基于强跟踪滤波的传感器故障诊断的改进方法

针对基于强跟踪卡尔曼滤波的传感器故障诊断方法中存在的滤波稳定性差、估计精度低的缺点,提出了双滤波器的方法。一个滤波器的量测噪声方差和系统噪声方差均大于实际值,它对故障的估计精度较低,但跟踪速度较快;另一个滤波器的算法中的量测噪声方差大于实际值,它对故障的估计精度较高,但跟踪速度较慢,正好与前者形成互补,然后用第一个滤波器实现故障的及时检测,用第二个滤波器实现对故障幅值的精确估计。仿真实验表明,该方法较好地兼顾了滤波稳定性、估计精度及速度。     

新型抗野值的Kalman滤波器研究

在Kalman滤波的量测值中,经常出现连续、成片的野值,不仅严重地影响了其稳定性,而且造成滤波精度下降。针对这一问题,提出一种基于可调因子的新型抗野值Kalman滤波器方法。该方法以野值新息均值和均方差为输入变量,利用模糊控制器改变可调因子的大小,从而实现新息的自动调整,即当新息较小时,对野值进行修正,而当新息较大时,剔除野值。仿真结果显示,该方法抗野值效果良好,提高了滤波精度。     

基于M估计的非线性鲁棒检测卡尔曼滤波算法

针对传统鲁棒非线性滤波在观测噪声为非高斯强干扰噪声情况下,滤波性能下降的问题,提出一种利用卡方检测法预判断的非线性鲁棒检测滤波算法。该算法通过卡方检测设置门限,剔除突变野值,利用M估计修正量测更新。仿真实验对比了几种典型非线性滤波方法在不同观测噪声环境下的性能。所提算法在非高斯强干扰噪声情况下,比传统鲁棒滤波算法估计精度平均提高了25.5%;估计方差平均减少了18.3%。实验结果表明:所提算法可以抑制观测量非高斯强干扰噪声的影响,提高滤波精度及稳定性。     

考虑星间测量的航天器自主导航并行滤波器

针对基于星间测量的航天器自主导航问题,本文考虑测量中存在野值的情况,提出了一种轨道根数辅助估计的并行无迹卡尔曼滤波算法.系统由两个并行滤波器组成,通过副滤波器的状态估计识别观测野值,进而在主滤波器中修正导航定位结果.文章选择了星间相对观测两卫星编队的基本构型,研究了算法的阈值参数选择,对不同参数条件下的滤波结果进行了对比.数值仿真说明了该算法在观测量变化率较大时能够有效降低连续野值对自主导航系统的影响,和传统算法相比具有更高的滤波精度和收敛速度.     

后验Monte Carlo-Gaussian采样粒子滤波WSN网络定位*

环境因素导致无线传感器网络定位存在噪声影响,实质上是非平滑的非线性问题,针对传统粒子滤波算法在处理该问题时精度不高的缺点,提出一种基于后验泊松分布的Monte Carlo-Gaussian重采样粒子滤波算法的无线传感器网络定位算法。首先,基于粒子滤波算法,借鉴扩展卡尔曼滤波算法采用近似后验高斯分布思想,设计了后验泊松分布Monte Carlo-Gaussian重采样粒子滤波器。其次,采用该滤波器设计实现了无线传感器网络定位算法,解决了非平滑非线性的噪声干扰定位问题。最后,分别对滤波器和定位算法的性能进行了对比仿真实验,结果验证了所提算法的有效性。     

基于鲁棒容积卡尔曼滤波的自适应目标跟踪算法

目标跟踪系统的观测野值将大大降低滤波算法对目标状态的估计精度.为了解决这个问题,提出了一种基于鲁棒容积卡尔曼滤波的自适应目标跟踪算法.借鉴Huber等价权函数的思想,构造了基于平方根平滑逼近函数的修正因子以抑制观测野值的影响,并结合容积卡尔曼滤波器求解框架推导出该算法.区别于Huber方法对观测残差的每个维度分别进行处理,提出的算法能够对观测残差进行综合评判.理论分析证明所提算法具有更好的数值稳定性.仿真实验表明,所提算法能够自适应地减少异常值的不利影响,与现有算法相比具有更优的滤波性能.在仿真实验中还对几种滤波算法的计算花费进行了比较,发现所提算法未大幅增加计算成本.     

基于参数估计的传感器故障诊断的改进方法

针对基于参数估计的非线性系统传感器故障诊断方法中存在的滤波稳定性差、估计精度低的缺点,提出了卡尔曼滤波与小波滤波相结合的方法.在将传感器故障参数都等效为偏差型故障参数的基础上,通过增大强跟踪滤波器算法中的量测噪声方差和系统噪声方差,使其大于实际噪声方差,以提高滤波器的稳定性和故障检测的快速性,同时引入小波滤波以提高对故障参数的估计精度.仿真实验表明,该方法较好地兼顾了滤波稳定性、估计精度及速度.     

基于极大后验估计的自适应容积卡尔曼滤波器

针对标准的容积卡尔曼滤波器(CKF) 设计需要精确已知噪声先验统计知识的问题, 提出一种自适应CKF 算法. 该算法在滤波过程中, 利用Sage-Husa 极大后验估值器对噪声的统计特性进行在线估计和修正, 有效地提高了CKF 的估计精度和数值稳定性. 在某些情况下, 噪声协方差估计会出现异常现象使得滤波发散, 进而提出了相应的改进方法. 仿真结果表明了自适应CKF 算法的可行性和有效性, 且明显改善了标准CKF 算法的滤波效果.     

