基于UKF 和神经网络的一类非线性系统状态估计

在模型未知的情况下,估计过程的重要变量尤为重要.鉴于此,采用不敏卡尔曼滤波(UKF)与神经网络相结合的方法,解决一类未知模型非线性系统的状态估计问题.采用动态神经网络对非线性系统进行建模,利用UKF对状态和权值进行同时更新,从而达到神经网络逼近真实模型,估计值跟随真实值的目的.通过两个仿真实例表明了所提出的方法具有良好的估计效果,并且状态在输出中的比重越大,其估计精度越高.     

基于双天线GNSS/SINS组合的风速测量运动补偿方案设计

以基于浮标平台的动态风速测量为背景,根据运动姿态补偿的原理和实际需要,设计了一套双天线GNSS/SINS组合姿态测量系统,采用卡尔曼滤波实现信息融合,通过在卡尔曼滤波的观测量中引入双天线GNSS输出的航向角信息,解决了惯性系统航向角可观测性较弱的问题,并通过实验验证了系统的有效性。实验结果表明,该运动补偿设计方案能够提高平台姿态测量的精度和稳定性,准确测量平台的姿态信息,并有效降低平台运动对风速测量的影响,风速测量误差低于4%,满足了海洋浮标观测的需求。     

基于磁通门传感器的铁磁探测系统设计

在核磁共振检查前需要进行无磁化确认,针对核磁共振检查所处的环境背景磁场复杂、干扰较多,系统出现误报警高、探测失效等问题,设计了基于磁通门传感器的铁磁探测系统。系统使用二次谐波法测量磁场信号,设计模拟电路进行信号相敏检测。通过积分反馈提高闭环系统的线性度和抗干扰性,探头工作在稳定的状态。采用卡尔曼滤波对背景磁场和磁异信号进行处理,提高信号信噪比,同时设计能量检测器对磁异信号进行检测。试验测试结果表明,系统在核磁共振室外复杂磁场环境可以减少设备工作时的误报警,有效探测出铁磁性物质。     

BWSR100单片多模导航芯片的定位解算软件设计

本文介绍了一种应用于单片多模导航芯片BWSR100的定位解算软件。该定位解算软件依据导航电文和实时的伪距信息,采用最小二乘法完成初始定位,采用扩展卡尔曼滤波方法完成后续高精度定位。仿真结果表明,在-135dBm的信号强度下,该定位解算软件的水平定位精度可以达到5m,测速精度可以达到0.2m/s。     

一种用于目标跟踪的波形自适应选择算法

提出了一种用于雷达目标跟踪的自适应广义调频波形设计算法。该算法根据跟踪器的动态需求,以广义调频信号为样板波形自适应设计下一时刻的发射波形,其目的是最小化预测的目标跟踪均方误差,并假定高信噪比条件,且目标跟踪运动模型和观测模型均为线性,利用与某一波形相对应的克拉美--罗下限（CRLB）以及卡尔曼滤波器,通过最小化预测的跟踪均方误差来实现广义调频波形的自适应设计。仿真结果表明：在信噪比相同的情况下,与使用固定参数、自适应参数的线性调频波形设计算法相比,所提出的算法能够获得更低的目标跟踪均方误差。     

基于非线性滤波估计的北斗B1 QPSK 信号跟踪方法

复杂环境下的多普勒频移变化及信号功率衰减均会对载波准确跟踪造成影响. 在研究北斗卫星B1 频点信号结构的基础上, 建立以环路中相关积分值为观测量的非线性EKF 模型和UKF模型, 并提出利用滤波估计状态量进行状态反馈控制的方法, 从而解决了载波跟踪环路在高动态及弱信号环境中难以高性能工作的问题. 实验结果表明,状态反馈控制的EKF 模型和UKF滤波模型能准确地跟踪弱信号及高动态下的信号变化, 从而有效控制跟踪误差, 为实现快速准确的载波跟踪奠定了基础.

     

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。     

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。     

基于流量矩阵和Kalman滤波的DDoS攻击检测方法

针对分布式拒绝服务(DDoS)攻击产生的流量往往对路由器造成难以承受的负担的问题,提出一种既能减轻路由器负荷又能快速准确检测DDoS攻击的方法。该方法首先在路由器中构造端口对之间的流量矩阵来准确描述DDoS攻击的流量汇聚特性,然后利用Kalman滤波对流量矩阵进行估计,接着使用GLR统计测试进行异常检测,进而判断路由器端口是否受到DDoS攻击。最后,基于实际数据进行了仿真实验,结果表明,所提方法相比主成分分析(PCA)方法具有更高的检测率、更低的误检率和更小的检测延迟。     

基于改进卡尔曼滤波的RFID数据清洗方法研究

采用RFID(radio frequency identification)技术在阅读器和动态电子标签之间进行通信,采集到的数据通常存在大量的脏数据。为更好支持高层应用,必须对原始数据进行清洗。针对标签频繁移动这一特点,将滑动窗口技术引入卡尔曼滤波模型,给出了一种改进的卡尔曼滤波模型,进而提出了一种基于改进卡尔曼滤波的RFID数据清洗方法。该方法在保证数据清洗准确率的基础上能有效解决标签动态跃迁带来的时间延迟问题,从而更加适用于标签频繁移动的场景。实验结果表明,该算法提高了清洗效率及准确率。