基于参数估计的传感器故障诊断的改进方法

针对基于参数估计的非线性系统传感器故障诊断方法中存在的滤波稳定性差、估计精度低的缺点,提出了卡尔曼滤波与小波滤波相结合的方法.在将传感器故障参数都等效为偏差型故障参数的基础上,通过增大强跟踪滤波器算法中的量测噪声方差和系统噪声方差,使其大于实际噪声方差,以提高滤波器的稳定性和故障检测的快速性,同时引入小波滤波以提高对故障参数的估计精度.仿真实验表明,该方法较好地兼顾了滤波稳定性、估计精度及速度.     

基于模糊逻辑控制的单脉冲雷达测距算法改进

针对某型号雷达在对飞行器的初始段跟踪测量过程中,由于受地杂波影响较大,存在跟踪稳定性较差、测距精度偏低的问题,提出对雷达测距跟踪环路采用模糊自适应扩展Kalman滤波取代模糊自适应常规Kalman滤波的方法.方法主要是通过引进估计误差方差阵的加权系数α,通过在滤波过程中对系数α进行"在线"调整,来实现对滤波器噪声方差阵的实时调整,从而优化了滤波器执行最优估计的性能,达到了增强雷达设备跟踪稳定性和提高测距精度的目的.仿真结果表明,该模糊自适应扩展Kalman滤波器跟踪目标稳定性和精度高于模糊自适应常规Kalnum滤波器.     

鲁棒边缘粒子滤波及在目标跟踪中应用

边缘粒子滤波是组合导航和目标跟踪中状态估计的高效方法;文章目的 是研究附加量测噪声具有时变未知方差的鲁棒边缘粒子滤波的算法并对算法仿真验证;设计方法是使用Rao-Blackwellised原则实现混合模型中状态降维,然后状态与量测方差同时分别估计;量测分布模型设置为具有鲁棒性质的学生t分布,通过这种量测似然模型得到粒子权值;变分推断方法加入混合滤波方案进行量测噪声方差参数的实时递推估计;重采样阶段粒子权值与状态及噪声参数一起进行重采样,结果是给出状态与噪声参数估计的鲁棒边缘粒子滤波;通过对常速目标运动跟踪模型量测噪声方差渐变和突变两种情况的仿真设置分析,验证了所提算法在量测方差变化情况下性能优于边缘粒子滤波算法的结论.     

野值存在下的BP网络自适应卡尔曼滤波

野值的存在会严重影响滤波器的稳定性和滤波精度,甚至会引起滤波器发散。定量分析了野值对卡尔曼滤波器的影响,提出了一种抗野值的BP网络自适应卡尔曼滤波算法。通过BP网络对新息序列估计方差的变化率进行实时监测和计算,输出一组加权系数对模型中系统噪声和量测噪声作＂在线＂修正,从而有效地抑制了连续野值对滤波器的影响。经仿真证明算法提高了滤波器的精度和稳定性,同时对单个离散野值也有较好的滤波效果。     

衰减因子自适应估计卡尔曼滤波比较研究

针对卡尔曼滤波算法发散的问题,从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波发散的原因,提出了新的衰减记忆卡尔曼滤波中衰减因子的自适应估计方法。该方法利用滤波残差序列在最优估计时为零均值白噪声的性质,分别检验滤波残差每一个分量得出衰减因子值,并与强跟踪滤波器进行了对比研究。仿真结果表明,新算法在系统噪声特性不准确的情况下,能自适应地估计出衰减因子的大小,抑制卡尔曼滤波估计的发散,滤波精度要高于强跟踪滤波器;且其推导形式简单、计算量小、适合于在线运算。     

基于支持向量机的自适应卡尔曼滤波技术研究

针对卡尔曼滤波(KF)中噪声的统计特性与实际不符时滤波精度严重降低甚至引起滤波器发散的问题,提出一种基于支持向量机的自适应卡尔曼滤波算法(SVMAKF).根据新息理论方差与实际方差的比值,应用支持向量机产生自适应因子对卡尔曼滤波器的噪声方差阵进行在线修正,使噪声方差阵能够根据实际噪声的变化得到调整.通过对雷达目标跟踪系统的仿真表明,该算法对噪声有较强的自适应性,能够提高滤波精度和滤波器的鲁棒性.     

有色量测噪声下的改进求容积卡尔曼滤波器

为解决标准求容积卡尔曼滤波器在有色量测噪声条件下滤波精度退化的问题,提出改进求容积卡尔曼滤波器及其平方根形式.首先利用一阶马尔科夫模型白化非线性离散随机系统中有色量测噪声,将有色量测噪声下非线性离散随机系统转化为白噪声下非线性时滞系统.然后根据所得非线性时滞系统推导其高斯域的贝叶斯滤波框架,最后基于3度Spherical-Radial规则将该滤波框架近似为改进的求容积卡尔曼滤波器和其平方根形式.机动目标跟踪仿真试验结果表明两种改进求容积卡尔曼滤波算法在标准白噪声条件下与标准求容积卡尔曼滤波算法的估计精度相同,而在有色量测噪声背景下滤波精度和鲁棒性更优.     

