进;最后,利用经典的综合能源系统算例对文中提出的改进粒子滤波算法进行验证。结果证明该方法能够有效解决传统粒子滤波算法的跟踪误差问题,提高系统的估计精度。     

基于AEKF滤波与H∞滤波的锂离子电池SOC联合估计

锂电池荷电状态（SOC）的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有卡尔曼滤波SOC估计方法存在估计精度低、鲁棒性差等问题,采用锂离子电池的二阶电阻-电容等效电路模型,通过HPPC循环脉冲实验和动态应力测试工况放电实验,结合带可变遗忘因子的递推最小二乘法（VFFRLS）及开窗理论,对等效电路模型参数进行在线辨识,提出利用自适应扩展卡尔曼滤波（AEKF）算法和H_∞滤波算法联合估计SOC的方法。结果表明：与AEKF算法相比,在DST工况下该算法可以使电池荷电状态估计的最大绝对误差减小3.902 9%,平均绝对误差减小0.962 2%,均方根误差减小0.551 5%。与H_∞滤波算法相比,在DST工况下该算法可以使电池荷电状态估计最大绝对误差减小1.309%,平均绝对误差减小2.893 4%,均方根误差减小2.613 6%。     

基于自适应无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的SOC是新能源汽车电池管理系统的重要参数,对新能源汽车的安全运行起着重要作用.针对因系统噪声特性未知导致传统UKF算法对电池SOC估计精度不高的问题,提出了可以保证系统噪声协方差矩阵非负定性和对称性的改进Sage-Husa自适应滤波算法,并将改进的Sage-Husa自适应滤波算法与UKF结合形成一种新的AUKF算法.AUKF在估计电池SOC的同时,对系统噪声特性进行估计和修正,从而提高SOC估计精度.在FUDS工况下对AUKF进行验证,并将SOC估计结果与UKF对比.实验结果表明,AUKF具有更高的估计精度和稳定性,验证了该算法的有效性.     

Fast bias‐constrained optimal FIR filtering for time‐invariant state space models

This paper combines the finite impulse response filtering with the Kalman structure (predictor/corrector) and proposes a fast iterative bias‐constrained optimal finite impulse response filtering algorithm for linear discrete time‐invariant models. In order to provide filtering without any requirement of the initial state, the property of unbiasedness is employed. We first derive the optimal finite impulse response filter constrained by unbiasedness in the batch form and then find its fast iterative form for finite‐horizon and full‐horizon computations. The corresponding mean square error is also given in the batch and iterative forms. Extensive simulations are provided to investigate the trade‐off with the Kalman filter. We show that the proposed algorithm has much higher immunity against errors in the noise covariances and better robustness against temporary model uncertainties. The full‐horizon filter operates almost as fast as the Kalman filter, and its estimate converges with time to the Kalman estimate. Copyright © 2016 John Wiley & Sons, Ltd.     

基于自适应卡尔曼滤波算法的紧组合导航系统的研究

为了提高子滤波器滤波精度和优化信息融合算法,提出一种基于在线调节因子的自适应卡尔曼滤波算法。首先讨论采用卡尔曼滤波技术的理论依据,设计SINS/GPS紧组合导航系统。提出改进的自适应卡尔曼滤波算法,该方法通过构造自适应参数因子,并利用量测噪声协方差阵与自适应参数的比值实现在线修正量测噪声协方差阵。通过MATLAB仿真,与传统基于标准卡尔曼滤波算法的紧组合导航系统相比,其各向位置误差和速度误差均得到明显降低,从而达到提高组合导航定位精度和优化信息融合算法的目的。     

Self‐tuning weighted fusion Kalman filter for ARMA signal with colored measurement noise and its convergence analysis