基于复合滤波的RSSI无线网络测距算法

定位技术是Zigbee无线蜂窝网络最为重要的应用之一,其定位原理主要是基于接收信号强度指示(Received Signal Strength Index,RSSI)的测距算法,RSSI值的精度直接影响到定位精度。为抑制RSSI值中的复杂干扰噪声,本文提出了一种复合滤波算法,融合了中值滤波、均值滤波、高斯滤波、狄克逊法滤波等多种滤波器的特性,实验结果表明,与单一滤波器相比较,复合滤波后的RSSI值波动更小,平均误差更低,鲁棒性与自适应性更强。     

无人机组合导航系统的自适应滤波研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响,同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低,稳定性差,甚至有可能发散,传统常规卡尔曼滤波无法解决上述问题。提出一种根据极大似然准则的自适应卡尔曼滤波算法,利用滤波残差的均值和方差不断对卡尔曼滤波的状态噪声方差阵和测量噪声方差阵进行实时修正,提高滤波器对模型不确定性和噪声变化的适应能力和鲁棒性。仿真表明,所提出的组合导航滤波器能够满足无人机导航任务的要求,并且具有很好的导航精度和稳定性。     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

神经网络修正动态GPS卡尔曼滤波算法研究

GPS导航定位系统噪声具有非先验性,而卡尔曼滤波进行最优估计需建立准确的系统模型和观测模型,这导致标准卡尔曼滤波的精度不高。为提高滤波精度,提出了神经网络修正动态GPS卡尔曼滤波算法,采用两个BP神经网络分别在时间更新预测部分及测量更新部分对标准卡尔曼滤波器进行修正,这样既考虑了现实环境的动态变化对系统模型造成的随机干扰影响,又融合了神经网络的自学习性和自适应性,使其对动态环境的扰动具有了自适应能力。仿真研究表明：该算法优于标准卡尔曼滤波器。     

基于Kalman滤波和神经网络的MEMS陀螺温度漂移补偿

MEMS陀螺温度漂移严重影响系统的测量精度。传统的BP神经网络建模补偿容易使权值和阈值陷入局部极小值,导致网络训练失败。陀螺输出信号中的高频噪声也会影响模型精度。针对上述问题,该文提出一种Kalman滤波结合粒子群算法(PSO)优化BP神经网络的MEMS陀螺温度漂移补偿方法。首先对陀螺进行了温度漂移测试实验,然后采用Kalman滤波对实验数据进行降噪,最后建立陀螺温度漂移模型,从而实现温度漂移的补偿。实验结果表明,采用该方法补偿后MEMS陀螺在不同温度下的输出方差降低了65.09%,与传统的BP神经网络相比补偿精度明显提高。     

基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.     

自适应模糊神经网络控制系统的研究

自适应模糊神经网络控制器是由模糊控制和神经网络相结合构成,它不依赖被控对象的数学模型,并能自动产生模糊控制规则,又具有良好的自适应性,是目前受人们关注的课题。本文在对其分析的基础上又提出了卡尔曼滤波的学习算法,解决了原BP算法实时性差的问题,通过仿真实验说明了其优越性,并体现了模糊神经网络与最优控制相结合的思想。     

基于自适应Kalman滤波的共视数据处理算法

在GPS、北斗“双模”卫星共视系统中,由于卫星秒的不稳定性、环境干扰及测量噪声等不确定因素的存在,使得卫星秒与本地钟秒的时差数据出现较大的跳变,直接影响最后的卫星共视比对结果。为此,提出一种基于残差(χ2)检验法的自适应卡尔曼滤波算法,有效地剔除野值,使时差数据更接近真实钟差,提高了卫星共视系统的比对精度。     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

基于EKF滤波的倒立摆神经网络控制研究

为解决一类带干扰的模型不确定倒立摆系统中存在的两类未知项——未知函数和外界干扰,采用了基于Lyapunov函数稳定性的神经网络控制方法设计控制器。控制器设计中利用扩展卡尔曼滤波(EKF)消除系统观测噪声,获取系统状态的估计值,进而利用径向基函数(RBF)神经网络良好的逼近性来近似设计的控制律中的未知项。最后在倒立摆系统中对设计的神经网络控制器进行了仿真研究,仿真结果表明所设计的控制器能有效抑制外界干扰,在精确控制倒立摆的同时可以保证控制系统的稳定性和快速性。     

An algorithmic approach to adaptive state filtering using recurrentneural networks

Practical algorithms are presented for adaptive state filtering in nonlinear dynamic systems when the state equations are unknown. The state equations are constructively approximated using neural networks. The algorithms presented are based on the two-step prediction-update approach of the Kalman filter. The proposed algorithms make minimal assumptions regarding the underlying nonlinear dynamics and their noise statistics. Non-adaptive and adaptive state filtering algorithms are presented with both off-line and online learning stages. The algorithms are implemented using feedforward and recurrent neural network and comparisons are presented. Furthermore, extended Kalman filters (EKFs) are developed and compared to the filter algorithms proposed. For one of the case studies, the EKF converges but results in higher state estimation errors that the equivalent neural filters. For another, more complex case study with unknown system dynamics and noise statistics, the developed EKFs do not converge. The off-line trained neural state filters converge quite rapidly and exhibit acceptable performance. Online training further enhances the estimation accuracy of the developed adaptive filters, effectively decoupling the eventual filter accuracy from the accuracy of the process model.