基于改进强跟踪UKF的电压暂态扰动检测

针对目前强跟踪滤波器在电压暂态扰动检测方面,在强非线性系统下存在参数估计精度不够,高维滤波器模型下计算复杂等问题,结合STF和UKF提出一种基于改进的强跟踪无迹卡尔曼滤波器(MSTUKF)的电能质量扰动检测方法。在状态变量发生突变时,通过次优渐消因子自适应调节过程噪声协方差矩阵的权重,在满足强跟踪滤波器不同时刻残差序列正交条件下,推导MSTUKF成立的充分条件。该算法较传统的STF方法改善了滤波器的估计精度,无需求解雅可比矩阵,只需一次UT变换,计算复杂度降低,且保留了STF在模型失配情况下的强鲁棒性。将所提方法与传统STF进行对比,仿真实验结果表明:所提方法更能快速、准确地检测到电压暂降、暂态脉冲及暂态谐波信号发生的起止时刻,跟踪到突变幅值和突变相位,验证了改进的强跟踪UKF是电能质量扰动检测的一种好的解决方案。     

基于改进UKF滤波的永磁同步电动机矢量控制

针对普通UKF在永磁同步电动机速度估计中存在对模型不确定性的鲁棒性差、对突变状态的跟踪能力低和收敛速度慢等问题,结合强跟踪滤波器对UKF滤波进行改进,引入时变渐消因子在线自适应调整增益矩阵和状态预测误差协方差矩阵,实现残差序列正交或近似正交,强迫UKF滤波保持对实际状态的快速跟踪.将该算法在永磁同步电动机无速度传感器矢量控制系统中进行仿真研究.试验结果与统计分析表明,相对与普通UKF,基于改进UKF滤波的永磁同步电动机转子速度及角度估计更准确,误差更小,跟踪速度更快,鲁棒性更好.     

残差归一化的强跟踪滤波器及其应用

强跟踪滤波器通过对残差的强制白化而具有自适应的校正估计偏差和迅速跟踪状态变化的能力。对一类多输出非线性系统的研究发现，当各输出在数值上存在较大差异时，会导致无故障情况下不同输出值对应残差间数值上的较大差异，从而造成滤波器对于各残差的信息不对称，影响故障诊断的速度和精度。针对这一问题，该文提出了一种残差归一化的强跟踪滤波器方法。该方法通过在次优渐消因子的计算过程中对残差的归一化处理，达到平衡各残差问信息的效果，从而提高了故障诊断的速度和精度。仿真结果验证了该方法的有效性。     

基于改进粒子滤波的空间红外小目标跟踪方法

为有效跟踪空间红外小目标,常采用基于粒子滤波的检测跟踪算法。粒子滤波中,防止粒子退化的两个关键因素是选择合理的建议分布和重采样算法。在对重采样算法研究的基础上,提出了以有效粒子数作为阈值进行模型切换,分别利用残差重采样和系统重采样的优势,将两种采样模型有机结合,从而得到一种自适应的残差系统重采样（RSR）算法。实验结果表明,所提出的改进重采样算法在时间和跟踪精度上均优于经典重采样算法,有效地提高了空间红外小目标跟踪的效率和稳定性。     

一种基于算法融合的运动目标跟踪算法

视频目标跟踪的重点和难点在于如何快速、准确的匹配目标.针对复杂背景下,单一模式的跟踪算法不能准确跟踪目标的问题,提出了一种基于算法融合的运动目标跟踪方法.该算法综合运用去均值相关跟踪算法（normalized cross correlation,NCC）和均值漂移算法（MeanShift）2种基本模式对输入输入视频进行处理,结果送入Kalman滤波器进行滤波与预测,最后根据最小总均方误差准则进行自适应融合.试验证明,该算法能够较好地实现复杂场景条件下的目标跟踪,提高了跟踪的鲁棒性.     

强跟踪UKF算法在光伏系统MPPT中的应用

强跟踪UKF算法是采用Unscented策略逼近非线性分布且强跟踪系统突变的状态估计算法,该算法兼具强跟踪算法鲁棒性强、Unscented变换精度高、实现简单的优点。针对光伏系统在部分遮蔽情况下最大功率点误判问题,结合恒压法与强跟踪UKF算法,提出了一种新的光伏系统MPPT策略。采用恒压法快速定位最大功率点的电压范围;在该电压范围用尽量小步长的控制电压,以相应瞬时功率作为被估量,采用STUKF算法精确估算最大功率点,确定相应控制电压;保证光伏系统MPPT跟踪速度基础上,提高跟踪精度,通过状态跟踪判断状态突变,避免了误判问题。仿真和实验验证了所提策略的正确性、有效性。     