For the multisensor single‐channel autoregressive moving average (ARMA) signal with colored measurement noise, when the partial model parameters and the noise variance are unknown, a self‐tuning fusion Kalman filter weighted by scalar is presented based on the ARMA innovation model by the modern time series analysis method. With the application of the recursive instrumental variable algorithm and the Gevers–Wouters iterative algorithm with dead band, the information fusion estimators for the unknown model parameters and noise variance are obtained, and their consistence is proved by the existence and continuity theorem of implicit function. Then, substituting them into the optimal weighted fusion Kalman filter, one can obtain the corresponding self‐tuning weighted fusion Kalman filter. Further, with the application of the dynamic variance error system analysis method, the convergence of the self‐tuning Lyapunov equations for filtering error cross‐covariances is proved. With the application of the dynamic error system analysis method, it is rigorously proved that the self‐tuning weighted fusion Kalman filter converges to the optimal weighted fusion Kalman filter in a realization; that is, it has asymptotic optimality. A simulation example shows its effectiveness.Copyright © 2012 John Wiley & Sons, Ltd.     

考虑参数不确定性影响的发电机动态状态估计方法

噪声统计特性和模型参数的不确定性,会严重影响动态状态估计的精度。针对该问题,文中提出了一种基于H∞容积卡尔曼滤波(HCKF)的动态状态估计新方法。首先,建立发电机动态状态估计模型;其次,依据H∞滤波理论构造模型不确定性约束准则,并在容积卡尔曼滤波(CKF)中依据该准则计算更新估计误差协方差阵,抑制参数不确定性对状态估计精度的影响;最后,通过对IEEE 10机39节点系统和某实际大区域电网系统的算例测试,将所提方法与CKF方法和改进插值扩展卡尔曼滤波(IEKF)方法的估计性能进行对比。算例仿真结果表明,HCKF方法在估计精度和对模型不确定性的鲁棒性方面较CKF和IEKF方法均有所提高,能够有效抑制模型不确定性对发电机动态状态估计的影响。     

民用导航型C／A码GPS接收机动态定位的强跟踪卡尔曼滤波研究

本文提出了一种改进的强跟踪卡尔曼滤波算法,应用于ＧＰＳ动态定位获得明显效果,首先建立了一种新的ＧＰＳ动态定位滤波模型,该模型与以往采用的非线性卡尔曼滤波模型相比,滤波精度得到提高,且模型简单,系统运算量降低,实时性较好,然后,为了进一步提高滤波器的动态性能,改进了文献中的强跟踪滤波器,大大提高了滤波器的跟踪能力。     

基于小波卡尔曼混合算法的陀螺仪去噪方法

为了能有效地减少MEMS（微电子机械系统）陀螺仪的随机漂移误差,使得随钻测量系统的精度得到提高,提出了一种基于小波与Kalman算法的混合滤波方法。首先使用小波分析的方法,对实测的陀螺仪数据进行多分辨分解得到平稳的数据信号,然后对数据进行时间序列分析建模建立陀螺仪误差模型,把小波分解后的低频信号作为系统输入,利用最小二乘法中直线拟合的方法改进卡尔曼滤波算法处理陀螺仪零点随机误差。实验分别分析了静态平稳信号和非平稳动态信号,并对处理效果进行了对比分析。仿真结果表明方法能有效降低信噪比,提高陀螺仪输出精度。     

基于加速度变噪声EKF的无人机姿态融合算法

针对传统无人机姿态解算方法过程复杂、计算量大、动态性能差的缺点,建立无人机姿态模型;采用陀螺仪对加速度计直接进行滤波的方法,设计出新的基于扩展kalman滤波的加速度滤波器;并且考虑到无人机非重力加速度的影响,对常规kalman滤波器进行了变噪声的改进。利用STM32微控制器和MEMS惯性单元搭建硬件平台进行对比实验。结果表明:在168 MHz时钟频率下,一次传感器数据读取和姿态解算总共耗时3.27 ms,数据更新率可达100 Hz。新算法飞行动态误差小于1°,而传统四元数法动态误差为2°左右;变噪声处理后静态瞬时偏差由4°降到1°。说明新算法的抗震效果和解算精度更好,可以为无人机自主飞行提供更准确的姿态信息。