首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 390 毫秒

1.  一种改进的UKF非线性滤波器研究  
   齐立峰  陶建锋  冯新喜  惠小平《弹箭与制导学报》,2011年第31卷第2期
   针对无味卡尔曼滤波器(UKF)存在的缺陷,提出一种能对多通道数据进行渐消的带多重次优渐消因子的UKF滤波算法(SMFUKF)。该方法基于强跟踪滤波器的概念,通过引入多重次优渐消因子到UKF滤波器,自适应的在线调整UKF滤波器的状态预测误差协方差矩阵、量测预测协方差阵、状态和量测之间的互协方差阵及相应的增益矩阵,从而达到对快速变化的状态进行强有力的跟踪。实验结果表明多重次优渐消因子的引人使得UKF滤波器有可能更多的利用系统的先验知识,SMFUKF滤波器对快速变化的状态将具有更强的跟踪能力。    

2.  基于逻辑切换的改进强跟踪卡尔曼滤波器  被引次数:5
   柯晶  钱积新《电子学报》,2002年第30卷第6期
    针对线性随机系统提出了一种改进强跟踪卡尔曼滤波器(MSTKF).通过改变强跟踪滤波器的多重时变渐消因子,MSTKF在卡尔曼滤波和强跟踪滤波两种工作状态之间切换.当卡尔曼滤波不能有效跟踪突变状态时,MSTKF切换为可变弱化因子的强跟踪滤波.数值仿真实例显示了本方法的有效性.    

3.  一种多站联合多目标跟踪新算法  
   徐炳吉《山东工程学院学报》,1996年第10卷第2期
   本文基于分散估计的基本原理,用带次优渐消因子的扩展卡尔曼滤波器对以非线性方程为运动方程的多个目标状态进行估计。给出一种新的多站联合多目标跟踪算法,该算法精度高,具有良好的实时性。    

4.  非线性时变随机系统状态及参数的实时联合估计  被引次数:1
   周东华 席裕庚《信息与控制》,1990年第19卷第6期
   在文[1]中,我们给出了一种用于一类非线性时变随机系统的带次优渐消因子的扩展卡尔曼滤波器,可以估计出快速变化的系统状态.本文推广了文[1]的结果,使其可处理一般的非线性测量.同时,给出了一种状态及参数的联合估计方法.所做大量仿真研究表明,本文方法具有良好的实时性及动态跟踪性.    

5.  一种改进EKF的PMSM无传感器控制策略  
   何龙飞  王崇武  单友辉  王新星《微特电机》,2013年第41卷第6期
   在无传感器的永磁同步电动机控制系统中,环境温度的变化会引起电机的参数(如电感、电阻等)的变化,扩展卡尔曼滤波器(EKF)的增益矩阵并不能自适应调整跟踪变化,特别是突变的状态变量的变化,导致状态估计不准。针对稳态时跟踪能力变差的问题,引入一种带多重次优渐消因子的扩展卡尔曼滤波器(SMFEKF)来估算转子速度和位置,仿真结果表明,该算法能改善扩展卡尔曼滤波器的动态跟踪能力,具有精度高、实时性强,鲁棒性好,适合于频繁起动、制动等工作应用场合。    

6.  一种强跟踪UKF及其在GPS/SINS深组合导航中的应用  
   叶晨  崔双喜《导弹与航天运载技术》,2018年第2期
   针对弹道导弹的特点,研究了发射惯性系下GPS/SINS深组合导航下的一种强跟踪无迹卡尔曼滤波算法。该算法根据渐消的思想,通过引入多重次优渐消因子到UKF滤波器,自适应地在线调整UKF滤波器的预测状态协方差阵,从而有效跟踪快速变化的状态量。仿真结果显示,UKF引入次优多重衰落因子对算法进行改进后,对高度机动目标的跟踪能力更强,强跟踪无迹卡尔曼滤波器对快速变化的状态将具有更强的跟踪。改进算法在保证原有的UKF滤波算法精度的同时,使系统误差在较短的时间内收敛。    

7.  基于强跟踪滤波器的目标运动参数估计方法研究  被引次数:3
   方晓旻  肖圣龙《自动化技术与应用》,2010年第29卷第4期
   针对船舶动力定位系统中目标跟踪控制需求,提出了一种基于强跟踪滤波器的目标运动参数估计方法,建立了两种目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了引入渐消因子的强跟踪滤波器进行目标运动状态和参数估计。通过与扩展卡尔曼滤波器的参数估计对比仿真试验,验证了基于强跟踪滤波器的目标运动参数估计方法具有较好的跟踪性能。    

