基于最优定界椭球的扩展集员滤波算法研究

针对噪声未知但有界的非线性系统,提出了一种基于最优定界椭球的扩展集员滤波算法.首先,对非线性状态方程和量测方程进行泰勒级数展开,采用区间分析方法对线性化误差进行外包定界,并通过椭球近似将其整合到系统噪声中;在此基础上通过预测步和滤波步两步过程来计算与量测和噪声边界近似相一致的待估计状态的可行集.以Duffing方程为例,与扩展卡尔曼滤波方法的仿真比较表明了该算法的精确性和鲁棒性.     

量测随机延迟下带相关乘性噪声的非线性系统分布式估计

本文提出了乘性噪声和加性噪声相关下的量测随机延迟非线性系统分布式状态估计.在所考虑系统中,相关状态被多传感器簇构成的传感器网所观测.所得理想量测被传送到远程分布式处理网,并伴随服从一阶马尔可夫过程的随机延迟.在此基础上,本文提出了分布式高斯信息滤波(distributed Gaussian-information filter,DGIF),来实现估计精度与计算时间的折中.在单处理节点/单元中,以估计误差协方差最小化为准则,设计了相应的高斯递推滤波,并实现了延迟概率的在线递推估计.进一步地,在分布式处理网中,基于非线性量测方程的统计线性回归,结合一致性算法,给出了一种分布式信息滤波形式,有效实现了分布式融合.分别在单处理单元和分布式处理网中仿真验证了所提算法的有效性.     

基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法

针对非线性系统模型,提出一种基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法.该方法采用Stirling 内插公式对非线性函数作多项式逼近,利用中心差分卡尔曼滤波和高斯混合概率假设密度滤波对后验多目标状态一阶统计量进行估计,并通过递推更新得到目标状态,以实现对多个目标的跟踪.该方法无需求解系统函数的雅可比矩阵,且具有二阶泰勒展开式精度.仿真结果表明,所提出方法能够增强算法的鲁棒性,提高目标状态和数目的估计精度.     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

高斯混合交互式多模型容积信息滤波算法

针对机动目标跟踪中由于目标机动使系统的非线性强度增大,导致系统的线性误差增大和跟踪精度明显下降、甚至发散的问题,提出了基于高斯混合的交互式多模型容积信息滤波（ GMIMM-CIF）算法,实现对机动目标的精确跟踪。新算法在每次输入交互之后,保留概率较大的几个假设,并利用一个高斯混合项替换最优多模型算法中剩余的假设,从而使算法中假设的数量保持恒定;用容积信息滤波器（ CIF）代替传统的非线性滤波器,通过估计信息状态向量和信息矩阵而不是估计状态向量和协方差,可以减小系统的非线性误差。通过仿真对比实验,验证了该算法可以提高机动目标的跟踪精度。     

基于组合导航系统的非线性高斯滤波算法

由于组合导航系统具有强非线性和模型不确定性的特点, 工程中扩展卡尔曼滤波无法满足组合导航系统实际应用的要求. 为此, 针对贝叶斯框架下高斯类非线性滤波算法的估计性能给出具体分析. 首先, 在估计点处对非线性函数进行泰勒展开获得泰勒近似, 通过一阶矩和二阶矩分析滤波算法的近似精度; 然后, 通过数值稳定性对非线性滤波算法进行分析; 最后, 分别采用低维和高维模型对各滤波算法进行对比分析, 为组合导航系统的实践提供借鉴.

     

非线性系统中心差分集员估计方法

用于非线性椭球估计的扩展集员算法在实际应用中存在着实现性差、边界估计相对保守等缺陷.本文提出了一种用于非线性系统状态估计的中心差分集员估计方法,以改善传统非线性集员滤波算法的估计性能.为克服泰勒展开的固有缺陷,采用低阶多维Stirling内插多项式代替泰勒展开实现非线性模型的线性化处理;利用半定规划方法对线性化误差进行外包定界并将其融入过程噪声和量测噪声中,以降低误差定界的保守性;量测更新中,为提高算法的实时性,将量测椭球松弛为多个带的交,依次参与状态椭球的更新,从而实现状态定界椭球的次优估计;同时,对椭球—带交集迭代过程中椭球中心到超平面的归一化距离的计算方法进行了改进,使当前时刻每次迭代的椭球均参与计算并选取最优值,以减小累计误差.仿真结果表明了本文所提出算法的有效性和改进性能.     

稀疏高斯厄米特PHD机动多目标跟踪算法

针对基于概率假设密度（probability hypothesis density，PHD）的非线性机动多目标跟踪精度低、滤波发散、目标数目估计不准确等问题，提出一种基于交互式多模型的稀疏高斯厄米特PHD算法.该算法在PHD滤波器下，采用稀疏高斯厄米特方法对目标进行状态预测和量测更新，构造一种稀疏高斯厄米特PHD滤波器；然后将交互式多模型算法融入稀疏高斯厄米特PHD滤波框架中，解决了目标机动过程中运动模式不确定的问题.仿真结果表明该算法能对机动多目标进行有效的跟踪，相比交互式多模型不敏卡尔曼PHD等滤波方法具有更高的状态估计精度，且目标数目估计更准确.     

