一种无矩阵求逆的最优滤波计算方法

本文回顾了在改善卡尔曼滤波数值稳定性，提高计算效率等数值计算方面的主要研究与发展，包括平方根协方差、U—D分解、奇异值分解(SVD)等计算方法。这些算法都存在不同程度地通过牺牲计算效率换取数值稳定性的不足。本文提出了一种无矩阵求逆的最优卡尔曼滤波计算方法，该算法数值稳定性强，且计算量也比较小。     

平方根体积积分卡尔曼滤波

体积积分是一种新的具有较高代数精度的积分方法。为了提高非线性滤波算法的精度和数值稳定性,将体积积分规则和平方根分解引入卡尔曼滤波框架中,提出了平方根体积积分卡尔曼滤波算法（SRCQKF）。新算法采用球半径体积规则和高斯-拉盖尔积分规则计算积分点,利用矩阵的QR分解得到协方差矩阵的平方根并传播平方根。两个典型的非线性系统的实验结果表明,与体积卡尔曼滤波相比,新算法提高了非线性状态的估计精度,具有较高的数值稳定性。     

一种提高车辆导航系统定位精度的方法

为了解决量测方程线性化及普通卡尔曼滤波数值稳定性对车载航位推算系统滤波结果的影响,给出了车载航位推算系统的基于U D分解的自适应迭代滤波算法,并将这一算法与车载航位推算系统的迭代型自适应推广卡尔曼滤波算法及简单航位推算进行了比较。计算机仿真结果表明:新算法能够有效地提高车载航位推算系统的定位精度及数值稳定性。     

大系统的分散滤波结构及容错应用

本文综述了大系统分散滤波方法的发展过程及主要思想，并把该发展过程划分为三个阶段；并行分解卡尔曼滤波结构；分布式卡尔曼滤波结构；分散式卡尔曼滤波结构。本文指出了分散卡尔曼滤波结构非常有益于容错系统控制。     

改进的CKF算法及其在BDS/INS中的应用

针对标准容积卡尔曼滤波(CKF)在组合导航系统模型不确定情况下滤波精度下降甚至发散的问题,将奇异值分解(SVD)与CKF算法相结合,并引入强跟踪滤波(STF)理论,提出一种改进的强跟踪SVD-CKF算法.为提高数值计算的稳定性,采用SVD代替标准CKF中的Cholesky分解;引入STF理论框架,通过渐消因子对预测误差协方差阵进行在线修正,在系统模型不确定或系统发生大的突变时,能够提高系统的强鲁棒性.通过仿真结果验证了改进算法的有效性.     

基于多元插值的DD型滤波算法仿真研究

DD型滤波是一种基于Striling多元插值方法,将函数按多项式近似展开的非线性滤波算法.相对于扩展卡尔曼滤波而言,它不需要对非线性函数进行微分运算,具有滤波精度高、数值稳定性好和适用范围广的优点,其运算量却与扩展卡尔曼滤波相当.对DD型滤波算法进行了深入分析,并将该算法应用于状态估计领域.对一多传感器目标跟踪问题进行了仿真计算,仿真结果表明了DD型滤波算法的有效性和实用性.     

非线性动态滤波的迭代算法

阐述了标称状态的线性化方法和扩展的卡尔曼滤波公式及迭代卡尔曼滤波，探讨了非线性动态滤波的近似处理方法，围绕标称状态将非线性模型进行线性化，将标准的卡尔曼滤波扩展到非线性模型，得到扩展的卡尔曼滤波公式，研究了迭代滤波计算方法。扩展的卡尔曼滤波方法已经有效地用于非线性模型。     

蒙特卡罗粒子滤波算法应用研究

随着这些年计算机硬件水平的发展,计算速度的提高,源自序列蒙特卡罗方法的蒙特卡罗粒子滤波方法的应用研究又重新活跃起来。本文的这种蒙特卡罗粒子滤波算法是利用序列重要性采样的概念,用一系列离散的带权重随机样本近似相应的概率密度函数。由于粒子滤波方法没有像广义卡尔曼滤波方法那样对非线性系统做线性化的近似,所以在非线性状态估计方面比广义卡尔曼滤波更有优势。在很多方面的应用已经逐渐有替代广义卡尔曼滤波的趋势。     

