基于Unscented变换的非线性状态平滑

众所周知, 平滑因可以使用更多的量测信息而能够获得比滤波更精确的状态估计. 为此, 本文提出一种面向非线性随机系统的状态平滑新算法. 首先, 基于最小方差估计理论, 提出了一种新颖的最优平滑器, 该平滑器为解决非线性状态平滑问题提供了一种通用的理论框架;接着, 采用Unscented变换(UT)来近似上述最优平滑框架中的平滑增益, 进而设计出一种次优平滑算法;最后, 相比传统扩展卡尔曼平滑器(EKS), 仿真结果验证了新算法的有效性和可行性.     

基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法

针对非线性系统模型,提出一种基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法.该方法采用Stirling 内插公式对非线性函数作多项式逼近,利用中心差分卡尔曼滤波和高斯混合概率假设密度滤波对后验多目标状态一阶统计量进行估计,并通过递推更新得到目标状态,以实现对多个目标的跟踪.该方法无需求解系统函数的雅可比矩阵,且具有二阶泰勒展开式精度.仿真结果表明,所提出方法能够增强算法的鲁棒性,提高目标状态和数目的估计精度.     

迭代测量更新CDKF的粒子滤波方法

为了提高中心差分卡尔曼粒子滤波（CDKFPF）算法跟踪时的估计精度,提出了一种基于迭代测量更新CDKF的粒子滤波（ICDKFPF）新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,并用Levenberg-Marquardt方法对状态协方差进行修正,使粒子的观测信息得到充分有效的利用,更加符合真实状态的后验概率分布。仿真结果表明,所提出算法的估计性能要明显优于标准的粒子滤波（PF）和中心差分卡尔曼粒子滤波（CDKFPF）。     

强跟踪CDKF 及其在组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在组合导航系统模型不确定时存在滤波精度下降甚至发散的问题,提出一种具有强跟踪性能的中心差分卡尔曼滤波器(CDKF).强跟踪CDKF基于强跟踪滤波器(STF)的理论框架,采用中心差分变换代替STF中的雅可比矩阵计算,兼具STF鲁棒性强,CDKF滤波精度高和实现简单的优点,有效克服了EKF在系统模型不确定时滤波失效的缺点.仿真结果验证了强跟踪CDKF的有效性.     

带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器

为了解决带有色厚尾量测噪声的非线性状态估计问题,本文提出了新的鲁棒高斯近似（Gaussian approximate,GA）滤波器和平滑器.首先,基于状态扩展方法将量测差分后带一步延迟状态和白色厚尾量测噪声的非线性状态估计问题,转化成带厚尾量测噪声的标准非线性状态估计问题.其次,针对量测差分后模型中的噪声尺度矩阵和自由度（Degrees of freedom,DOF）参数未知问题,设计了新的高斯近似滤波器和平滑器,通过建立未知参数和待估计状态的共轭先验分布,并利用变分贝叶斯方法同时估计未知的状态、尺度矩阵、自由度参数.最后,利用目标跟踪仿真验证了本文提出的带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器的有效性以及与现有方法相比的优越性.     

改进的GMPF在动态跟踪系统中的应用

针对动态跟踪系统的非线性问题,提出一种非线性非高斯性能较优的状态估计器:考虑最新观测值的影响,使用基于平方根二阶差分(SRDD2)的高斯混合(GM)模型给出粒子滤波的建议分布.重要性采样和再采样阶段分别采用基于蒙特卡罗的重要性采样和进化的再采样方法,以减轻粒子滤波(PF)的样本退化问题,增强样本的多样性.实验结果表明,与平方根二阶差分Kalman滤波、PF、GM粒子滤波相比,该状态估计器提高了动态跟踪系统状态估计器的综合估计性能.     