基于meanshift的目标跟踪系统设计与实现

目标跟踪是指在一段视频序列中寻找和指定目标最相似的部分,是计算机视觉的重要研究内容之一。本文针对视频中运动目标的跟踪问题,提出了一种基于meanshift的目标跟踪方法。在跟踪过程中,先确定出目标窗口并建立目标模型,再在视频序列的第N帧对应位置处计算候选目标模型,根据Bhattacharyya相似度,利用meanshift算法在后续帧中迭代地搜索目标模型的最佳候选区域。最后,在MATLAB平台上搭建了基于meanshift的目标跟踪系统,通过一系列实验表明,该方法具有很好的跟踪性能,且具有较低的时间复杂度,可满足实时处理的需要。     

强跟踪滤波器在实时数据处理中的应用

针对靶场导弹非线性系统实时数据处理滤波器设计问题,提出了应用带多重时变渐消因子强跟踪滤波算法满足靶场实时数据处理滤波器设计的需求。给出了目标状态方程及强跟踪滤波算法,探讨了时变渐消因子的确定方法,并通过与卡尔曼滤波器比较仿真实验,证明了带多重时变渐消因子的强跟踪滤波算法在非线性系统实时数据滤波处理方面具有较好较强模型不确定性的鲁棒性和突变状态的跟踪能力,解决了非线性系统目标跟踪数据实时处理的技术问题。     

电力系统视频监控中目标检测与跟踪算法研究

对变电站电力设备进行全天候实时监测是电力系统安全防范的有效手段。根据视频监控技术的原理和特点,介绍了视频监控系统中的两大关键技术---运动目标检测和跟踪技术,并对运动目标检测和跟踪技术中常用的算法进行了探讨。介绍了运动目标检测与跟踪算法的基本原理,分析了算法的特点以及存在的问题,选取了适用于电力系统的目标检测与跟踪算法。最后,设计了电力系统视频监控的基本模式,并对电力系统视频监控的实际运行系统及发展趋势进行了详细的分析。     

基于循环相关滤波算法的复杂背景目标跟踪方法研究

为了实现在复杂情况中对特定目标的路线跟踪,主要研究了基于循环相关滤波器的目标跟踪算法,并针对复杂环境情况下影响跟踪性能的条件进行分析比较。该算法是一种基于线性分类器的监督学习算法,通过添加空间正则化分量减少边界效应,提取准确目标。在OTB-50和OTB-100数据集上进行算法验证,实验表明,该算法的跟踪结果优于其他算法,在快速移动、背景杂乱、光照变化、遮挡、移出视线和运动模糊6种复杂情况下跟踪准确度比传统算法均高出0.1以上。     

基于CSM_UKF的双经纬仪强机动目标跟踪研究

以双经纬仪纯角度测量与定位为研究内容,考虑量测方程的非线性,采用无迹卡尔曼滤波(UKF)进行系统状态估计。同时,设定非合作目标预警跟踪背景,假设目标存在强机动的情况,以当前统计模型(CSM)拟合目标运动状态,建立了双经纬仪对强机动目标的CSM_UKF跟踪模型。在相同条件下,与匀加速模型进行了仿真比对。仿真结果表明,该模型能实现双经纬仪纯角度测量条件下对目标的稳定跟踪,尤其在目标存在强机动条件下,跟踪效果优于匀加速模型。     

基于UKF的雷达和机载ESM扩维跟踪

为有效提高异类传感器融合跟踪的效果,提出了一种基于UKF的雷达和机载ESM扩维跟踪算法.首先将目标和机载ESM的状态信息组合起来,形成一个高维的状态向量,从而有效抑制滤波中GPS定位误差所带来的影响;接着在此基础上采用UKF来实现目标的定位跟踪,以求进一步减小扩维后线性化误差加大等问题的影响.仿真结果表明,该算法可更好...     

Target tracking with unknown noise statistics based on intelligent H∞ particle filter

In this paper, the target tracking based on the H∞ unscented particle filter and the particle swarm optimization is proposed. The proposed algorithm combines unscented particle filter and H∞ filter to estimate the target state. Furthermore, to prevent the particle degeneracy and impoverishment, particle swarm optimization is adapted to optimize particles. The proposed method has the common advantageous feature that it does not need to know the noise statistics. The performance of the proposed algorithm is shown through Monte Carlo runs and its performance is compared with that of other methods.     

