基于AKF和RLS的车辆簧载质量辨识研究

实际应用中,车辆负载会随着乘客和货物的变化而发生显著改变.提出结合自适应卡尔曼滤波器(AKF)与递推最小二乘算法(RLS)进行车辆簧载质量的在线辨识.首先,采集四分之一车辆悬架的簧载振动加速度、动行程及车轮垂向加速度信号,对车辆悬架系统中的簧载质量和车轮的绝对速度进行估计,进而由遗忘因子递推最小二乘算法辨识车辆簧载质量.分析了在不同路面等级下,卡尔曼滤波器的过程噪声协方差和测量噪声协方差对悬架状态估计精度的影响.仿真结果显示,在选取与车辆行驶路面等级匹配的过程噪声协方差和测量噪声协方差时,车辆悬架状态参数的估计精度较高,并能够在线准确地辨识得到车辆的簧载质量值.     

无人机自适应姿态角度估计仿真

针对复杂环境下传感器噪声未知且不断变化,会导致姿态融合结果不准确的问题,设计了一种基于单新息自适应算法的卡尔曼滤波器,对加速度计和陀螺仪噪声协方差进行在线估计。首先,介绍了能够结合各个传感器优势的无人机姿态融合算法。然后,设计了采用基于单新息自适应算法的卡尔曼滤波器,给出了能够在线估计加速度噪声协方差R和陀螺仪噪声协方差Q的自适应算法。MATLAB仿真表明单新息自适应卡尔曼滤波器在环境噪声变化时,能够更准确地获得无人机的姿态信息,提高了姿态融合精确度,提高了滤波器的鲁棒性。     

动载体环境视觉惯性自适应融合物体姿态测量算法

针对动载体环境下视觉惯性组合姿态测量的过程中,惯性器件噪声时变和突变干扰会使卡尔曼滤波器估计不准确的问题,研究了一种Sage-Husa自适应强跟踪扩展卡尔曼算法。算法采用Sage-Husa自适应滤波来实时估计惯性器件的噪声协方差,引入多重渐消因子来抑制突变干扰,增强融合算法的鲁棒性。实验证明,当存在系统噪声变化和突变干扰时,所提算法优于Sage-Husa自适应扩展卡尔曼算法与强跟踪扩展卡尔曼算法,具有良好的鲁棒性。     

基于联邦滤波的自适应算法研究

针对标准卡尔曼滤波器对系统的模型和噪声的统计特性依赖性强,而系统的准确数学模型难以建立的问题,结合联邦滤波和自适应估计理论,提出了一种基于联邦滤波的自适应算法。该算法通过残差的实际值与理论值的比值来确定误差方差阵的估计值,然后调节自适应卡尔曼滤波器的渐消因子,从而有效提高了联邦滤波器的适应能力。由仿真结果可知,改进的联邦滤波器能较好地利用测量信息对系统的相关参数进行自适应的调整,滤波结果具有很好稳定性和准确性。     

野值存在下的BP网络自适应卡尔曼滤波

野值的存在会严重影响滤波器的稳定性和滤波精度,甚至会引起滤波器发散。定量分析了野值对卡尔曼滤波器的影响,提出了一种抗野值的BP网络自适应卡尔曼滤波算法。通过BP网络对新息序列估计方差的变化率进行实时监测和计算,输出一组加权系数对模型中系统噪声和量测噪声作＂在线＂修正,从而有效地抑制了连续野值对滤波器的影响。经仿真证明算法提高了滤波器的精度和稳定性,同时对单个离散野值也有较好的滤波效果。     

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.     

基于基波频率估计的多谐波分析

采用自适应陷波滤波器实现基波频率可变的多谐波(包含整数次谐波和非整数次间谐波)分析. 算法包括基波频率估计器和多个二维正弦跟踪器, 形成缓慢自适应积分流形, 用李雅普诺夫定理和平均方法证明积分流形的存在性和稳定性. 若滤波器频率系数和信号的谐波结构相同, 该自适应陷波滤波器是一致渐近稳定的, 可按指数收敛准确跟随基波频率、每个谐波(间谐波)及其幅值. 导出了频率特性表达式和频率特性矩阵, 分析了滤波器参数对稳态频率特性的影响. 通过仿真证实算法的有效性, 并说明减小滤波器带宽参数和自适应增益能够获得更好的噪声特性.     

面向3维空间的移动机器人快速自适应SLAM算法

针对3维空间中移动机器人同时定位与地图构建(SLAM)问题,提出了一种基于改进强跟踪滤波(STF)的快速自适应SLAM算法.该算法首先对于强跟踪滤波器的噪声协方差阵进行在线自适应估计,用于抑制噪声对系统状态估计的影响,使系统状态估计迅速收敛到真实值附近;随后将状态协方差矩阵进行奇异值分解(SVD),提高算法的数值稳定性.该算法可提高对系统时变的自适应能力以及系统状态估计精度.与基于强跟踪滤波器的SLAM算法的仿真对比结果说明了该算法的有效性及其在抑噪性能和估计精度方面的优越性.     

具有噪声信息与状态模型不确定系统的IMM自适应滤波

卡尔曼滤波器广泛用于解决线性高斯系统的状态估计问题.然而,在实际应用中过程噪声和系统模型参数先验信息未知,且量测受到异常值干扰,给准确估计系统状态带来极大困难.针对具有噪声信息和状态模型不确定的动态系统,提出一种广义交互式多模型自适应滤波算法.该算法设计多个模型并行的方式对系统不确定进行处理,对于每个模型,建立Skew-T分布非对称重尾噪声表示模型,为了解决过程噪声与系统协方差相互耦合难以求解的问题,利用逆威沙特分布对系统预测协方差矩阵进行描述,并通过变分贝叶斯推理递归计算系统状态的后验分布.仿真结果和实验验证表明,在噪声信息和状态模型不确定条件下,所提出算法具有较高的估计精度.     

