改进的变步长自适应滤波及Eckart加权抑噪算法

针对已有的变步长自适应滤波算法对噪声干扰敏感的问题,提出改进的变步长最小均方误差自适应算法,该算法对误差的自相关时间均值估计做遗忘加权补偿,并改步长因子固定范围约束为动态变化约束,一方面克服了单纯采用自相关时间均值估计调整步长所导致的步长因子快速衰减,获得了较快的收敛速度;另一方面相比基于Sigmoid函数的变步长算法,具有更平滑的步长变化和更低的稳态失调噪声.在改进算法中引入Eckart加权进一步抑制了自适应滤波器权系数伪峰,采用滑动窗遗忘加权降低了计算复杂度.将新算法及其Eckart加权应用于自适应时延估计仿真实验,结果表明：相比于已有的2种参数固定条件下的变步长自适应滤波算法,改进算法获得了更好的高斯噪声和突变噪声干扰下的时变时延跟踪性能.     

一种改进的群目标自适应跟踪算法

为提高对群目标在机动情况下的跟踪性能,提出一种改进的群目标自适应跟踪算法．在群质心状态估计中,在修正“当前”统计模型的基础上,利用群质心的速度预测和速度估计的偏差进行过程噪声方差自适应调整,并引入强跟踪滤波中的渐消因子,实时调节群质心的状态预测协方差．在扩展状态估计中,将其对应的椭圆面积预测值和估计值的偏差以及偏差变化率作为模糊输入量,采用模糊推理法自适应输出扩展状态的预测参数．此外,提供了群目标分裂机动的判决方法．仿真结果表明,与现有方法相比,本文算法增强了对群目标在突发机动时的自适应跟踪能力,并能有效检测出群的分裂机动．     

MIMO-OFDM系统中改进的RLS信道估计方法

MIMO-OFDM系统中一种改进的递归最小二乘(RLS)信道估计方法可以在不需要任何信道统计信息的前提下,利用前导训练序列和自适应遗忘因子对信道状态参数进行估计。仿真结果表明基于自适应遗忘因子改进的RLS信道估计方法(RLS-A),在估计精度和鲁棒性上的性能均优于基于常规遗忘因子的RLS信道估计方法(RLS-C)和两步遗忘因子的RLS信道估计方法(RLS-T)。因此,改进的RLS-A信道估计方法能很好地满足MIMO-OFDM系统中接收机的要求。     

基于可变遗忘因子的改进RPCA方法及其在自适应故障监测中的应用

针对现有监测方法对时变过程易产生误警且对微弱故障的检测能力不足等问题,提出一种基于可变遗忘因子的改进递归主元分析(recursive principal component analysis,RPCA)方法用于自适应故障监测。在主元模型的在线更新中引入一种可变遗忘因子,并为不同的模型参数设置不同的遗忘因子;在相关矩阵的递归分解中引入部分奇异值分解的思想,递归计算负荷矩阵和特征值对角矩阵;提出一种控制限递归更新方法,实现控制限的自适应更新。对某型雷达发射机工作过程的监测结果表明,改进的RPCA方法能自适应地跟踪过程的时变,有效地减少了对正常工况调整的误警和对微弱故障的漏报。     

航姿参考系统的改进杆臂效应补偿方法

振动环境下叠加在航姿参考系统（AHRS）加速度计敏感轴上的杆臂效应会对加速度计测姿精度造成极大的影响.本文对杆臂效应处理算法中的低通滤波法和力学补偿法进行分析.低通滤波法滤除杆臂效应会有整流误差残存.力学补偿法对杆臂效应中向心加速度项的补偿受限于陀螺测量精度,对杆臂效应中切向加速度项的补偿会因为直接对角速度微分求取角加速度造成误差激剧放大.针对低通滤波法与力学补偿法各自存在的不足,提出一种改进的杆臂效应补偿方法.对杆臂效应中的向心加速度项的补偿,设定角频率阈值作为判定值.在低于给定角频率阈值工况下采用低通滤波法,而在高于给定角频率阈值工况下采用力学补偿+低通滤波法.对杆臂效应中的切向加速度项的补偿,提出2种多加速度计构型,根据加速度计构型中各加速度计输出值,构造解析公式求解角加速度,避免直接微分法造成的误差放大.通过对改进补偿方法的理论推导、分析和仿真,并与低通滤波法和力学补偿法相对比,改进补偿方法显著地提高了杆臂效应误差补偿精度.     

