自适应平方根无迹卡尔曼滤波算法

将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法.该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整.该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果验证了算法的有效性.     

改进型平方根无迹卡尔曼滤波及其在无轴承永磁同步电机无速度传感器运行中的应用

平方根无迹卡尔曼滤波(SRUKF)解决了标准无迹卡尔曼滤波(UKF)中由于误差协方差阵负定而引起的滤波发散问题, 保证了算法的数值稳定性, 但仍存在对模型参数变化的鲁棒性差、收敛速度慢及对突变状态的跟踪能力低等缺陷. 因此, 本文提出一种改进SRUKF滤波, 通过引入时变渐消因子和弱化因子, 实时修正滤波增益矩阵和误差协方差平方根矩阵, 实现残差序列正交, 确保SRUKF滤波保持对目标实际状态的准确跟踪. 将该算法在无轴承永磁同步电机无速度传感器矢量控制系统中进行仿真研究. 结果表明: 改进SRUKF非线性近似精度、数值稳定性及滤波精度更高, 在系统状态突变或负载扰动时, 鲁棒性更强, 能够有效实现转速及转子角度的准确估计, 确保转子稳定悬浮运行.     

自适应高阶无迹增量卡尔曼滤波算法

在工程实际中,由于环境因素的影响、测量设备的不稳定性、模型和参数的选取不当等往往会对量测方程带来未知的系统误差.针对这一问题,提出了一种自适应高阶无迹增量卡尔曼滤波算法.首先,利用增量建模技术建立增量量测方程.其次,将其与高阶无迹卡尔曼滤波器相结合,并引入自适应加权因子对滤波发散进行抑制,发展出一种自适应增量滤波算法.计算机仿真实验表明,新算法能够成功消除这种未知的系统误差,提高估计精度和稳定性,具备良好的应用前景.     

双层无迹卡尔曼滤波

针对无迹卡尔曼滤波（Unscented Kalman fllter,UKF）在强非线性系统中估计效果差的问题,提出了双层无迹卡尔曼滤波（Double layer unscented Kalman filter,DLUKF）算法,该算法用带权值的采样点表征先验分布,而后用内层UKF算法对每个采样点进行更新,最后引入外层UKF算法的更新机制得到估计值和估计协方差.仿真结果表明,相比于传统算法,所提的DLUKF算法可以在较低计算负载下获得较高滤波估计精度.     

平方根体积积分卡尔曼滤波

体积积分是一种新的具有较高代数精度的积分方法。为了提高非线性滤波算法的精度和数值稳定性,将体积积分规则和平方根分解引入卡尔曼滤波框架中,提出了平方根体积积分卡尔曼滤波算法（SRCQKF）。新算法采用球半径体积规则和高斯-拉盖尔积分规则计算积分点,利用矩阵的QR分解得到协方差矩阵的平方根并传播平方根。两个典型的非线性系统的实验结果表明,与体积卡尔曼滤波相比,新算法提高了非线性状态的估计精度,具有较高的数值稳定性。     

带非线性等式约束无迹卡尔曼滤波方法

针对带非线性等式约束的非线性系统的状态估计问题,给出了一种新形式的基于无迹卡尔曼滤波及伪观测手段的处理约束的状态估计方法（SPUKF）。在该方法中原动态系统被虚拟地分离成两个并行的子系统,各时刻的状态估计由基于这两个子系统构建的两套滤波链交替得到。相对于伪观测法中的序贯形式估计器,SPUKF无需事先确定观测及约束的处理次序且能获得更好的估计结果,故可以用来解决序贯方法中观测与约束的处理次序问题。由钟摆运动的实例仿真结果看到,SPUKF不仅有好于序贯形式无迹卡尔曼滤波的估计效果,误差改善比达到22%左右,而且算法运行时间与序贯形式估计器相近。此外,其估计效果还与批处理无迹卡尔曼滤波相当。     

组合导航自适应卡尔曼滤波改进算法研究

针对常规卡尔曼滤波由于噪声的统计特性与实际情况不相符而引起滤波误差增大的问题,提出了一种新的在线估计系统噪声和量测噪声的自适应滤波算法.新算法通过新息序列自适应量测噪声,对Sage-Husa滤波算法进行改进以估计系统噪声,该算法在噪声统计特性未知的情况下能进行滤波计算.最后对改进的新算法与常规卡尔曼滤波算法作了对比试验...     

含有多普勒频率的无迹卡尔曼滤波

针对扩展卡尔曼滤波不含多普勒频率和非线性的缺陷,提出一种新的含有多普勒频率的无迹卡尔曼滤波算法。新算法通过推导观测向量和状态向量之间的函数关系,结合无迹卡尔曼滤波思想,使滤波结果较扩展卡尔曼滤波算法具有更高的精度。最后对新老算法进行了仿真对比分析,结果表明了新算法的有效性和合理性。     

加权观测融合非线性无迹卡尔曼滤波算法

针对非线性系统的无迹卡尔曼滤波器(UKF),应用加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.证明了加权观测融合UKF滤波算法与集中式观测融合UKF滤波算法在数值上的完全等价性,因而具有全局最优性.一个带两传感器非线性系统的仿真例子说明了两种融合算法的有效性及等价性.     