用于电力系统动态状态估计的改进鲁棒无迹卡尔曼滤波算法

针对动态状态估计中传统无迹卡尔曼滤波(UKF)采样方法的不足,对UKF算法进行改进,每次估计实时调节比例修正因子,提高滤波性能。动态状态估计结果精度受量测粗差影响较大,为此提出一种鲁棒无迹卡尔曼滤波(RUKF)算法,引入粗差判据检测粗差,通过增强因子来降低粗差对系统状态估计结果的影响。将RUKF算法运用于电力系统动态状态估计,仿真结果表明,该算法具有良好的估计性能及较强的鲁棒性。     

Nonorthogonal problem in iterated unscented Kalman filter for passive tracking

The iterated unscented Kalman filter (IUKF) is a promising nonlinear tracking algorithm. However, we find that the IUKF has poor performance in tracking accuracy and will diverge easily when the variance of observation noise is large, because the iterated state prediction is nonorthogonal to the current observation after the first iteration. This will increase the proportion of current observation in state estimate and lead to the tendency for the final iteration result to be closer to the observation compared with the optimal solution, which is a phenomenon termed the nonorthogonal problem here. We solve this problem by augmenting the state vector with the process and observation noise vectors and slightly reconstructing the IUKF formula. Simulation results show that the proposed algorithm has better tracking performance than IUKF. © 2013 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Modified strong tracking unscented Kalman filter for nonlinear state estimation with process model uncertainty

This paper presents a modified strong tracking unscented Kalman filter (MSTUKF) to address the performance degradation and divergence of the unscented Kalman filter because of process model uncertainty. The MSTUKF adopts the hypothesis testing method to identify process model uncertainty and further introduces a defined suboptimal fading factor into the prediction covariance to decrease the weight of the prior knowledge on filtering solution. The MSTUKF not only corrects the state estimation in the occurrence of process model uncertainty but also avoids the loss of precision for the state estimation in the absence of process model uncertainty. Further, it does not require the cumbersome evaluation of Jacobian matrix involved in the calculation of the suboptimal fading factor. Experimental results and comparison analysis demonstrate the effectiveness of the proposed MSTUKF. Copyright © 2015 John Wiley & Sons, Ltd.     

衰减记忆扩展卡尔曼滤波在目标跟踪中的应用

对衰减记忆扩展卡尔曼滤波在机动目标跟踪领域中的应用技术进行研究,给出了状态方程和衰减记忆扩展卡尔曼滤波算法,分析了衰减记忆扩展卡尔曼滤波与扩展卡尔曼滤波算法之间存在的主要差别,并通过仿真实验证明该衰减记忆滤波算法具有较好的跟踪目标动态变化效果,解决了卡尔曼滤波算法和扩展卡尔曼滤波算法在非线性系统的目标跟踪中存在的滤波发...     

基于无迹粒子滤波的配电网状态估计*

配电网状态估计是配电管理系统的重要组成部分。用于状态估计的数据通常存在不同程度的随机噪声干扰,不能直接用于配电网的运行分析,为获得更为精确的配电网状态信息,必须对量测数据进行滤波处理。针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)灵活性差、滤波精度易受参数及滤波初值的制约;标准粒子滤波(Particle Filter,PF)选取重要性密度函数不合理的缺陷,文章将无迹粒子滤波(Unscented Particle Filter,UPF)算法应用于配电网状态估计。该算法将UKF和PF融合,用UKF结合最新的量测信息为PF生成重要性密度函数,将落在先验概率密度区域的粒子转移到高似然区域内,提高了PF的滤波性能。通过IEEE 33节点系统算例分析,结果表明,UPF较UKF和PF具有更好的估计性能,且灵活性强,是一种有效的状态估计方法。     

混合量测下基于UKF的电力系统动态状态估计

针对当前电力系统动态状态估计主要采用的扩展卡尔曼滤波(EKF)法存在收敛速度慢、鲁棒性差的缺点,采用一种新的非线性方法——无迹卡尔曼滤波(UKF)法进行电力系统动态状态估计。UKF法由于使用了无迹变换,避免了线性化误差的引入和雅可比矩阵的计算,相比EKF法有更高的估计精度和稳定性。广域测量系统(WAMS)能够提供相量信息,具有精度高、全网严格同步等优点。因此,将WAMS量测数据和数据采集与监控(SCADA)系统量测数据相结合,形成应用混合量测的电力系统动态状态估计。仿真表明,UKF法相比EKF法能够更准确地估计动态系统中的状态量,WAMS信息的引入进一步提高了动态状态估计的性能。     

双UKF算法及其在感应电机矢量控制中的应用

在无轨迹卡尔曼滤波器(UKF)算法的基础上,建立应用于感应电机矢量控制系统的双UKF算法,实现电机状态和参数的同时观测.电机模型选择以定、转子磁链为状态变量的降阶方程,从而有效避免了数值计算的不稳定性.利用Simulink建立感应电机矢量控制系统,通过仿真比较了双UKF与扩展卡尔曼滤波器(EKF)两种算法的性能.实验结果表明,双UKF算法能有效提高状态估计和参数辨识的精度和收敛速度.