H∞鲁棒自适应CKF算法在组合导航中的应用

针对组合导航系统状态模型及噪声统计特性不确定的情况下,标准容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法鲁棒性差,导致滤波精度下降甚至出现滤波发散的问题,提出一种H∞鲁棒自适应CKF算法。该算法基于标准的三阶CKF算法理论框架,在观测方程为线性的条件下,对其量测更新进行了简化,并引入数值稳定性较强的奇异值分解（Singular Value Decomposition,SVD）对系统状态协方差阵进行分解迭代,改善了计算的数值稳定性;在系统状态协方差阵更新过程中引入H∞ 滤波思想,并基于矩阵不等式的理论,对其约束条件[γ]进行了自适应选取,进一步改善了滤波的稳定性,提高了系统的鲁棒性。将该算法用于GNSS/INS组合导航的数值仿真实验,结果验证了该算法的有效性和优越性。     

基于结构分解的GPS/INS组合导航粒子滤波技术

针对粒子滤波应用于GPS/INS组合导航系统时难以保证滤波实时性的问题,提出一种基于线性/非线性结构分解的改进粒子滤波算法.改进算法对状态方程进行线性/非线性结构分解,分别采用重点采样和线性卡尔曼方式进行一步预测递推,充分发挥粒子滤波和卡尔曼滤波的特点,有效降低了粒子滤波的计算量,在保证GPS/INS组合导航系统滤波精度的条件下提高了组合滤波的实时性.     

Hyperbolic‐singular‐value‐decomposition‐based square‐root accurate continuous‐discrete extended‐unscented Kalman filters for estimating continuous‐time stochastic models with discrete measurements

This paper presents novel square‐root accurate continuous‐discrete extended‐unscented Kalman filtering (ACD‐EUKF) algorithms for treating continuous‐time stochastic systems with discrete measurements. The time updates in such methods are fulfilled as those in the extended Kalman filter whereas their measurement updates are copied from the unscented Kalman filter. All this allows accurate predictions of the state mean and covariance to be combined with accurate measurement updates. The main weakness of this technique is the need for the Cholesky decomposition of predicted covariances derived in time‐update steps. Such a factorization is highly sensitive to numerical integration and round‐off errors committed, which may result in losing the covariance's positivity and, hence, failing the Cholesky decomposition. The latter problem is usually solved in the form of square‐root filtering implementations, which propagate not the covariance matrix but its square root instead. Here, we devise square‐root ACD‐EUKF methods grounded in the singular value decomposition (SVD). The SVD rooted in orthogonal transforms is applicable to any ACD‐EUKF with nonnegative weights, whereas the remaining ones, which can enjoy negative weights as well, are treated by means of the hyperbolic SVD based on J‐orthogonal transforms. The filters constructed are presented in a concise algorithmic form, which is convenient for practical use. Their two particular versions grounded in the classical and cubature unscented Kalman filtering parameterizations are examined in severe conditions of tackling a radar tracking problem, where an aircraft executes a coordinated turn. These are also compared to their non‐square‐root predecessor and other methods within the target tracking scenario with ill‐conditioned measurements.     

基于SVD的推广卡尔曼滤波及其在飞行状态和参数估计中的应用

基于矩阵的奇异值分解技术，本文提出一种鲁棒推广卡尔曼波新算法，并将该算法应用于飞行状态和参数估计中，该算法不仅具有很好的数值稳定性，而且无需任何变换即可处理相关噪声，且适于并行计算。两种不同型号飞机飞行数据计算结果表明；与ＥＫＦ相比，本文算法对不同初始值的不同噪声均可获得更准确的估计结果，并且对飞机机动形式、噪声水平，数据长度等要求不高，收敛性好。     

自适应快速弱敏无迹Kalman滤波算法

针对现有弱敏无迹Kalman滤波需要代数求解增益矩阵耗时长和不能实时调节敏感性权重的问题,提出一种自适应快速弱敏无迹Kalman滤波算法.该算法在弱敏控制技术的基础上,重新定义弱敏无迹Kalman滤波的敏感性权重矩阵,将状态估计误差对不确定参数的敏感性加入滤波的代价函数,并通过最小化该代价函数得到滤波增益矩阵的解析解,减少了滤波计算复杂度和计算时间.同时基于量测残差正交原理,设计敏感性权重的自适应渐消因子,实现滤波过程中敏感性权重的实时调节.典型算例的数值仿真结果表明:所提出的自适应快速弱敏无迹Kalman滤波算法能够提高计算效率和实时调节敏感性权重,有效地降低不确定参数对状态估计的不利影响;相较于传统的弱敏无迹Kalman滤波算法,所提出算法的状态估计误差和计算时间分别减少19.5%和99.9%.     

