共查询到18条相似文献,搜索用时 203 毫秒
1.
针对无迹卡尔曼滤波(UKF)计算量大的问题,提出一种加性超球体平方根UKF算法,即ASSRUKF算法.该算法通过引入加性非扩展形式减少状态维数,并采用超球体单形采样减少采样点的数量,有效降低了算法计算量;同时采用协方差阵的平方根代替协方差阵参加递推运算,以提高滤波算法的计算效率和数值稳定性.建立了加性噪声下基于微机械惯性测量单元和磁强计的无人机姿态模型,并采用ASSRUKF算法进行姿态估计.仿真结果表明,本算法的精度与UKF相当,而执行时间仅为UKF的36.8%,有效降低了算法的计算复杂度. 相似文献
2.
为了减小传统跟踪滤波算法线性化误差,提高光电跟踪系统的跟踪速度和跟踪精度,本文在三维空间中,提出了二阶去偏转换测量卡尔曼滤波算法.该算法利用二阶泰勒展开的方法,推导出了光电跟踪系统观测方程的转换测量值误差的均值和协方差矩阵表达式,并对测量误差进行去偏差补偿处理,再经过转换测量卡尔曼滤波,可显著减小传统滤波算法的线性化误差.仿真结果表明,二阶去偏转换测量卡尔曼滤波(SCMKF)算法的跟踪精度优于非去偏转换测量卡尔曼滤波(CMKF)和扩展卡尔曼滤波(EKF),以及unscented卡尔曼滤波(UKF)算法,并且具 有更快的收敛速度,和采用统计方法的去偏转换测量卡尔曼滤波(DCMKF)的跟踪精度相当,但计算简单,提高了跟踪速度. 相似文献
3.
4.
针对纯方位被动目标跟踪中扩展卡尔曼滤波算法易发散的不足,提出了一种自适应的改进算法。该算法利用极大后验噪声估计器Sage-Husa对虚拟观测噪声进行实时在线估计,动态补偿线性化带来的误差。算法的对比仿真分析结果表明,AEKF较之EKF滤波效果有所改善,增强了稳定性,提高了精度,为ST纯方位被动目标跟踪的实现提供一种新的方法。 相似文献
5.
针对非线性结构系统时变参数识别问题,传统无迹卡尔曼滤波(Unscented Kalman Filter,UKF)难以有效跟踪结构参数的变化。将强跟踪滤波原理引入无迹卡尔曼滤波,提出一种强跟踪无迹卡尔曼滤波(Strong Tracking Unscented Kalman Filter,STUKF)算法,以识别结构参数的变化。在UKF量测更新后,依据输出残差计算渐消因子矩阵;引入两个渐消因子矩阵实时调整状态预测协方差矩阵,使残差序列强行正交,快速修正结构参数估计值,使STUKF具有对结构参数变化的跟踪能力;此外,为节省计算时间,调整状态预测协方差矩阵后不再进行sigma点采样,保证了算法的高效性。数值分析结果表明,该算法能有效识别非线性结构系统的参数及其变化,并具有较强的抗噪性。 相似文献
6.
7.
针对纯方位被动目标跟踪中,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的问题,提出了一种修正极坐标系下的自适应卡尔曼滤波算法,对虚拟系统噪声进行估计,动态补偿模型线性化误差,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. 相似文献
8.
9.
折线型本构模型控制参数少,物理意义明确,但其数学表达式复杂因而识别困难。针对折线型本构模型的参数识别,提出基于Sigma点变换的全局迭代参数卡尔曼滤波算法。所提方法以待识别参数作为状态向量,降低状态向量维度,减少计算量;基于Sigma点卡尔曼滤波避免求解雅克比(Jacobian)矩阵,实现非连续型函数本构模型的参数识别;通过设定目标函数进行全局迭代,以获得最优解。由于非线性系统下一时刻响应与历史路径有关,量测更新时由初始时刻计算到当前时刻。最后,在地震荷载下,将隔震支座系统简化为单自由度双线性模型,将桥墩简化为单自由度Takeda模型,根据该文所提出的方法理念,分别基于无迹卡尔曼滤波(unscented Kalman filter,UKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)和球面单纯形径向容积正交卡尔曼滤波(spherical simplex-radial cubature quadrature Kalman filter,SSRCQKF)采样规则识别折线型本构模型参数。结果表明所提方法能够准确识别非线性参数,同时具有较强的鲁棒性,不同滤波器收敛过程及结果也有所差异。 相似文献
10.