基于强跟踪滤波器及小波变换的非线性系统参数辨识及应用

本文采用强跟踪滤波器为主要框架, 通过线性化和状态扩展解决非线性系统时变参数和状态的估计问题. 在普通强跟踪滤波器的基础上, 以小波变换估计量测噪声, 采用滤波增益调整系数解决过跟踪问题, 给出了主要的计算公式和参数的取值方法, Monte Carlo仿真和在弹道方程参数辨识中的应用结果表明, 本方法不但对突变参数具有强跟踪能力, 在噪声方差发生变化的情况下, 仍可以对非线性参数进行准确的辨识, 状态与参数估计精度高于 普通的强跟踪滤波器.     

基于STF和小波阈值去噪的无人直升机故障诊断

针对微小型无人直升机传感器工作环境恶劣,易出现性能不稳定并引发故障,且受噪声干扰较大的问题,提出了基于强跟踪滤波器(STF)和小波阈值去噪相结合的故障诊断方法.利用强跟踪滤波理论,将系统的参数扩展为状态变量,构造故障观测器,得到系统状态与参数的联合估计,同时采用小波阈值去噪方法对进入滤波器中的量测信息进行实时去噪处理,提高估计精度,实现了故障的实时诊断.通过微小型无人直升机在悬停飞行状态下的仿真实验,证明了该方法的有效性.     

三维纯角度机动目标跟踪算法

利用角度信息估计目标的距离和速度实质上是一个非线性状态估计问题,这种单站被动式跟踪可能构成一个不可观测系统,将导致跟踪滤波器的不稳定和发散.笔者针对反直升机雷构成的雷群进行目标定位和跟踪,利用最小二乘法和基于"当前"统计模型的自适应滤波组合算法进行数据处理,最小二乘法的估计结果作为自适应滤波的观测值和观测噪声方差,算法简单而且有效,在目标机动和非机动时都能得到良好的估计结果.     

基于粒子滤波的人脸跟踪算法

人物跟踪技术是目前智能监控系统的核心方法之一,针对人脸运动的非线性非高斯的特点,引入粒子滤波算法来进行运动预测估计,抵抗遮挡干扰。同时,根据人脸结构特点,提出了一种分块颜色直方图,用以描述人脸的特征。并且根据预测精度对预测过程中目标运动速度和过程噪声方差进行自适应更新。实验结果表明,在人脸的旋转,肤色和部分遮挡影响下跟踪精度较高,抵抗光照环境变化,以及人脸大小变化等的鲁棒性较强。     

适用处理非高斯观测噪声的强跟踪卡尔曼滤波器

在高斯噪声条件下,卡尔曼滤波器(KF)能够获得系统状态的一致最小方差线性无偏估计.但当噪声非高斯,KF性能将严重下降.观测噪声非高斯现象在深空探测自主导航中经常遇到,然而现有模型可能存在着精度不高、稳定性不强或者计算复杂度较高的缺点.针对这种现状,本文在传统强跟踪卡尔曼滤波器(STKF)中新息正交原则的基础上,推导了适用处理非高斯观测噪声的强跟踪卡尔曼滤波器(STKFNO),并将其嵌入到无迹卡尔曼滤波(UKF)框架下形成适用处理非线性系统非高斯观测噪声的强跟踪无迹卡尔曼滤波器(STUKFNO).所提出的算法被应用到深空光学自主导航系统中,仿真结果表明所提出的算法能够较好地应对观测噪声的非高斯性.     

Robust unscented Kalman filter with adaptation of process and measurement noise covariances

Unscented Kalman filter (UKF) has been extensively used for state estimation of nonlinear stochastic systems, which suffers from performance degradation and even divergence when the noise distribution used in the UKF and the truth in a real system are mismatched. For state estimation of nonlinear stochastic systems with non-Gaussian measurement noise, the Masreliez–Martin extended Kalman filter (EKF) gives better state estimates in relation to the standard EKF. However, the process noise and the measurement noise covariance matrices should be known, which is impractical in applications. This paper presents a robust Masreliez–Martin UKF which can provide reliable state estimates in the presence of both unknown process noise and measurement noise covariance matrices. Two numerical examples involving relative navigation of spacecrafts demonstrate that the proposed filter can provide improved state estimation performance over existing robust filtering approaches. Vision-aided robot arm tracking experiments are also provided to show the effectiveness of the proposed approach.     

采用柯西分解降噪的目标跟踪方法

提升噪声干扰情况下的目标跟踪精度,提出了一种柯西分解改进的无迹[H∞]滤波方法。采用UT变换代替传统的泰勒级数线性近似截断处理,降低近似截断误差,提升处理非线性系统的能力;对目标状态的协方差矩阵均方根进行柯西分解,采用对角元素求解,降低了观测噪声的扰动误差对滤波估计精度的影响。仿真结果表明,所提方法明显提升了不同噪声统计特性情况下的跟踪精度和稳定性。     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

基于强跟踪滤波器的MACA-MIE 模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展 ACA 模型状态矢量和改进状态噪声协方差调整方法,利用 MIE 和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比 ACA 模型和 MIE,该算法具有更好的机动状态和非机动状态跟踪性能.     

强跟踪平方根容积卡尔曼滤波和 自回归模型融合的故障预测

为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.