欠观测条件下的高斯和增量卡尔曼滤波算法

欠观测条件下的增量卡尔曼滤波算法能够消除未知的量测系统误差,提高滤波精度。当系统的过程噪声和量测噪声为非高斯分布时,该算法不能直接使用。针对该问题,结合高斯和滤波算法,提出一种欠观测条件下的高斯和增量卡尔曼滤波算法。该算法将初始状态、过程噪声和量测噪声近似为高斯和的形式,然后按照增量卡尔曼滤波的思想对每个高斯项进行预测和更新,最后以累加和的形式对状态向量进行近似。仿真结果表明,该算法在非高斯噪声分布的情况下,既能成功地消除量测系统误差,又能有效地提高滤波估计的准确度和可靠性。     

基于精确时间协议的工业无线传感器网络时间同步方法

针对工业无线传感器网络（IWSNs）中复杂链路环境、温度波动等造成的链路时延动态变化、时钟计时干扰、时间戳获取不确定等问题,提出一种基于精确时间协议（PTP）的IWSNs时间同步方法。首先,融合PTP双向时间同步过程的时钟计时干扰、非对称链路时延噪声,建立时钟状态空间模型和观测模型;其次,构建反向自适应卡尔曼滤波算法以滤除噪声干扰;然后,利用反向估计和正向估计的时钟状态归一化新息比值来评估噪声统计模型的合理性;最后,在设定检测阈值后,动态调整时钟状态过程噪声,以实现时钟参数的精确估计。仿真结果表明,相较于经典卡尔曼滤波算法和PTP,在不同时钟计时精度下,反向自适应卡尔曼滤波算法估计的时钟偏移和偏移率均有较小且更稳定的误差标准差,有效解决了噪声不确定等原因造成的卡尔曼滤波发散问题,提高了时间同步的可靠性。     

改进的扩展卡尔曼滤波算法研究

扩展卡尔曼滤波已被广泛地应用到工程实际等各领域,但是此算法因假设过程噪声固定而带来误差,精度不高。研究了一种改进的EKF算法,主要通过假设过程噪声由滤波结果和观测结果得到,再用差分进化算法对所得到的过程噪声方差进行最优化选择来提高滤波精度,通过Matlab对算法进行验证,并与EKF滤波效果、无迹卡尔曼滤波效果进行比较,结果表明,改进的扩展卡尔曼滤波算法减小了状态估计偏差,获得了比较理想的滤波效果,提高了滤波精度。     

组合导航自适应卡尔曼滤波改进算法研究

针对常规卡尔曼滤波由于噪声的统计特性与实际情况不相符而引起滤波误差增大的问题,提出了一种新的在线估计系统噪声和量测噪声的自适应滤波算法.新算法通过新息序列自适应量测噪声,对Sage-Husa滤波算法进行改进以估计系统噪声,该算法在噪声统计特性未知的情况下能进行滤波计算.最后对改进的新算法与常规卡尔曼滤波算法作了对比试验...     

多新息抗差-自适应卡尔曼滤波定位算法研究

针对移动机器人在定位过程中,由传感器测量误差和机器人模型引起的位姿误差导致系统定位精度急剧下降的问题,提出了一种多新息卡尔曼滤波算法.在标准卡尔曼滤波的基础上,当传感器测量值存在误差时,引入抗差权因子,通过改变误差测量值的权值提高滤波器的估计精度;当机器人位姿存在误差时,引入自适应因子,通过调整状态协方差矩阵的大小抵制位姿误差引起的滤波发散.同时,引入了多新息,即多个时刻的新息向量,进一步提高此非线性系统的精度.实验表明:当存在测量误差和位姿误差时,该滤波算法能有效提高定位精度.     

基于支持向量机的自适应卡尔曼滤波技术研究

针对卡尔曼滤波(KF)中噪声的统计特性与实际不符时滤波精度严重降低甚至引起滤波器发散的问题,提出一种基于支持向量机的自适应卡尔曼滤波算法(SVMAKF).根据新息理论方差与实际方差的比值,应用支持向量机产生自适应因子对卡尔曼滤波器的噪声方差阵进行在线修正,使噪声方差阵能够根据实际噪声的变化得到调整.通过对雷达目标跟踪系统的仿真表明,该算法对噪声有较强的自适应性,能够提高滤波精度和滤波器的鲁棒性.     

一种粒子势概率假设密度滤波纯方位多目标跟踪算法

针对基于势概率假设密度算法(CPHD)的纯方位多目标跟踪,提出一种新型的多传感器粒子CPHD滤波算法.该算法通过分析混合线性/非线性状态模型的结构信息,结合粒子滤波(PF)与卡尔曼滤波(KF)对各个目标的状态进行预测与估计,运用Mean-Shift方法提取概率假设密度的峰值作为目标状态估计值,并对算法复杂度进行了分析.仿真结果表明,算法可改善目标跟踪效果.     

抗差自适应Sage滤波及其在组合导航中的应用

针对卡尔曼滤波需要精确已知状态数学模型及其统计特性的问题,提出一种抗差自适应Sage滤波算法.该方法以Sage滤波为基本框架,吸收了抗差估计和自适应滤波的优点,利用Sage滤波开窗法求得观测残差向量和新息(预测残差)向量的协方差阵,由抗差估计方法确定观测噪声协方差矩阵,利用自适应因子调整动力学模型噪声协方差矩阵,以控制观测异常和动力学模型噪声对导航精度的影响.将提出的算法应用到捷联惯性导航(SINS)/合成孔径雷达(SAR)组合导航系统中,并与Kalman滤波和Sage滤波进行比较分析,仿真结果表明,提出的新算法不但能有效地控制观测异常和动态模型异常对状态参数估值的影响,而且能够抵制状态扰动,提高组合导航系统的滤波精度.     