一种基于“当前”模型的改进卡尔曼滤波算法

针对“当前”模型中加速度上下限对卡尔曼算法造成的影响,提出了一种改进算法。该改进算法利用速度预测估计和速度滤波估计间的偏差进行加速度方差自适应调整,避免了加速度极限值对状态估计精度的影响。最后对具有不同加速度极限值参数的卡尔曼滤波算法进行了仿真,验证了加速度上下限对卡尔曼滤波算法精度有一定影响,并进一步对比了所提出的改进算法和基于“当前”模型的标准卡尔曼滤波算法的效果,结果表明改进算法的预测误差小,跟踪精度高。     

状态与偏差解耦自适应滤波及应用

在状态与偏差耦滤波的基础上提出了一种自适应滤波算法，这种自适应滤波能在线估计系统的编差与噪声方差。对常值偏差和缓慢变化的偏差都能进行在线估计。由于采用两个卡尔曼滤波器进行计算，计算量比状态扩展自适应卡尔曼滤波器要小得多，特别在偏差量比较多的情况下更能显出其优越性，适合在组合导航中应用。     

感应电机SVPWM控制技术死区效应补偿新方法

首先从SVPWM逆变器的死区人手,详细分析死区效应的机理及对逆变器输出电压和整个系统的影响,提出死区补偿的重要性;然后针对传统电流反馈型平均误差电压补偿法存在的实时性问题,提出了改进算法：即通过利用当前时刻的已知状态和电机模型预测下一时刻的电流极性,在下一时刻采用平均误差电压补偿法,并结合零电流钳位效应消除方法对感应电机SPVWM逆变器的死区效应进行了补偿;最后在7．5kW感应电机系统中对这种补偿方法进行了仿真验证。     

改进粒子群算法辨识噪声模型的卡尔曼直接转矩控制

针对感应电机扩展卡尔曼滤波器状态估计中难以获得最优噪声矩阵问题,提出了一种基于改进粒子群算法辨识卡尔曼滤波器噪声矩阵的方法.通过调整粒子觅食策略对粒子群算法进行改进,运用改进算法优化滤波器噪声矩阵,再将优化的卡尔曼滤波器应用于感应电机无传感器直接转矩控制系统中.仿真结果表明,与试探法、标准粒子群算法和自适应粒子群算法相比,改进粒子群算法能够改善卡尔曼滤波器滤波性能,从而提高感应电机无传感器直接转矩控制系统的控制精度.     

电弧炉的间接自适应模糊鲁棒控制

针对三相电弧炉电极调节系统的电极控制问题,设计了自适应模糊鲁棒控制器,给出了模糊鲁棒控制系统的详细设计过程.该方法考虑了跟踪误差和逼近误差对参数自适应律的影响,并对模糊逼近误差和外扰采用H∞补偿控制.仿真结果表明:该控制算法具有较好的动态响应和稳态控制精度,对外界干扰及结构参数不确定性具有很强的鲁棒性.     

基于自适应UKF的单站无源定位算法

针对无迹卡尔曼滤波(UKF)算法在单站无源定位中滤波的性能容易受到初始值和系统噪声影响的问题,提出了一种自适应无迹卡尔曼滤波(AUKF)的跟踪算法。该算法利用观测信息和新息,引入自适应因子,对在滤波过程中的误差的协方差矩阵进行合理自适应调整,保证得到较稳定和高精度的滤波值,从而提高算法的鲁棒性。仿真结果表明,该AUKF算法与扩展卡尔曼滤波算法(EKF)及其衍生算法中的修正协方差滤波算法(MVEKF)和UKF算法相比,对系统噪声的鲁棒性更好,体现在滤波的收敛速度和滤波精度等方面都有所提高,是一种性能更加优越的算法。     

基于MVEKF的测向交叉定位跟踪算法

测向交叉定位能够根据两个或多个测量站对同一目标辐射源测得的方位信息,采用最佳状态估计法确定出目标辐射源的位置．针对扩展卡尔曼滤波（EKF）算法存在受初值、测量噪声影响大等缺点,将一种新的修正协方差的扩展卡尔曼滤波（MVEKF）算法应用到固定双站测向交叉定位中,可以提高收敛速度和定位精度．通过与EKF的仿真对比,验证了该算法具有更好的跟踪性能．     

多传感器跟踪型数据滤波融合算法

在实际系统中，常用的数据融合方法是基于扩展的卡尔曼滤波法的融合算法，但是这种融合算法的跟踪精度并不是很高，通过对滤波跟踪数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法，研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别并不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