基于自适应无迹卡尔曼滤波QAR数据降噪研究

针对QAR数据包含离群值、噪声值等异常数据严重影响数据分析的问题,提出了一种自适应无迹卡尔曼滤波的数据降噪方法.利用改进拉依达准则剔除粗大误差数据,以无迹卡尔曼滤波为基础,结合Sage-Husa噪声估计器对系统噪声进行实时预测和修正,有效地解决了系统噪声时变的问题.利用空客A330飞机的数据样本对算法有效性进行了数值验...     

LPV模型的Kalman滤波器设计

针对线性变参数（LPV）模型,给出了一种改进Kalman滤波器设计方法,这种滤波方法可以根据系统LPV模型实时调整滤波状态方程矩阵系数,从而增强滤波算法对系统模型变化的跟踪性能,并提高滤波准确性。结合具体实例,通过仿真比较,较好地检验了该方法的有效性。     

基于UKF的红外目标空间定位方法

针对单站系统利用一次观测对目标进行定位,瞬时定位误差较大,提出了基于UKF的红外目标空间定位方法。基于针孔成像模型,借鉴主动视觉思想,通过控制红外热像仪运动拍摄目标图像,获取目标位置,并用GPS接收机测得拍摄点世界坐标。根据透视投影变换方程,借助站心地平坐标系和WGS-84坐标系建立红外目标空间定位的非线性系统模型,在此基础上引入UKF（Unscented Kalman Filtering）滤波算法进行空间定位。实验结果证明了该方法的可行性和有效性。     

An adaptive high-gain observer for nonlinear systems

In this paper the authors provide a solution to the noise sensitivity of high-gain observers. The resulting nonlinear observer possesses simultaneously (1) extended Kalman filter’s good noise filtering properties, and (2) the reactivity of the high-gain extended Kalman filter with respect to large perturbations.The authors introduce innovation as the quantity that drives the gain adaptation. They prove a general convergence result, propose guidelines to practical implementation and show simulation results for an example.     

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。     

无味变换与无味卡尔曼滤波

综述了非线性估计问题的由来、无味变换（UT,Unscented Transformation）的基本思路与基本算法、各种衍变形式、σ点集的设计原则、无味卡尔曼滤波（UKF,Unscented Kalman Filtering）的基本算法及其各种改进算法、UT的本质、UKF与几种免微分非线性滤波方法的比较、UT与UKF的相关应用、针对几种UKF算法的仿真实例,以及目前在UT与UKF的研究中尚存在的一些问题和对今后研究的展望等;提出了笔者的一些最新研究成果和见解。     

Robust derivative-free Kalman filter based on Huber's M-estimation methodology

In this study, a discrete-time robust nonlinear filtering algorithm is proposed to deal with the contaminated Gaussian noise in the measurement, which is based on a robust modification of the derivative-free Kalman filter. By interpreting the Kalman type filter (KTF) as the recursive Bayesian approximation, the innovation is reformulated capitalizing on the Huber's M-estimation methodology. The proposed algorithm achieves not only the robustness of the M-estimation but also the accuracy and flexibility of the derivative-free Kalman filter for the nonlinear problems. The reliability and accuracy of the proposed algorithm are tested in the Univariate Nonstationary Growth Model.     

基于自适应变结构信息滤波的目标跟踪算法

目前目标跟踪算法采用的交互多模型,大多是通过固定模型之间的切换来完成目标跟踪,这容易出现模型集与目标真实运动不匹配问题,降低目标跟踪的精度。同时,现在大部分观测平台都能提供多传感器量测,这要求跟踪算法能对不同量测信息进行高效数据融合。针对上述问题,提出一种基于自适应变结构多模型和信息滤波的跟踪算法,它由少量模型构成模型集,通过在线更新模型集参数以自适应目标真实运动,采用无迹卡尔曼信息滤波融合多传感器量测信息,实现对目标的跟踪。仿真结果表明,该算法可以有效融合多传感器量测信息,自适应匹配目标真实运动,实现对目标稳定的高精度跟踪。     

An iterated fuzzy extended Kalman filter for nonlinear systems

The fuzzy extended Kalman filter (FEKF) for state estimation can be used to deal with fuzzy uncertainty effectively. However, the linearisation processing of the FEKF introduces truncation error, which degrades the estimation precision. In order to reduce the error, a new iterated fuzzy extended Kalman filter (IFEKF), based on the FEKF and the maximum a posteriori estimation, is proposed in this article. Compared with the FEKF, the proposed algorithm can be used not only to deal with the fuzzy uncertainty, but also to reduce the truncation error and to estimate the states more accurately. With an algebraic example and a passive location simulation, it is shown that the IFEKF has better estimation precision than that of the FEKF.     

抗野值性能的无迹卡尔曼滤波算法的研究

动态定位中野值的存在,使无迹卡尔曼滤波UKF(Unscented Kalman Filter)的结果不再准确甚至发散。针对这一问题,提出了一种具有抗野值性能的UKF算法。该算法将经典UKF算法与野值的剔除相结合,通过对新息序列的判断,对野值点进行处理,实时地调整滤波增益或者进行野值计算,使UKF算法在野值干扰下仍为最优估计。仿真证明该算法可以有效地辨识和剔除野值的干扰,抑制滤波的发散,提高了定位的精度。