基于扩展卡尔曼滤波的测量系统数据分析

为消除误差和随机干扰对测量数据的影响。利用扩展卡尔曼滤波算法对测量数据进行处理,并提出基于扩展卡尔曼滤波算法的不可信点判断方法对测量数据进行野值剔除。两种方法结合运用,可以在保留数据特征的基础上,提高数据的精度,更好地反映测量目标的性能。     

基于改进的MeanShift算法的选煤厂人员目标跟踪方法

针对采用传统的MeanShift算法进行智能视频监控易受背景干扰而丢失目标的问题,提出了一种将MeanShift算法与卡尔曼滤波算法相结合的选煤厂人员目标跟踪方法。该方法首先通过运动检测方法分割出跟踪目标区域,然后通过卡尔曼滤波算法预测下一帧跟踪窗口的起点,在此基础上采用MeanShift算法跟踪目标区域;由于选煤厂环境较复杂,为了防止跟踪失败,采用跟踪与检测相结合的方法来进一步保证跟踪的鲁棒性。实验结果表明,该方法能很好地消除背景中相似颜色区域的影响,具有较好的跟踪效果。     

基于混合卡尔曼滤波器组的航空发动机双通道传感器故障检测

基于机载非线性模型与分段线性卡尔曼滤波器混合组成的混合卡尔曼滤波器组,结合双通道传感器的特点,建立了民用航空发动机传感器故障诊断系统;给出故障诊断原理及算法的同时,将该系统应用于民用涡扇发动机传感器常见典型故障进行了仿真;仿真结果表明,诊断系统可以在发动机发生健康蜕化后,通过只简单更新机载模型的蜕化因子,而保持线性卡尔曼滤波器的参数不变,便能准确地检测和隔离各类传感器故障而不发生误报;该更新过程可以在线自动完成,省时省力,易于工程实现。     

基于卡尔曼滤波SVM图像鉴别方法研究

研究如何区分自然图像和计算机图形判别图像问题。由于人眼难以判别真伪图像,针对传统的图像鉴别方法由于参数的设置而造成识别准确率低,从而无法准确的区分自然图像和计算机图形。提出了一种卡尔曼滤波和支持向量机分类算法相结合的高性能图像真伪鉴别方法。算法首先采用卡尔曼滤波器提取图像的各个级别的分量,求解出各级分量和判别的误差值并作为特征数据,然后采用支持向量机分类算法对特征数据进行训练判别。仿真结果表明,提出的算法可以有效的判别图像的真伪,可以有效的识别出原始自然图像和合成图像,识别率高达99%以上,同时算法的稳定性较高,具有一定的实际应用价值。     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

基于卡尔曼滤波的电力虚假数据注入攻击检测方法

能源互联网的主体是基于状态估计下的电力系统。虚假数据注入攻击（FDIA）通过恶意篡改或注入电力数据,进而引发错误的状态估计结果。这种攻击方式存在引发大面积停电事故的风险,严重影响能源互联网的正常运行。在matpower 4.0中的IEEE-14节点系统上,利用以残差方程为基础的标准残差检测法和目标函数极值法,对FDIA进行了检测实验。提出了一种基于卡尔曼滤波的FDIA检测方法,并在MATLAB上进行了验证。实验结果表明,该方法可以在短时间内发现FDIA的发生。     

电力作业场景中一种高效的UWB和IMU融合定位算法

在电力作业场景等复杂环境中,超宽带（UWB）定位存在非直达情况（NLOS）性能下降严重的问题,利用UWB与惯性测量单元（IMU）融合可以改善定位精度,但IMU的测量存在误差累积,需要精确的UWB测量校正。对NLOS条件进行准确的鉴别和利用有助于定位精度的提升。提出一种基于扩展卡尔曼滤波（EKF）的UWB/IMU融合算法,利用电力作业场合中UWB测量分布性质来判定NLOS条件,并进行误差的缓解,有效提升NLOS条件下的定位精度。由于该算法不需要对环境有先验知识,也不需要进行IMU校正等操作,可用性较好。理论和实验结果表明,该算法的性能优于其他基线系统。     

卡尔曼滤波分光光度法同时测定钛锡钼钨

以两性表面活性剂溴化十六烷基二甲基氨基乙酸作为新增效试剂，研究了钛、锡、钼、钨邻氯苯基荧光酮显色体系的光度性质，并用卡尔曼滤波分光光度法进行同时测定。合成试样中钛、锡、钼、钨的回收率范围及相对标准偏差分别为９６．２％～１０６．３％、９６．７％～１０４．５％、９２．２％～１０７％、９７．７％～１０５．６％和３．７６％、３．２４％、５．０９％、２．８１％；合金钢样中微量钛、锡、钼、钨测定的相对误差为５．０％～１１．８％。     

Continuous-time norm-constrained Kalman filtering

This paper considers continuous-time state estimation when part of the state estimate or the entire state estimate is norm-constrained. In the former case continuous-time state estimation is considered by posing a constrained optimization problem. The optimization problem can be broken up into two separate optimization problems, one which solves for the optimal observer gain associated with the unconstrained state estimates, while the other solves for the optimal observer gain associated with the constrained state estimates. The optimal constrained state estimate is found by projecting the time derivative of an unconstrained estimate onto the tangent space associated with the norm constraint. The special case where the entire state estimate is norm-constrained is briefly discussed. The utility of the filtering results developed are highlighted through a spacecraft attitude estimation example. Numerical simulation results are included.     

Unscented Kalman filter with advanced adaptation of scaling parameter

The paper deals with state estimation of the nonlinear stochastic systems by means of the unscented Kalman filter with a focus on specification of the σ$\sigma$-points. Their position is influenced by two design parameters—the scaling parameter determining the spread of the σ$\sigma$-points and a covariance matrix decomposition determining rotation of the σ$\sigma$-points. In this paper, a choice of the scaling parameter is analyzed. It is shown that considering other values than the standard choice may lead to increased quality of the estimate, especially if the scaling parameter is adapted. Several different criteria for the adaptation are proposed and techniques to reduce computational costs of the adaptation are developed. The proposed algorithm of the unscented Kalman filter with advanced adaptation of the scaling parameter is illustrated in a numerical example.