关于UKF方法的新探索及其在目标跟踪方面的应用

在跟踪和控制领域,和被广泛采用的推广卡尔曼滤波(extended Kalman filter)方法相比较,近年发展起来的Unscented卡尔曼滤波(Unscented Kalman filter)具有易于实现、计算量相当而精度较高等诸多优点．本文深入探讨了这一方法,并以目标跟踪为背景,提出了两种基于Unscented变换的新的滤波方法,分别在算法的精确和快速两个方向上进行了尝试,仿真结果表明,这种探索是行之有效的．     

相关观测融合稳态Kalman滤波器及其最优性

对于带相关观测噪声和带不同观测阵的多传感器系统, 用加权最小二乘 (Weighted least squares, WLS) 法提出了两种相关观测融合稳态Kalman滤波算法. 其原理是用加权局部观测方程得到一个融合观测方程, 它伴随状态方程实现观测融合稳态Kalman滤波. 用信息滤波器证明了它们功能等价于集中式融合稳态Kalman滤波算法, 因而具有渐近全局最优性, 且可减少计算负担. 它们可应用于多通道自回归滑动平均 (Autoregressive moving average, ARMA) 信号观测融合滤波和反卷积. 两个数值仿真例子验证了它们的功能等价性.     

一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用

针对粒子滤波的重要性密度函数选择问题,提出一种基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的改进粒子滤波算法。该方法利用集合卡尔曼滤波产生粒子滤波在每一时刻各粒子的重要性密度函数,在融合最新观测信息的同时,使重要性密度函数更加符合状态的真实后验概率分布。为消除样本枯竭现象,对重采样后的粒子进行马尔科夫链蒙特卡洛处理。在仿真实验中,将新算法用于GPS/DR组合定位系统,与粒子滤波、扩展卡尔曼粒子滤波以及无迹粒子滤波进行比较。仿真结果表明,该算法的估计精度高于传统粒子滤波算法,同时其能够有效控制计算量,并且在粒子数目较少时仍能保证较好的估计性能。     

Variants of extended Kalman filtering approaches for Bayesian tracking

We provide a tutorial for a number of variants of the extended Kalman filter (EKF). In these methods, so called, sigma points are employed to tackle the nonlinearity of problems. The sigma points exactly represent the mean and the variance of the state distribution function in a dynamic state equation. The initially developed EKF variant, that is, unscented Kalman filter (UKF) (also called sigma point Kalman filter) shows enhanced performance compared with that of conventional EKF in the literature. Another variant, which is not well known, is central difference Kalman filter (CDKF) whose way to approximate the nonlinearity is based on the Sterling's polynomial interpolation formula instead of the Taylor series. Endeavor to reduce the computational load resulted in the development of square root versions of both UKF and CDKF, that is, square root unscented Kalman filter and square root central difference Kalman filter (SR‐CDKF). These SR‐versions are supposed to be numerically more stable than their original versions because the state covariance is guaranteed to be positive definite by avoiding the step of matrix decomposition. In this paper, we provide the step‐by‐step algorithms of above‐mentioned EKF variants with their pros and cons. We apply these filtering methods to a number of problems in various disciplines for performance assessment in terms of both mean squared error (MSE) and processing speed. Furthermore, we show how to optimize the filters in terms of MSE performance depending on diverse scenarios. According to simulation results, CDKF and SR‐CDKF show the best MSE performance in most scenarios; particularly, SR‐CDKF shows faster processing speed than that of CDKF. Therefore, we justify that SR‐CDKF is the most efficient and the best approach among the Kalman variants including the EKF for various nonlinear problems. The motivation of this paper targets at the contribution to the disseminative usage of the Kalman variants approaches, particularly, SR‐CDKF taking advantage of its estimating performance and high processing speed. Copyright © 2016 John Wiley & Sons, Ltd.     

非线性系统确定采样型滤波算法综述

确定采样型滤波包括Unscented卡尔曼滤波（UKF）,中心差分卡尔曼滤波（CDKF）以及容积卡尔曼滤波（CKF）,是一类基于确定解析采样近似方法的非线性次优高斯滤波算法,具有估计精度高、实现简单等优点,已得到国内外学者的广泛关注.在阐述确定采样型滤波基本原理的基础上,详细总结了近年来确定采样型滤波的研究现状,包括各种改进算法和在不同领域的应用情况;然后重点分析了确定采样型滤波所存在的问题;最后展望了其未来发展趋势和研究方向.     

Kalman滤波抗野值方法研究

在Kalman滤波应用过程中 ,观测值中的野值是影响滤波效果的重要因素。当观测中含有野值时 ,破坏了Kalman滤波新息的原有特性 ,从而造成估计不准 ,滤波精度下降。本文提出了修正Kalman滤波新息的方法 ,使修正后的Kalman滤波新息能够保持修正前的新息特性。仿真结果表明 ,本文提出的方法可有效地抑制观测中的野值对系统滤波的不利影响