8.  强跟踪滤波器在实时数据处理中的应用  被引次数:1
   李莉《电子测量技术》,2010年第33卷第12期
   针对靶场导弹非线性系统实时数据处理滤波器设计问题,提出了应用带多重时变渐消因子强跟踪滤波算法满足靶场实时数据处理滤波器设计的需求。给出了目标状态方程及强跟踪滤波算法,探讨了时变渐消因子的确定方法,并通过与卡尔曼滤波器比较仿真实验,证明了带多重时变渐消因子的强跟踪滤波算法在非线性系统实时数据滤波处理方面具有较好较强模型不确定性的鲁棒性和突变状态的跟踪能力,解决了非线性系统目标跟踪数据实时处理的技术问题。    

9.  基于WAMS/SCADA混合量测的电力系统强跟踪滤波动态状态估计  被引次数:1
   李 虹  赵书强《电力自动化设备》,2012年第32卷第9期
   针对当前电力系统动态状态估计主要采用的扩展卡尔曼滤波(EKF)法存在鲁棒性差、建模具有不确定性等缺点,提出一种强跟踪滤波动态状态估计算法.该算法在扩展卡尔曼滤波器中引入时变次优渐消因子,在线调整状态预报误差协方差矩阵和相应的增益矩阵,使状态估计残差方差最小.同时,引入广域测量系统(WAMS)/-数据采集与监视控制(SCADA)系统的混合量测数据,增加了系统的冗余量测,进一步提高了动态状态估计的性能.仿真结果表明,所提方法在正常情况以及负荷突变、存在坏数据、网络拓扑错误各种情况下具有较好的预测和滤波效果.    

10.  确定采样型强跟踪滤波飞机舵面故障诊断与隔离  
   马骏  倪世宏  解武杰  董文瀚《控制理论与应用》,2015年第32卷第6期
   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.    

11.  噪声统计特性失配的鲁棒目标跟踪方法  
   周飞菲《电子测量与仪器学报》,2018年第9期
   针对噪声统计特性失配情况下目标鲁棒跟踪问题,提出了一种噪声失统计特性失配的新型卡尔曼滤波器跟踪方法。该方法首先采用渐消因子对状态估计一步预测的均方误差进行修正,通过新息残差矢量对渐消因子进行在线自适应更新,克服噪声统计特性失配引起的模型漂移问题;接着,利用渐消记忆指数加权的方法实时估计新息残差矢量,克服传统利用加权求和方法计算新息残差估计的精度较差的问题,进一步提升新息残差的估计精度。实验结果表明,在噪声失配的情况下,新方法的性能优于传统的卡尔曼滤波器和渐消因子卡尔曼滤波器,具有较高的跟踪精度和鲁棒性,是一种优秀的跟踪方法。    

12.  一种实时电能质量扰动分类方法  
   陈晓静  李开成  肖剑  孟庆旭  蔡得龙《电工技术学报》,2017年第32卷第3期
   针对电能质量扰动实时分类的需求,提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法.强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题.强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量,以此识别暂态扰动和谐波.该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本;最后将分类器用于电能质量扰动识别.为了提高极限学习机分类精度,提出了对少量边界错分样本的类别进行校正的规则校正法.仿真表明改进后的方法能够识别包括两种复合扰动在内的10种电能质量扰动信号,并具有良好抗噪性.与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比,该方法训练和分类速度快,分类准确率高,适合于在线应用.    

13.  弹载BDS/SINS深组合自适应CKF滤波方法研究  
   韩林  陈帅  陈德潘  张博雅《电光与控制》,2019年第4期
   针对弹道导弹高动态、非线性的特点,引入了基于三阶球面-径向容积准则的非线性容积卡尔曼滤波(CKF)算法。此外,针对其特点,研究了发射惯性系下BDS/SINS深组合导航下的自适应容积卡尔曼滤波(ACKF)算法。该算法根据Sage滤波开窗法的思想和渐消的思想,通过引入多重次优渐消因子到CKF滤波器中,自适应地在线调整CKF滤波器的观测误差协方差阵,在提高滤波精度的同时实现对快速变化的状态进行强有力的跟踪。实验结果表明:多重次优渐消因子的引入使得CKF滤波器可以更多地利用系统的先验信息,ACKF滤波器对快速变化的状态具有更强的跟踪,系统误差在较短的时间内收敛,提高了组合导航系统的动态性能。    

14.  强跟踪平方根容积卡尔曼滤波和 自回归模型融合的故障预测  
   杜占龙  李小民  郑宗贵  毛琼《控制理论与应用》,2014年第31卷第8期
   为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.    

15.  基于强跟踪卡尔曼滤波的电池SOC估计  
   赵亚妮《沈阳工业大学学报》,2018年第2期
   针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.    