双Markov多假设IMM机动目标跟踪算法

为提高交互式多模型(IMM)算法对机动目标的估计精度,需要增加其模型数量,但模型过多将导致计算量大并降低估计器性能。针对上述问题提出一种基于模型集的双马尔可夫多假设IMM机动目标跟踪算法。该算法用模型集间的马尔可夫转移阵描述模型集之间的大跳变,用模型的马尔可夫转移阵描述模型集内各模型间的小跳变或慢变,以达到细化建模、提高滤波精度的目的。     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

基于多神经元模型的非线性系统预测控制

利用单神经元来逼近非线性系统在平衡点邻域内的泰勒展开式的直至二次项,首次提出了一种用多个单神经元模型来拟合非线性系统的建模方法,引入多模型参考轨迹,得到一种新的多模型预测控制。仿真结果表明,基于二阶泰勒级数得到的多神经元模型的预测控制器的性能要优于采用泰勒级数一阶线性项得到的多模型预测控制器,但计算量并未显著增加。     

一种新的雷达和红外融合算法

针对作机动飞行的空中目标,利用目标多普勒信息和红外辐射信息,建立具有Markov跳交参数的红外系统距离估计模型,基于结构随机跳变系统最优滤波理论,提出了一种红外系统距离估计算法.基于交互式多模型算法(IMM),以红外测距为伪距量测,提出了一种新的主动雷达和红外融合算法.对一个高机动目标跟踪进行了仿真,结果表明红外距离估计误差小,融合算法跟踪精度高,性能良好,易于工程实现.     

模型不确定非线性Markov 跳变系统的滤波算法

针对模型不确定非线性Markov跳变系统,提出一种新的滤波算法.相比于传统交互多模型粒子滤波,该方法通过引入前一时刻的滤波误差来增强原先由于不精确模型而造成权值较小的真实粒子在滤波过程中的作用,以此来改善算法的估计性能.仿真结果表明,该方法在处理含不确定模型参数的非线性Markov跳变系统状态估计问题时具有较好的性能.     

随机观测时滞系统的最优估计

研究了在观测中存在Markov跳跃时滞的离散时间系统的线性最小方差状态估计问题. 首先, 通过引入跳跃时滞的示性函数, 将带有跳跃时滞的观测方程转化为带有乘性噪声的定常时滞系统. 进一步采用状态扩维的方法, 将定常时滞系统转化为无时滞的Markov跳跃系统. 最后, 基于得到的无时滞系统, 采用Hilbert空间已有的几何论知识, 设计线性最优状态估计器, 得出基于Riccati方程的滤波器的表达式, 并证明了所得滤波器的渐渐收敛性.     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

具有间歇性观测的无线传感器网络分布式容错目标跟踪

针对具有随机间歇性观测的无线传感器网络, 基于多模型估计方法和一致性信息滤波器, 提出一种对观测节点故障容错的自适应分布式目标跟踪方法. 将传感器节点随机间歇性观测丢失和到达过程建模为马尔科夫切换系统, 在容积信息滤波器框架下, 估计传感器节点的观测丢失和到达的后验概率. 通过观测状态概率组合计算每个局部传感器节点的信息贡献, 基于自适应多模型估计方法, 实现对间歇性观测的容错性. 仿真结果表明了所提出算法的有效性和对间歇性观测的自适应容错性.

     

An enhanced linear Kalman filter (EnLKF) algorithm for parameter estimation of nonlinear rational models

In this study, an enhanced Kalman Filter formulation for linear in the parameters models with inherent correlated errors is proposed to build up a new framework for nonlinear rational model parameter estimation. The mechanism of linear Kalman filter (LKF) with point data processing is adopted to develop a new recursive algorithm. The novelty of the enhanced linear Kalman filter (EnLKF in short and distinguished from extended Kalman filter (EKF)) is that it is not formulated from the routes of extended Kalman Filters (to approximate nonlinear models by linear approximation around operating points through Taylor expansion) and also it includes LKF as its subset while linear models have no correlated errors in regressor terms. No matter linear or nonlinear models in representing a system from measured data, it is very common to have correlated errors between measurement noise and regression terms, the EnLKF provides a general solution for unbiased model parameter estimation without extra cost to convert model structure. The associated convergence is analysed to provide a quantitative indicator for applications and reference for further research. Three simulated examples are selected to bench-test the performance of the algorithm. In addition, the style of conducting numerical simulation studies provides a user-friendly step by step procedure for the readers/users with interest in their ad hoc applications. It should be noted that this approach is fundamentally different from those using linearisation to approximate nonlinear models and then conduct state/parameter estimate.     

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统，针对非线性系统的多扩展目标跟踪问题，提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先，提出了将多扩展目标状态和关联假设进行联合估计的思想，解决了在估计目标状态和数据关联时相互牵制的问题；其次，根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数，并利用粒子滤波技术实现联合估计的Bayes框架；最后，为解决直接采用粒子滤波实现时存在的维数灾难问题，将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化，对每个目标的粒子集根据与其相关的权重单独进行重抽样，这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明，与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比，所提算法的状态估计精度较高，形状估计的Jaccard距离分别降低了30%、20%左右，更适合于非线性系统的多扩展目标跟踪。     

Fuzzy Particle Filtering for Uncertain Systems

In this paper, we propose a novel fuzzy particle filtering method for online estimation of nonlinear dynamic systems with fuzzy uncertainties. This approach uses a sequential fuzzy simulation to approximate the possibilities of the state intervals in the state-space, and estimates the state by fuzzy expected value operator. To solve the degeneracy problem of the fuzzy particle filter, one corresponding resampling technique is introduced. In addition, we compare the fuzzy particle filter with ordinary particle filter in both aspects of the theoretical basis and algorithm design, and demonstrate that the proposed filter outperforms standard particle filters especially when the number of the particles is small. The numerical simulations of two continuous-state nonlinear systems and a jump Markov system are employed to show the effectiveness and robustness of the proposed fuzzy particle filter.