免疫算法自适应滤波器对白噪声的抑制

实际信号经常会受到白噪声及高次谐波的影响,由于白噪声频谱分布在整个实数域,常用的滤波器很难将其滤除。讲述了自适应滤波器的原理及用免疫算法自适应滤波器,对白噪声及高次谐波进行抑制的方法。通过免疫算法对自适应滤波器的权向量进行优化,并用均值滤波的方法对自适应滤波器的滤波结果进行进一步滤波,然后用MATLAB对该算法进行仿真。将免疫算法自适应滤波器的仿真结果和LMS滤波算法的仿真结果进行比较,表明免疫算法自适应滤波器能对白噪声及高次谐波进行有效的抑制。     

一种鲁棒自适应推广Kalman滤波及其在飞行状态估计中的应用

本文在自适应推广Kalman滤波基础上，为了防止滤波发散，改善自适应Kalman滤波的数值稳定性和计算效率，利用U－D分解滤波，并引进滤波发散的判据等，提出一种鲁棒自适应推广Kalman滤波新算法，并把该算法应用于飞行器飞行状态估计问题，仿真及实际计算结果证明了本文方法的有效性。     

带有噪声递推估计的自适应集合卡尔曼滤波

卡尔曼滤波(KF)广泛应用于线性系统的状态估计问题.然而,它需要精确已知过程噪声的统计特性,这在实际应用中往往是不能满足的.在这个背景下,首先,根据协方差匹配原理建立一种带有过程噪声递推估计的自适应KF算法;然后,为了突破KF只能处理线性系统估计问题的局限,将过程噪声递推估计引入集合卡尔曼滤波(EnKF)中,提出一种自适应EnKF算法;最后,采用估计理论证明所提出算法的稳定性.与标准EnKF相比,该自适应算法在过程噪声统计特性未知的情况下滤波依然收敛,滤波精度及稳定性显著提升.仿真结果验证了所提出算法的有效性.     

基于GP-SRCDKF的初始对准技术研究

随着对惯性导航系统中对准时间要求的不断提高,初始对准需要在大方位失准角条件下进行,此时需采用非线性滤波方法来实现初始对准。基于此,提出高斯过程回归平方根中心差分卡尔曼滤波算法(GP-SRCDKF)。将高斯过程回归融入到SRCDKF算法中,利用高斯过程得到系统回归模型及噪声协方差,用回归模型代替状态方程和观测方程,对相应的噪声协方差进行实时自适应调整。该算法不仅克服了扩展卡尔曼滤波滤波精度低、需要计算雅可比矩阵的不足,而且可解决传统滤波容易受系统动态模型不确定和噪声协方差不准确的限制。仿真实验结果验证了该算法的有效性和优越性。     

基于信息补偿的自适应联邦滤波算法

针对采用标准卡尔曼滤波器必须知道系统噪声统计特性的局限性，研究了一类系统噪声未知情况下的自适应联邦滤波方法，指出了自适应滤波方法应用于联邦结构时应当注意的问题，提出了一种基于信息补偿的自适应联邦滤波算法。SINS／BDS／GPS组合导航系统的仿真结果表明，该方法可以有效抑制系统噪声未知情况下的滤波发散现象，提高了滤波的稳定性和估计性能。     

An adaptive unscented Kalman filter approach to secure state estimation for wireless sensor networks

Wireless sensor networks are vulnerable to false data injection attacks, which may mislead the state estimation. To solve this problem, this paper presents a chi-square test-based adaptive secure state estimation (CTASSE) algorithm for state estimation and attack detection. Taking advantage of Kalman filters, attack signal together with process noise or measurement noise are described as total white Gaussian noise with uncertain covariance matrix. The chi-square test method is used in the adaptation of the total noise covariance and attack detection. Then, a standard adaptive unscented Kalman filter (UKF) is used for the state estimation. Finally, simulation results show that the proposed CTASSE algorithm performs better than other UKFs in state estimation and is also effective in real-time attack detection.     

一种模糊QR滤波及在组合导航中的仿真研究

总结了常用的自适应滤波的方法，并提出了一种基于模糊逻辑的自适应卡尔曼滤波技术，用模糊逻辑自适应推理器来“在线”修正卡尔曼滤波系统噪声协方差Q和测量噪声协方差R，从而使滤波器不断执行最优估计。仿真结果表明该方法可以提高GPS／INS组合导航系统的精度和可靠性。     

模糊自适应卡尔曼滤波算法在航位推算系统中的应用

针对实际的应用中车载航位推算系统的模型参数、噪声的统计特性不确定性,影响估计效果,提出了车载航位推算的模糊自适应卡尔曼滤波模型及其滤波算法;该方法通过监视理论残差与实际残差的比值是否接近1,应用模糊推理系统不断地调整量测噪声协方差的加权,对自适应卡尔曼滤波的量测噪声协方差进行递推修正,通过该算法来抑制噪声对精度的影响,进而提高系统的导航精度;仿真结果表明,这种算法能够有效地提高系统的精度,是一种比较理想的车载DR导航滤波方法。     

基于不确定模型误差系统的变分贝叶斯STCKF

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.