一种强跟踪扩展卡尔曼滤波器的改进算法

针对模型不匹配卡尔曼的状态估计发散和应用范围限于连续系统问题，提出一种基于有限差分强跟踪滤波嚣（STFDEKF）．在滤波计算中,引入强跟踪滤波因子修正滤波器的状态预协方差矩阵。滤波精度得以提高,滤波器应用有限差分方法计算滤波过程中非线性函数的偏导数。扩大了适用范围．几种卡尔曼滤波器经过仿真比较。STFDEKF应用于复杂非线性系统状态估计时．具有较高数值稳定性、强跟踪性和较宽应用范围．     

基于自适应固定滞后卡尔曼平滑器的状态观测器在假手上的应用

针对以电位计为角度传感器的假手系统,提出了一种基于自适应固定滞后卡尔曼平滑器的状态观测器以观测手指的当前位置、速度和加速度信息.首先,分析了卡尔曼滤波器滤除电位计热噪声并观测速度与加速度的合理性,进而建立了其系统的离散状态转移矩阵.其次,相比卡尔曼滤波器,卡尔曼平滑器在参数相同的情况下具有更好的平滑效果,据此提出一种基于固定滞后卡尔曼平滑器的状态观测器,并通过引入渐消因子以提高动态响应特性.同时给出了一种将本文算法滞后特性降至一个控制周期的有效实现方式.最后,在HIT-V仿人假手实验平台上进行了实验验证.实验结果表明,相比对原始数据直接进行差分,该方法将速度噪声降低了20倍以上,加速度噪声降低了10 000倍以上.相比标准卡尔曼滤波器和固定滞后卡尔曼平滑器,该方法在动态响应方面具有更好的效果.     

单目视觉中基于IEKF,DD1及DD2滤波器的位姿和运动估计

用单摄像机所获取的二维(2D)图像来估计两坐标之间的相对位姿和运动在实际应用中是可取的,其难点是从物体的三维(3D)特征投影到2D图像特征的过程是一个非线性变换,把基于单目视觉的位姿和运动估计系统定义为一个非线性随机模型,分别以迭代扩展卡尔曼滤波器(IEKF)、一阶斯梯林插值滤波器(DD1)和二阶斯梯林插值滤波器(DD2)作非线性状态估计器来估计位姿和运动.为了验证每种估计器的相对优点,用文中所提方法对每种估计器都作了仿真实验,实验结果表明DD1和DD2滤波器的特性要比IEKF好.     

非线性系统中心差分集员估计方法

用于非线性椭球估计的扩展集员算法在实际应用中存在着实现性差、边界估计相对保守等缺陷.本文提出了一种用于非线性系统状态估计的中心差分集员估计方法,以改善传统非线性集员滤波算法的估计性能.为克服泰勒展开的固有缺陷,采用低阶多维Stirling内插多项式代替泰勒展开实现非线性模型的线性化处理;利用半定规划方法对线性化误差进行外包定界并将其融入过程噪声和量测噪声中,以降低误差定界的保守性;量测更新中,为提高算法的实时性,将量测椭球松弛为多个带的交,依次参与状态椭球的更新,从而实现状态定界椭球的次优估计;同时,对椭球—带交集迭代过程中椭球中心到超平面的归一化距离的计算方法进行了改进,使当前时刻每次迭代的椭球均参与计算并选取最优值,以减小累计误差.仿真结果表明了本文所提出算法的有效性和改进性能.     

Unscented Kalman filter for continuous‐time nonlinear fractional‐order systems with process and measurement noises

This study proposes the design of unscented Kalman filter for a continuous‐time nonlinear fractional‐order system involving the process noise and the measurement noise. The nonlinear fractional‐order system is discretized to get the difference equation. According to the unscented transformation, the design method of unscented Kalman filter for a continuous‐time nonlinear fractional‐order system is provided. Compared with the extended Kalman filter, the proposed method can obtain a more accurate estimation effect. For fractional‐order systems containing non‐differentiable nonlinear functions, the method proposed in this paper is still effective. The unknown parameters are also discussed by the augmented vector method to achieve the state estimation and parameter identification. Finally, two examples are offered to verify the effectiveness of the proposed unscented Kalman filter for nonlinear fractional‐order systems.     