16.  强跟踪SRCKF及其在船舶动力定位中的应用  
   徐树生  林孝工  赵大威  谢业海《仪器仪表学报》,2013年第34卷第6期
   针对平方根容积卡尔曼滤波器(SRCKF)在定位系统船舶模型不确定时存在滤波精度下降甚至发散的问题,提出了一种具有强跟踪性能的SRCKF算法.基于强跟踪滤波器(STF)的理论框架,采用三阶球面径向容积规则代替STF中的雅克比矩阵计算,结合渐消因子的等价表述,构建强跟踪SRCKF.基于滤波收敛判据和渐消记忆滤波思想,分析了强跟踪SRCKF的收敛性.强跟踪SRCKF兼具STF鲁棒性强、SRCKF滤波精度高和实现简单的优点,有效克服了STF的理论局限性及SRCKF在系统模型不确定时滤波性能下降的缺点.利用船舶陆上仿真系统进行试验,证明了强跟踪SRCKF的有效性.    

17.  基于改进强跟踪UKF的电压暂态扰动检测  
   王毅  刘恒  侯兴哲  李松浓  叶君  孙洪亮  郑可《继电器》,2017年第45卷第19期
   针对目前强跟踪滤波器在电压暂态扰动检测方面,在强非线性系统下存在参数估计精度不够,高维滤波器模型下计算复杂等问题,结合STF和UKF提出一种基于改进的强跟踪无迹卡尔曼滤波器(MSTUKF)的电能质量扰动检测方法。在状态变量发生突变时,通过次优渐消因子自适应调节过程噪声协方差矩阵的权重,在满足强跟踪滤波器不同时刻残差序列正交条件下,推导MSTUKF成立的充分条件。该算法较传统的STF方法改善了滤波器的估计精度,无需求解雅可比矩阵,只需一次UT变换,计算复杂度降低,且保留了STF在模型失配情况下的强鲁棒性。将所提方法与传统STF进行对比,仿真实验结果表明:所提方法更能快速、准确地检测到电压暂降、暂态脉冲及暂态谐波信号发生的起止时刻,跟踪到突变幅值和突变相位,验证了改进的强跟踪UKF是电能质量扰动检测的一种好的解决方案。    

18.  带摄动力拟合的低轨卫星实时定轨 STCKF 算法  
   李兆铭  杨文革  丁丹  王超《电波科学学报》,2016年第5期
   针对低轨卫星实时定轨过程中滤波初值及轨道模型不精确导致定轨精度降低的问题,提出一种带摄动力拟合的强跟踪容积卡尔曼滤波(Strong Tracking Cubature Kalman Filter,STCKF)算法。通过强跟踪滤波(Strong Tracking Filter,STF)的等价表示计算次优渐消因子以在线实时调整增益矩阵,强迫残差序列相互正交,有效降低了对初始状态的敏感性。使用欧拉预测校正法对带 J 2项摄动的轨道动力学方程进行离散,用多项式拟合函数表示其余摄动力以提高模型精度。仿真结果表明,带摄动力拟合的 STCKF 算法可以有效提高实时定轨精度,并且降低了定轨精度对滤波初值的依赖。    

19.  如何采用渐消卡尔曼滤波器防止捷联惯导系统滤波发散  被引次数:1
   杨柏军  潘鸿飞  才晓峰《微计算机信息》,2005年第21卷第4期
   为了有效防止捷联惯导系统滤波发散,本文从卡尔曼滤波原理出发,介绍了渐消卡尔曼滤波原理、遗忘因子等内容,通过对渐消因子的推导及计算机仿真,给出了常规卡尔曼滤波器和渐消卡尔曼滤波器对系统进行滤波的结果比较。该结果表明,采用渐消卡尔曼滤波器在工程实践上确实可以解决捷联惯导系统滤波发散的问题。    

20.  基于非线性STUKF滤波器和ESN算法的耦合预测模型  
   彭继慎  吕东东  宋立业  付华  司南楠《传感技术学报》,2017年第30卷第7期
   针对瓦斯浓度时间序列的混沌性,提出一种回声状态网络算法(ESN)和无迹卡尔曼滤波器(UKF)、强跟踪滤波器(STF)耦合的混沌时间序列预测模型.对于一维瓦斯浓度混沌时间序列,采用平均轨道周期的C-C算法在时间域确定重构空间的最佳时间延迟和嵌入维数,在相空间通过非线性回归预测模型拟合瓦斯涌出动力演化轨迹,提出带有渐消因子的非线性STUKF滤波器对ESN联合参数进行最优状态估计.试验结果表明:基于STUKF的ESN瓦斯涌出模型预测方法有效,在STUKF滤波器作用下增强了ESN算法的学习效率、提高了模型的跟踪能力,能达到精度高、鲁棒性好等优点.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号