基于非线性回归的目标航迹预测算法

基于非线性回归对目标航迹进行准确预测是实现目标跟踪的基础。针对传统的卡尔曼滤波在目标行为发生较快变化时航迹预测精度降低的问题,本文提出了一种改进的卡尔曼滤波算法对目标航迹进行预测。该方法结合了目标的实际运动情况,根据预测值和真实值的实时偏差调整滤波过程,将系统方差矩阵转换为可变量,从而可以解决当目标行为明显变化时传统方法预测精度低的问题。实验结果表明,在目标行为状态发生变化的情况下,提出的算法均可以实现对目标航迹的速度、方向和转向角的精准预测。     

基于深度置信网络的卡尔曼滤波算法改进

卡尔曼滤波是一种应用广泛的基于最小方差的递推式滤波算法,根据一定滤波规则对系统的状态进行估计。采用某种统计量最优方法对噪声和系统模型统计特性的先验知识决定的滤波的性能和估计的准确性进行度量。不精确的先验知识将导致滤波性能的明显下降和发散。采用新息自适应卡尔曼滤波克服标准卡尔曼滤波需要在先验条件下进行估计的缺点,通过深度置信网络对噪声的协方差矩阵做出调整,从而提高滤波性能。     

基于多新息Kalman滤波的TLD改进算法

针对跟踪检测学习(tracking learning detection,TLD)跟 踪算法中目标被遮挡后跟踪失败以及跟踪精度不高的问题,本文提出基于多新息Klaman滤波的TLD改进算法,在原始TLD跟踪算法的基础上加入了多新息Klaman滤波算法。改进算法对跟踪目标建模,将TLD跟踪算法 的结果作为系统当前状态的观测值,结合多新息Kalman滤波算法的预测值,最优化检测结果 ,作为当前帧中目标的跟踪位置。通过实验对原始TLD和改进后的TLD算法进行比较,通过在标准测试序列的实验验证,加入多新息Kalman滤波的TLD改进算法与原始TLD算法相比,其跟踪误差更小,而且实现了对跟踪目标被遮挡后 的位置预测。     

有色量测噪声下的改进求容积卡尔曼滤波器

为解决标准求容积卡尔曼滤波器在有色量测噪声条件下滤波精度退化的问题,提出改进求容积卡尔曼滤波器及其平方根形式.首先利用一阶马尔科夫模型白化非线性离散随机系统中有色量测噪声,将有色量测噪声下非线性离散随机系统转化为白噪声下非线性时滞系统.然后根据所得非线性时滞系统推导其高斯域的贝叶斯滤波框架,最后基于3度Spherical-Radial规则将该滤波框架近似为改进的求容积卡尔曼滤波器和其平方根形式.机动目标跟踪仿真试验结果表明两种改进求容积卡尔曼滤波算法在标准白噪声条件下与标准求容积卡尔曼滤波算法的估计精度相同,而在有色量测噪声背景下滤波精度和鲁棒性更优.     

基于平方根求积卡尔曼滤波器的弹道目标跟踪

针对再入阶段的弹道目标跟踪问题,提出运用平方根求积卡尔曼滤波器(SRQKF)估计目标的状态.所提出的算法是求积卡尔曼滤波(QKF)算法的平方根实现.该算法传播了目标状态的均值和协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和稳定性,但其计算复杂性稍有增加.仿真实验表明,所提出算法的估计精度优于QKF算法和扩展卡尔曼滤波(EKF)算法,是一种很有效的非线性滤波方法.     

适用处理非高斯观测噪声的强跟踪卡尔曼滤波器

在高斯噪声条件下,卡尔曼滤波器(KF)能够获得系统状态的一致最小方差线性无偏估计.但当噪声非高斯,KF性能将严重下降.观测噪声非高斯现象在深空探测自主导航中经常遇到,然而现有模型可能存在着精度不高、稳定性不强或者计算复杂度较高的缺点.针对这种现状,本文在传统强跟踪卡尔曼滤波器(STKF)中新息正交原则的基础上,推导了适用处理非高斯观测噪声的强跟踪卡尔曼滤波器(STKFNO),并将其嵌入到无迹卡尔曼滤波(UKF)框架下形成适用处理非线性系统非高斯观测噪声的强跟踪无迹卡尔曼滤波器(STUKFNO).所提出的算法被应用到深空光学自主导航系统中,仿真结果表明所提出的算法能够较好地应对观测噪声的非高斯性.     

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.     

基于模糊卡尔曼滤波的信息融合算法

应用自适应模糊逻辑系统（AFLS）原理，研究了一种基于卡尔曼滤波器的信息融合算法；AFLS通过在线监视融合数据新息是否为零均值白噪音，然后根据模糊规则调整融合滤波器的指数加权值，从而保证了滤波器的最优估计性能；仿真结果证明该方法在高噪声环境中具有良好的信息融合能力，能有效跟踪研究对象的状态变化。     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

自适应平方根无迹卡尔曼滤波算法

将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法.该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整.该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果验证了算法的有效性.     

自适应Kalman滤波器在水下被动目标跟踪中的应用

在水下被动目标跟踪系统中，直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差，提出了一种修正极坐标系下的自适应卡尔曼滤波算法，对虚拟噪声进行估计，动态补偿模型线性化误差，消减系统的观测误差．对其滤波理论及算法进行了研究和仿真。仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡尔曼滤波算法。