一种迭代离差差分滤波算法及其应用研究

针对扩展卡尔曼滤波（EKF）和迭代EKF量测更新过程采用线性化误差传递,导致状态估计精度偏低的问题,将迭代方法、统计线性化误差传递和离差差分滤波器相结合,建立了一种新型迭代离差差分滤波方法．将该方法应用于再入弹道目标状态估计,仿真实验结果显示,此方法降低了测量方程的非线性对滤波的影响,有效提高了目标的状态估计精度．     

CDKF方法在车辆组合导航中的应用

针对扩展卡尔曼滤波（EKF）在车辆导航中存在着计算复杂、线性化误差大等缺点，将一种新的非线性滤波方法——中心差分卡尔曼滤波（CDKF）用于车辆GPS／DR组合导航中。和普遍采用的EKF方法相比．CDKF方法不仅提高了车辆组合定位的精度和稳定性；而且不需要模型的具体解析形式，避免了复杂的Jacobian矩阵的计算，算法更简单，也更加易于实现。为了检验其有效性，将两种方法分别对车辆GPS／DR组合导航系统进行滤波仿真，仿真结果进一步表明CDKF方法明显优于EKF方法，是车辆组合导航中一种更理想的非线性滤波方法，真正实现了车辆低成本、高精度的实时定位。     

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.     

基于CDKF的飞机姿态角估计

针对扩展卡尔曼滤波(Extend Kalman Filter ,EKF)在飞机姿态估计中存在着计算复杂、线性化误差大等缺点,将一种基于Stirling内插公式的非线性滤波算法—中心差分卡尔曼滤波算法(Central Difference Kalman Filter, CDKF)应用于由低精度高噪声传感器组成的低成本飞机姿态估计系统中。首先建立基于四元数的飞机姿态数学模型,然后用CDKF方法进行姿态估计,并通过实测数据进行验证。实验结果表明, CDKF方法不仅有效地提高了飞机姿态估计的精度和稳定性;而且不需要模型的具体解析形式,避免了复杂的Jacobian矩阵的计算,算法更简单,也更容易实现,优于常用的EKF方法。     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

杂波环境下机动目标跟踪算法研究

本文给出了一种基于平方根中心差分卡尔曼滤波（sRcDKF）的交互式多模型-概率数据关联（IMMPDA）算祛。在杂波环境下,该算法较好的解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波（EKF）的IMMPDA算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算;本文大量Monte Carlo仿真进一步验证了该算法的可行性和有效性。     

用于弹道目标跟踪的新的非线性滤波算法

针对再入阶段弹道目标的跟踪问题,提出一种新的自适应滤波算法,即强跟踪有限差分扩展卡尔曼滤波（STFDEKF）算法,用于非线性系统的目标跟踪。该方法使用Sterling内插公式进行多项式的近似,从而实现对非线性函数的近似,避免了非线性函数的求导运算;并且算法中引入强跟踪的因子来修正先验的协方差矩阵。新算法改进了跟踪精度,扩大了应用范围,增强了滤波收敛性。仿真实验将新算法与扩展卡尔曼滤波器（EKF）、有限差分扩展卡尔曼滤波器（FDEKF）进行了比较,结果表明,STFDEKF在跟踪精度和滤波可靠性上均优于EKF和FDEKF,但其计算复杂性更大。得出结论,STFDEKF是个很有效的非线性滤波算法。     

一种改进中心差分卡尔曼滤波方法

针对中心差分卡尔曼滤波（CDKF）跟踪时估计精度较低这一不足,提出了一种基于迭代测量更新的中心差分卡尔曼滤波（ICDKF）方法。本文将迭代滤波理论引入到中心差分卡尔曼滤波算法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该算法与扩展卡尔曼滤波（EKF）、中心差分卡尔曼滤波（CDKF）的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,迭代中心差分卡尔曼滤波（ICDKF）算法不仅具有无需计算Jacobian矩阵的优点,而且具有更高的估计精度。     

基于UKF的超视距雷达跟踪算法研究

天波超视距雷达跟踪目标时电磁波是通过电离层的折射传播的,因而导致在地理坐标系下的量测方程中存在强非线性,而采用传统的EKF（Extended Kalman Filter）实现的跟踪算法,在非线性方程的线性化中舍去了含强非线性的二阶以上的高阶项,导致目标的跟踪精度较低;提出采用UKF（Unscented Kalman Filter）方法处理超视距雷达系统在跟踪算法中的强非线性问题.UKF算法有效降低了非线性方程中的舍入误差,可确保三阶以上的精度.仿真结果表明UKF滤波算法较EKF算法提高估计精度.     