相关噪声下非线性系统状态与偏差的分离估计算法

将用于零均值、高斯白噪声干扰下的非线性时变随机系统的伪偏差分离估计算法推广到 了系统及测量噪声为非零均值高斯白噪声、系统噪声及测量噪声为相关噪声的情形.通过引 入"弱化因子"概念,使得状态和偏差估计更加平滑.最后通过数字仿真证实了该方法的有效 性.同扩展卡尔曼滤波器相比,其计算量小,且可以准确估计出时变规律未知的随机时变偏 差.     

基于无迹卡尔曼滤波的被动多传感器融合跟踪

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.     

确定采样型强跟踪滤波飞机舵面故障诊断与隔离

为了克服扩展多模型自适应估计中扩展卡尔曼滤波的理论局限性,多重渐消因子强跟踪改进引起的滤波发散现象以及多维高斯故障概率计算量大等问题,本文将一类基于确定解析采样近似方法的非线性次优高斯滤波与多模型自适应估计相结合,提出了改进的多重渐消因子强跟踪非线性滤波快速故障诊断方法.确定采样型滤波克服了扩展卡尔曼滤波的理论局限性;推导了等效多重渐消因子计算方法,避免了非线性系统雅克比矩阵的计算,提高了故障突变时的跟踪性能;提出了基于平方根分解的改进的一步预测协方差更新方程,保证了滤波稳定性;提出了基于欧几里得范数简化的故障概率计算方法,降低了计算量.通过对比仿真验证了3种不同非线性滤波算法及其强跟踪改进算法的有效性,故障诊断方法跟踪性强、速度快、精度高,具有较好的鲁棒性和稳定性.     

交互式容积卡尔曼滤波及其应用 交互式容积卡尔曼滤波及其应用

针对非线性系统模型参数未知情况下的状态估计问题, 提出一种融合极大后验估计的交互式容积卡尔曼滤波算法(InCKF). 该算法利用二阶斯特林插值公式和无迹变换对非线性函数的近似思想, 实现对模型未知参数的确定, 从而使滤波算法摆脱对模型参数精确已知的依赖, 并通过容积卡尔曼滤波算法完成状态估计和量测更新. 仿真结果表明, 相比于经典的参数扩维方法, InCKF 算法具有更高的精度和更强的数值稳定性.

     

Robust fusion steady‐state filtering for multisensor networked systems with one‐step random delay,missing measurements,and uncertain‐variance multiplicative and additive white noises

The robust fusion steady‐state filtering problem is investigated for a class of multisensor networked systems with mixed uncertainties including multiplicative noises, one‐step random delay, missing measurements, and uncertain noise variances, the phenomena of one‐step random delay and missing measurements occur in a random way, and are described by two Bernoulli distributed random variables with known conditional probabilities. Using a model transformation approach, which consists of augmented approach, derandomization approach, and fictitious noise approach, the original multisensor system under study is converted into a multimodel multisensor system with only uncertain noise variances. According to the minimax robust estimation principle, based on the worst‐case subsystems with conservative upper bounds of uncertain noise variances, the robust local steady‐state Kalman estimators (predictor, filter, and smoother) are presented in a unified framework. Applying the optimal fusion algorithm weighted by matrices, the robust distributed weighted state fusion steady‐state Kalman estimators are derived for the considered system. In addition, by using the proposed model transformation approach, the centralized fusion system is obtained, furthermore the robust centralized fusion steady‐state Kalman estimators are proposed. The robustness of the proposed estimators is proved by using a combination method consisting of augmented noise approach, decomposition approach of nonnegative definite matrix, matrix representation approach of quadratic form, and Lyapunov equation approach, such that for all admissible uncertainties, the actual steady‐state estimation error variances of the estimators are guaranteed to have the corresponding minimal upper bounds. The accuracy relations among the robust local and fused steady‐state Kalman estimators are proved. An example with application to autoregressive signal processing is proposed, which shows that the robust local and fusion signal estimation problems can be solved by the state estimation problems. Simulation example verifies the effectiveness and correctness of the proposed results.