多传感器顺序统计量不敏概率数据互联算法 总被引:1,自引:1,他引:0
针对非线性系统中杂波环境下的多传感器多目标跟踪问题,提出了一种多传感器顺序统计量不敏概率数据互联算法(MSOSUPDA).算法首先根据顺序结构多传感器系统实现方法将研究问题转化为顺序处理多个非线性单传感器多目标跟踪问题,然后结合顺序统计量概率数据互联(OSPDA)的思想将单个传感器的量测点迹与多个舷迹互联,在此基础上采用不敏卡尔曼滤波(UKF)实现非线性条件下目标状态估计与协方差的递推.与MSJPDA/EKF算法相比,算法具有更高的跟踪精度和稳定性,计算量明显减小.仿真结果表明,该算该发散率与耗时分别为MsJPDA/EKF算法的19%与70%,算法综合性能明显好于MSJPDA/EKF算法. 相似文献
11.
12.
13.
《IEEE transactions on instrumentation and measurement》2009,58(12):3943-3952
14.
改进的EKF算法在目标跟踪中的运用 总被引:5,自引:3,他引:2
过程噪声和测量噪声影响Kalman滤波的性能,通常很难得到它们准确的值。提出观测噪声和过程噪声实时估计的自适应算法。该算法可以用在非线性和机动目标跟踪问题中,不必预先知道准确的噪声方差。重新估测观测噪声方差矩阵,可以较好地消除由观测噪声带来的误差;建立一个简单的线性Kalman滤波器对过程噪声进行实时估计,这对于机动目标来说是必要的,因为原有的过程噪声将受到加速度影响,不能包含全部的信息。实验表明,该算法保证EKF稳定性,提高了跟踪性能。模拟实验300次后,X,Y方向位置均方误差分别为7.8099,9.6838。 相似文献
15.
16.
针对单站无源跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题,提出了一种基于自适应因子化 H∞滤波的单站无源跟踪算法.该算法利用 sigma 点转换和鲁棒 H∞滤波能够减小观测方程的线性化误差和降低观测误差不确定性的特点,通过新息控制减小野值对滤波的干扰,利用比例因子和渐消因子自适应调整采样点到中心点的距离和状态预报误差的协方差,从而克服基于 UT 变换的 H∞滤波采样时的非局部效应问题,增强了单站无源跟踪系统对噪声的鲁棒性.仿真实验结果表明,本文方法通过对 UT 变换进行简化,在自适应因子化的同时,算法的计算量与基于 UT 变换的 H∞滤波基本持平,且跟踪精度优于基于 UT 变换的 H∞滤波算法.该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法. 相似文献
17.
18.
文章研究利用被动定向浮标阵定位跟踪水下机动目标的方法,基于卡尔曼滤波(Kalman Filter, KF)原理提出一种定位跟踪滤波器的具体实现方法。该方法能够整合多枚浮标现在及过去有误差的测量数据,提高定位精度,同时连续输出水下目标运动参数估计从而锁定目标运动轨迹。该方法实现的关键在于建立水下目标与浮标阵的数学迭代运算模型,包括状态空间的动态与观测过程。由于被动定向浮标阵目标跟踪是一个非线性估计问题,而卡尔曼滤波器是线性的,因此文章设计了近似的线性观测方程以利用卡尔曼滤波来解决这个问题。通过计算机仿真研究该滤波器的跟踪效果并与最小二乘法进行比较,估计精度明显高于最小二乘法。同时通过仿真验证该滤波器可以自适应跟踪目标的非稳态运动过程。该方法在工程实践上具有一定应用前景与指导意义。 相似文献