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.     

噪声协方差的一种递推估计方法

基于自噪声平滑器,本文提出了状态空间模型中噪声协方差的一种新的递推估计方法,给出了一种次优无偏极大后验(MAP)递推噪声协方差估值器,可应用于信号去卷和Kalman滤波,仿真例子说明了本文结果的有效性。     

基于动态Kalman滤波的多传感数据融合算法研究

提出一种基于动态Kalman滤波的多传感器数据融合算法。首先通过模糊理论和协方差匹配技术对传统的Kalman滤波算法中的噪声协方差进行调整,使模型的噪声更接近真实的噪声水平,这在很大程度上提高了Kalman滤波器对模型变化的适应能力。然后使用矩阵加权多传感器线性最小方差意义下的最优信息融合算法实现数据融合。最后通过仿真实验验证了本文所提出的算法优于经典的卡尔曼滤波算法。     

噪声相关的Biscay分布滤波

Biscay分布滤波(BDF)是一种有效的区间估计方法,它结合了滤波算法和区间表达式,有效地给出了状态的估计区间。针对一类噪声相关的线性系统给出了Kalman滤波的新形式,并在此基础上推导出与之等效的BDF,进而推广到非线性系统中。与传统的扩展Kalman滤波(EKF)相比,简要的复杂度分析和仿真实例进一步验证了新方法的有效性。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

基于AEKF的锂离子电池SOC估算

针对拓展卡尔曼滤波（Extended Kalman Filter, EKF）算法进行锂离子电池荷电状态（State of Charge, SOC）估算时噪声信息固定从而导致估算精度低的问题,提出噪声信息协方差能够自动匹配的自适应拓展卡尔曼滤波（Adaptive Extended Kalman Filter, AEKF）算法。首先基于电池的双极化（Dual Polarization, DP）等效电路模型进行参数辨识,建立精确的等效模型;然后在动态应力测试（Dynamic Stress Test, DST）工况下对比了EKF滤波算法与AEKF滤波算法噪声协方差矩阵变化情况以及对电池SOC的估算效果,结果表明AEKF滤波算法具有更高的估算精度;最后设置了几组不同的SOC初始偏差,验证了AEKF滤波算法在估算电池SOC时具有鲁棒性强的优点。     

有色噪声下的平方根UKF在天文自主导航中的应用

针对由星敏感器和光学导航相机组成的卫星天文自主导航系统, 传统的平方根UKF不能很好地解决测量噪声为有色噪声情况下的非线性滤波问题, 导致导航系统的精度下降. 为此, 提出了一种有色噪声情况下的平方根UKF方法. 同时, 为了避免在数值计算的过程中, 由于舍入误差而破坏误差协方差矩阵的正定性和对称性, 在整个递推计算过程中, 借鉴平方根Kalman滤波理论, 采用协方差矩阵平方根进行递推计算, 改善滤波算法的稳定性, 协方差矩阵的平方根更新用cholesky分解和qr分解来计算. 将该方法应用于卫星天文自主导航系统中, 实验仿真结果表明, 相对于传统的平方根UKF算法, 所设计的平方根UKF算法能够很好地解决测量噪声为有色噪声情况下估计精度低问题.     

带有色量测噪声的非线性系统 Unscented 卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)要求噪声必须为高斯白噪声, 无法解 决带有色噪声的非线性系统滤波问题. 为此, 本文提出了一种带有色量测噪声的UKF滤 波新算法. 首先,基于量测信息增广和最小方差估计, 推导出一类带有色量测噪声的非 线性离散系统状态的最优滤波框架, 接着采用Unscented变换(Unscented transformation, UT)来计算最优框架中的 非线性状态后验均值和协方差, 进而得到有色量测噪声下UKF滤波递推公式. 所设 计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题, 数 值仿真实例验证了其可行性和有效性.     

改进的GMPF在动态跟踪系统中的应用

针对动态跟踪系统的非线性问题,提出一种非线性非高斯性能较优的状态估计器:考虑最新观测值的影响,使用基于平方根二阶差分(SRDD2)的高斯混合(GM)模型给出粒子滤波的建议分布.重要性采样和再采样阶段分别采用基于蒙特卡罗的重要性采样和进化的再采样方法,以减轻粒子滤波(PF)的样本退化问题,增强样本的多样性.实验结果表明,与平方根二阶差分Kalman滤波、PF、GM粒子滤波相比,该状态估计器提高了动态跟踪系统状态估计器的综合估计性能.     

强跟踪延迟滤波算法及其在感应电机无速度传感器控制中的应用

在强跟踪滤波(Strong track filter, STF)算法和延迟扩展Kalman滤波(Schmidt extended Kalman filter, SEKF)算法的基础上, 提出了强跟踪延迟滤波(Strong track Schmidt filter, STSF)算法, 结合感应电机降阶模型建立了电机状态估计算法, 将其应用于感应电机无速度传感器控制系统中, 并与扩展Kalman滤波(Extended Kalman filter, EKF)、SEKF和STF三种算法的状态估计性能作比较. 仿真和实验结果表明, STSF算法在估计精度、跟踪速度、抑止噪声等方面均优于EKF算法, 并且计算复杂度显著降低, 能有效在线估计电机转速和磁链.     

参数和状态估计的两段互耦自适应Kalman滤波算法

本文推广和改进了用虚拟噪声补偿模型误差的自适应滤波技术,虚拟噪声的时变均值和协方差用作者提出的时变噪声统计估值器估计.实现了线性离散系统的参数和状态的改进的两段互耦自适应Kalman滤波算法.数值模拟例子和实际例子证明了该算法的有效性.     