双基阵纯方位目标跟踪无偏最小二乘估计算法

纯方位目标跟踪是非线性估计问题,伪线性估计算法是主要的纯方位目标跟踪算法之一,其计算简单,但对测量方程进行线性化处理后其运动要素的估计会出现发散或偏置现象.为了克服伪线性估计算法的估计有偏性,本文提出一种带约束条件的最小二乘估计算法,使得伪线性化后的均方等效误差最小来实现目标运动要素的无偏估计.通过仿真说明了利用该方法所得到的位置、速度跟踪误差曲线能很好快速地逼近CRLB,比双基阵EKF滤波器及伪线性估计算法有着更好的收敛速度和跟踪精度,证明了该方法的有效性.     

FPGA implementation of extended Kalman filter for SOC estimation of lithium‐ion battery in electric vehicle

A FPGA implementation for a model‐based state of charge (SOC) estimation is described in this paper. A Thevenin equivalent circuit model is designed for SOC estimation. The extended Kalman filter (EKF) is designed to complete the SOC estimation, and the error is within 1 % . The FPGA is chosen to achieve realtime SOC estimation. A fast matrix method is proposed to improve the calculation speed of the EKF in FPGA because the EKF algorithm requires many matrix operations. In addition, the embedded system based on the FPGA with a system on a programmable chip (SOPC) technique is built using the Qsys platform in Quartus II. Based on the embedded system, an online testing platform is established to monitor the terminal voltage and load current of the experimental battery in real time; experimental results show that the online SOC estimation is successful. The measurement results show that the FPGA embedded scheme of the EKF allows for successful implementation of the SOC estimation with accuracy and speed. The fast matrix method requires 0.00007 s to implement the SOC estimation and is four times faster than the conventional matrix method.     

改进粒子群算法优化扩展卡尔曼滤波器电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题, 提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点, 采用可调整的算法模型对粒子群算法进行改进, 将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理, 将优化后的卡尔曼滤波器应用于感应电机转速估计。仿真实验表明, 与试探法、标准粒子群算法及遗传算法比较, 改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度, 从而提高无速度传感器矢量控制系统的控制性能。     

基于EKF算法的无线传感器网络定位求精研究

无线传感器网络中,基于RSSI测距技术的定位系统误差较大。本文对扩展卡尔曼滤波（EKF）算法在抑制测距误差和提高定位精度方面进行了深入的研究。同时本文根据EKF算法在WSN节点定位中的两种应用方式,以收敛概率和精度为指标,在各种拓扑条件下对节点定位求精过程进行了分类探讨。最后结合仿真阐述了EKF算法的适用范围,并分析了影响算法性能的因素。     

一种新型变增益UKF

UKF是一种适应用于非线性系统的非线性滤波器,其没有进行Jaclbian矩阵计算,有着EKF无法比较的优点.由于系统建模不准确等原因,UKF滤波算法不具备对系统突变状态的跟踪能力,使得在系统出现扰动或观测异常时会出现不稳定甚至发散等现象.提出了一种新型变增益无迹kalman滤波,并与标准无迹kalman滤波器进行了仿真实验对比.实验结果显示,该滤波器具有对系统突一次的强跟踪能力.     