基于信道模糊关联识别的NLOS测距误差补偿算法

针对NLOS测距存在误差的问题,提出一种基于信道模糊关联识别的NLOS测距误差补偿算法.根据先验信道特征参数分布信息构造信道特征参数模糊隶属矩阵,并利用灰色关联分析方法计算归一化权值矩阵,进而获得模糊综合评价矩阵来对信道环境进行识别.在此基础上,根据信道识别结果构建Huber代价函数,通过Huber线性回归方法对原始测距结果进行迭代重构,将重构结果作为Kalman滤波的测量值进行滤波.仿真结果表明,所提算法可以有效提高NLOS环境下的测距精度,在信噪比大于-2 dB时可以达到厘米级测距精度.     

自适应权重更新的两步定位算法

在室内环境中,影响定位精度的测量误差包括接收设备自身引起的误差以及信号非视距传播和多径效应所引起的测量正偏差.针对室内环境中测量数据包含测量误差服从正均值高斯分布的特性,提出了一种自适应权重更新的两步定位算法.该算法使用卡尔曼滤波和自适应权重更新的加权最小二乘算法进行两步定位,通过对每个测量距离分配不同的权重,克服了固定权重分配需在特定环境下方能获得良好定位精度的缺点.仿真结果表明,该算法定位精度优于两步定位算法和EKF算法,且对环境适应性更强.     

MIMO系统自适应均衡算法研究

MIMO信道为频率选择性信道,由于时延扩展而存在色散,因此研究MIMO系统的自适应均衡技术显得尤为重要.通过对自适应均衡技术的两种主要的算法最小均方(LMS)算法和递归最小二乘(RLS)算法的研究可以看出,在不同的步长因子及遗忘因子等参数变化情况下,LMS算法的收敛速度较慢,但均衡简单易实现,RLS算法收敛速度较快,但迭代运算较复杂.结合二者的特点提出了在MIMO系统中引入改进的最小均方算法,即归一化最小均方(NLMS)算法.仿真实验对比表明NLMS算法的计算量与LMS相当,但收敛条件简单,易实现,收敛速度较快,有很实际的应用价值.     

一种前馈神经网络基于U－D分解渐消记忆滤波的学习方法

针对前馈网络ＢＰ算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新方法，与ＥＫＦ相比，不仅大大加快了学习收敛速度、数值稳定性好，而且比ＢＰ算法需较少的学习次数和隐节点数仍可达到更好的学习效果。仿真计算表明，该方法是提高网络学习速度、改善学习效果的一种有效方法，可有效解决非线性系统建模、辨识与控制问题。     

Kalman滤波算法在自平衡机器人中的应用

针对两轮自平衡机器人系统的单一惯性传感器采集数据不够准确,且极易受到外界噪声信号的干扰的问题,提出了基于片上可编程系统的卡尔曼滤波算法来实现多惯性传感器的数据融合系统.介绍了卡尔曼滤波器的基本原理、特点和应用环境.利用FPGA控制器的硬件可重构特性,搭建了Nios软核处理器的SOPC系统硬件平台,在硬件平台上采用C语言实现多姿态传感器的卡尔曼滤波算法,为两轮自平衡机器人的多传感器姿态数据融合提供了有效工具,获得了自平衡机器人姿态数据的最优估计,解决了陀螺仪和加速度计惯性传感器的数据补偿问题.测试结果表明,采用FPGA硬件平台实现卡尔曼滤波算法效率高,姿态数据融合准确、可靠,能够满足自平衡机器人控制系统的姿态最优估计和倾角数据实时反馈要求,系统工作稳定.     

基于改进多新息扩展卡尔曼滤波的电池SOC估计

为了提高SOC估计精度,提出基于遗忘因子改进多新息扩展卡尔曼滤波（FMIEKF）方法. 建立锂离子电池的双极化等效电路模型,开展开路电压测试. 通过递归最小二乘法,实现电池模型参数在线辨识. 提出FMIEKF进行SOC估计,该方法在融合多新息辨识理论和卡尔曼滤波基础上,引入遗忘因子削弱历史数据修正权重,解决数据过饱和问题. 通过实验和硬件在环进行验证. 结果表明,FMIEKF具有较高的准确性和收敛性,最大估计误差为0.948%,平均误差为0.214%,在不同SOC初值下20 s内收敛,可以适用于实际的电池管理系统中.     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。