一种改进粒子滤波算法及其在多径估计中的应用

针对传统粒子滤波存在的粒子枯竭问题,提出一种基于自适应差分进化的粒子滤波算法。利用自适应差分进化算法代替粒子滤波中的重采样策略来产生新粒子,使粒子向状态后验概率密度函数的高似然区移动,同时提高粒子的多样性。通过一种非线性自适应调节策略自适应地调整变异因子和交叉因子,以提高改进粒子滤波中差分进化的寻优能力。应用于多径估计的仿真结果表明,该算法可克服粒子枯竭问题,与粒子滤波、扩展卡尔曼滤波和差分进化的粒子滤波算法相比,具有更好的多径估计性能。     

基于自适应Kalman滤波的智能电网假数据注入攻击检测EI北大核心CSCD

研究了一种针对智能电网中假数据注入攻击的有效检测方法.假数据注入攻击可以保持攻击前后残差基本不变,绕过传统的不良数据检测技术.首先基于电网模型,分析了假数据注入攻击的攻击特性,针对噪声统计特性未知且无迹Kalman滤波(Unscented Kalman filter,UKF)不稳定的现象,提出了自适应平方根无迹Kalman滤波改进算法.基于状态估计值,结合中心极限定理提出检测算法,并与欧几里得检测方法、巴氏系数检测方法进行比较.最后,仿真表明本文所提检测算法的优越性.     

基于噪声缩放的自适应UKF-SLAM算法

针对扩展卡尔曼滤波(EKF)算法在移动机器人同时定位和环境建模(SLAM)中的缺点,即非线性系统简单线性化所导致的系统状态方程的不准确性、雅克比矩阵的计算所导致的计算复杂化以及噪声模型不确定性所导致的滤波稳定性降低等问题,提出一种对噪声自适应的UKF-SLAM算法。该算法通过对噪声缩放进而改变噪声模型,利用观测残差序列准确估计观测噪声模型协方差,运用预测的新息协方差和IAE开窗法求其系统状态噪声缩放因子,从而准确估计系统状态噪声模型协方差,实现对不确定的噪声模型能够自适应UKF-SLAM算法。UKF的Sigma点采样策略是比例对称采样。实验结果证明,该方法相对EKF算法和UKF算法具有较高的定位精度和自适应能力。     

非线性离散系统的相关观测融合时变Kalman滤波

针对带相关观测噪声和带不同观测函数的多传感器离散非线性系统,利用推广的离散Kalman滤波方法对状态系统和观测系统进行线性化处理,提出了基于岭估计的加权最小二乘(REWLS)分布式融合Kalman滤波算法.以风险函数为评价指标,利用信息滤波器比较了各种观测融合Kalman滤波算法,其中REWLS分布式融合算法精度最高.同时,分布式融合算法减少了计算负担,便于实时应用.仿真例子表明了理论分析的正确性.     

卡尔曼滤波算法在MEMS热式风速风向传感器中的应用

针对MEMS热式风速风向传感器在实际使用过程中因噪声问题导致输出不稳定的现象,本文首次采用了卡尔曼(Kalman)滤波算法对本征白噪声进行滤波处理,从而优化传感器的输出性能.本文分别通过理论分析和仿真模拟证明了Kalman滤波算法的可行性.实验结果表明,通过调节相关参数,Kalman滤波算法在滤波效果、响应速度及误差上均优于传统的加权滑动均值滤波算法.除此之外,在消耗较少资源的前提下,Kalman滤波算法可以有效减少本征白噪声的干扰,且调节空间较大,可以适应不同的应用需求.     

阻止自适应Kalman滤波发散的补救方法

本文讨论一种自适应Kalman滤波的数值不稳定性,指出在滤波发散时噪声协方差估计的异常现象,并给出了两种阻止自适应Kalman滤波发散的补救方法。仿真结果证明了所述方法的有效性。     

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。     

基于自适应滤波的MEMS姿态确定方法

针对消费类电子设备对姿态测量系统的需求,本文提出了一种基于MEMS加速度计、陀螺仪和磁强计的九轴姿态确定算法.针对实际系统中传感器量测噪声未知的情况,首先介绍了一种基于矢量观测器的矩阵Kalman滤波姿态确定算法,然后利用残差匹配技术,设计了一种基于残差匹配的自适应滤波方法.论文采用自适应滤波对传感器量测噪声进行估计,并将估计的量测噪声代入线性矩阵Kalman滤波算法,有效解决了线性矩阵Kalman滤波需要准确量测噪声统计信息的缺陷.最后设计了仿真实验验证本文提出的算法,并将其与线性矩阵Kalman滤波算法比较.仿真结果表明,自适应矩阵Kalman滤波的姿态旋转误差角为0.6091°,标准差为0.3009°,能够有效的估计传感器量测噪声,并具有更高的姿态确定精度和稳定性.     

自适应UKF算法在目标跟踪中的应用

针对目标跟踪中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题, 提出了一种自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF)算法.该算法在滤波过程中,利用改进的Sage-Husa估 计器在线估计未知系统噪声的统计特性,并对滤波发散的情况进行判断和抑制, 有效提高了滤波的数值稳定性,减小了状态估计误差. 仿真实验结果表明,与标准UKF算法相比,自适应UKF算法明显改善了目标跟踪的精度和稳定性.