Convergence analysis of the extended Kalman filter used as anobserver for nonlinear deterministic discrete-time systems

In this paper, convergence analysis of the extended Kalman filter (EKF), when used as an observer for nonlinear deterministic discrete-time systems, is presented. Based on a new formulation of the first-order linearization technique, sufficient conditions to ensure local asymptotic convergence are established. Furthermore, it is shown that the design of the arbitrary matrix plays an important role in enlarging the domain of attraction and then improving the convergence of the modified EKF significantly. The efficiency of this approach, compared to the classical version of the EKF, is shown through a nonlinear identification problem as well as a state and parameter estimation of nonlinear discrete-time systems     

基于量测噪声和观测次数的EKF-SLAM一致性分析

Inconsistency is a fundamental problem in simultaneous localization and mapping (SLAM). Previous works from predecessors have studied the inconsistent problem of extended Kalman filter (EKF) SLAM algorithm focusing on the linearization errors. In this paper, we studied the inconsistency issue of EKF SLAM in theory based on measurement noise and observation time. In a simplified situation, we deduced some useful theorems of estimated covariance matrix. Then, we made use of them to investigate the inconsistency issue. We showed that the measurement noise and the observation times can drive the EKF SLAM out of consistency. Moreover, we demonstrated the explicit effects of measurement noise and observation times on inconsistency of the EKF SLAM. Our simulation experiments verified the results.     

基于EKF算法的无线传感器网络定位技术研究

无线传感器网络中,基于RSSI测距技术的定位系统误差较大。对扩展卡尔曼滤波(EKF)算法在抑制测距误差和提高定位精度方面进行了深入的研究。同时根据EKF算法在WSN节点定位中的两种应用方式,以收敛概率和相对误差为指标,在各种拓扑条件下对提高节点定位精度进行了分类探讨。最后结合仿真阐述了EKF算法的适用范围,并分析了影响算法性能的因素。     

基于 MEKF 的直流无刷电机磁极位置与转速检测技术

传统的扩展卡尔曼滤波器(Extended Kalman Filter,EKF)用于无刷直流电机状态辨识时,观测数据容易出现残差,辨识结果偏差大,位置及转速存在耦合,导致辨识系统鲁棒性弱。文章基于离散的直流无刷电机(Brushless DC Moter,BLDCM)数学模型和M-估计方法,构建了改进的扩展卡尔曼滤波算法(MEKF)。首先,基于BLDCM的工作原理,建立了独立于EKF的BLDCM换相离散模型;其次,通过修正系统观测矩阵,对转速与位置的强耦合关系进行解耦,实现了EKF分离变量辨识;最后,基于去耦合后的时序模型设计出独立于EKF的转子位置检测模块,无需深度滤波就可实现转子的精确定位。实验仿真结果表明,文章方法能够有效抑制卡尔曼滤波器的粗差扰动,提高了系统抵抗初始值不确定性的干扰和系统鲁棒性。     

一种改进Unscented粒子滤波及其应用研究

UPF(Unscented粒子滤波)克服了UKF(Unscented卡尔曼滤波)不适用于非高斯噪声系统的局限性和PF(粒子滤波)重要性密度函数难以选取的缺陷,但是,其仍易受到异常扰动的影响,且在计算迭代中协方差阵可能失去半正定性.针对此问题,提出抗差自适应Unscented粒子滤波算法.首先介绍抗差估计基本原理和自适应因子模型,在充分吸收抗差估计、自适应滤波和UPF算法优点的基础上,提出RAUPF算法,然后将RAUPF算法应用到单变量非静态状态增长模型中进行仿真计算,并与EKF和UPF算法进行比较,并进行复杂度分析.结果表明,提出的算法估计精度高于EKF和UPF算法的估计精度,估计值更加接近真值.     

无传感器PMSM中基于IGSO优化EKF的速度估计方法

为了提高无传感器永磁同步电机(PMSM)控制系统中速度控制性能,提出一种基于改进群搜索优化(IGSO)算法的扩展卡尔曼滤波(EKF)速度估计方案。首先,分析了PMSM磁场定向控制(FOC)系统模型;然后,将电机的d-q轴电压、电流和转子速度作为状态变量,构建EKF中的状态方程来估计转速和负载。同时,为了提高EKF的估计性能,以估计值与实际值的平方误差积分(ISE)作为适应度函数,通过IGSO算法来优化EKF中的噪声协方差矩阵Q和R,以此获得最优参数。仿真结果表明,提出的控制系统能够精确估计出电机转速并进行有效控制。