非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法--自适应平方根无迹卡尔曼滤波（NASRUKF）方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。     

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.     

强跟踪求积分卡尔曼滤波算法

在非线性系统滤波问题中,可能出现真实系统和滤波模型不匹配的现象,而标准形式的求积分卡尔曼滤波器对于这种具有模型不确定性系统的鲁棒性较差、滤波精度降低的问题。针对该问题,结合强跟踪滤波器的思想,提出了强跟踪求积分卡尔曼滤波算法。通过引入衰减因子对当前时刻的状态预测协方差矩阵进行修正,使得不同时刻的残差序列保持正交,减弱先前滤波结果对当前滤波过程的影响,增强量测值的作用,减弱模型的作用,克服模型的不确定性对滤波结果的影响。仿真结果表明,在具有模型不确定性情况的非线性滤波问题中,该算法与标准形式的求积分卡尔曼滤波算法相比,能够获得更高的滤波精度。     

基于求积分卡尔曼滤波的交互式多模型算法

针对非线性系统中的多模型估计问题,将求积分卡尔曼滤波算法应用到交互式多模型算法过程中,提出一种基于求积分卡尔曼滤波的交互式多模型算法.该算法不需要求取非线性方程的雅可比矩阵,且能够获得比基于不敏卡尔曼滤波的交互式多模型方法更高的滤波精度.仿真结果证明了该算法的有效性.     

广义容积卡尔曼滤波

传统CKF采用三阶球面径向容积定律来计算非线性积分,该定律将球面数值积分与径向积分相结合,难以构造高阶CKF算法。此外,CKF在许多非线性问题上表现出估计精度低等问题。为了解决以上问题,提出了一种广义CKF族,所提算法彻底抛弃了球面径向积分定律。进一步指出,传统CKF是这种滤波算法的特殊形式。实验结果表明,高阶CKF比传统的非线性滤波器准确性更高。     

多渐消因子平方根容积卡尔曼滤波算法

针对平方根容积卡尔曼滤波（square root cubature kalman filter,SCKF）在系统模型不准确和状态突变情况下鲁棒性差的问题,提出了一种多渐消因子平方根容积卡尔曼滤波算法（multiple fading factors strong tracking SCKF, MSTSCKF）。MSTSCKF引入强跟踪思想,通过多渐消因子实时调整增益矩阵,建立多渐消因子数值求解方法,克服多渐消因子求解依赖先验知识的不足;采用假设检验理论对系统异常进行检测,降低误判概率,提高滤波稳定性。通过仿真分析,比较了SCKF、单渐消因子平方根容积卡尔曼滤波（single strong tracking SCKF,STSCKF）和MSTSCKF的算法性能,实验表明MSTSCKF具有更好的跟踪精度和鲁棒性。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

离散系统的鲁棒卡尔曼滤波新方法

提出了一个线性离散不确定系统的卡尔曼滤波新算法,当系统矩阵和观测矩阵都存在不确定误差时,该算法能保证系统的滤波误差有界。相对不确定系统的标称系统来说,该算法是无偏的。与同类处上比,该算法计算简单,计算量较小,实际算例显示了算法的有效性。     

基于噪声自适应和平方根滤波的改进TCKF算法

正交变换容积卡尔曼滤波(Transformed Cubature Kalman Filter,TCKF)在不增加计算量的前提下,解决了容积卡尔曼滤波(Cubature Kalman Filter,CKF)的非局部采样问题,滤波性能优于CKF.提出一种量测噪声自适应平方根TCKF(Adaptive-Square Root...     

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.     

均方根嵌入式容积卡尔曼滤波

传统容积卡尔曼滤波(CKF)的基础是三阶球面-径向容积准则,该准则不仅要求计算n维超球体上的面积分,还需将容积准则与扩展高斯-拉盖尔准则配合使用,不易推导出高阶CKF滤波算法.此外,CKF推导所采用的三阶球面容积准则也存在缺陷,这极大地限制了CKF的滤波精度.为避免以上问题,本文基于嵌入式容积准则和均方根滤波技术,提出一种加性噪声环境下,用于非线性动态系统状态估计的全新容积卡尔曼滤波算法-三阶均方根嵌入式容积卡尔曼滤波(SICKF).SICKF具有滤波精度高、数值稳定性强等诸多优点,适用于动态目标跟踪、非线性系统控制等.仿真结果表明,SICKF的滤波精度显著优于传统的非线性滤波算法.     

基于SRCKF 的自适应高斯和状态滤波算法

针对非线性非高斯离散动态系统中的状态估计问题,基于高斯和递推关系,提出一种高斯和状态估计算法GSSRCKF.首先将状态噪声、观测噪声及滤波初值均表示为高斯和的形式,以平方根容积卡尔曼滤波为子滤波器分别估计各高斯子项对应的系统状态;然后结合各子项对应的权值实现全局估计;最后设计高斯子项对应权值的自适应策略,并采用约简控制法降低计算复杂度.仿真结果验证了所提出的算法在滤波稳定性方面的优越性.     

无模型容积卡尔曼滤波及其应用

提出一种融合高斯过程回归(GPR)的无模型容积卡尔曼滤波(MF-CKF)方法.容积卡尔曼滤波(CKF)是一种新的非线性高斯滤波方法,比无迹卡尔曼滤波(UKF)更具优势.为了克服建模不准确时容积卡尔曼滤波精度下降问题,通过将高斯过程回归引入到容积卡尔曼滤波之中,对训练数据学习建立系统非线性模型,从而有效地避免模型不准确造成的滤波性能下降.仿真结果验证了无模型容积卡尔曼滤波在系统模型不准确情况下的优越性.     

基于极大后验估计的自适应容积卡尔曼滤波器

针对标准的容积卡尔曼滤波器(CKF) 设计需要精确已知噪声先验统计知识的问题, 提出一种自适应CKF 算法. 该算法在滤波过程中, 利用Sage-Husa 极大后验估值器对噪声的统计特性进行在线估计和修正, 有效地提高了CKF 的估计精度和数值稳定性. 在某些情况下, 噪声协方差估计会出现异常现象使得滤波发散, 进而提出了相应的改进方法. 仿真结果表明了自适应CKF 算法的可行性和有效性, 且明显改善了标准CKF 算法的滤波效果.     

快速对角阵权系数协方差交叉融合容积卡尔曼滤波器

针对互协方差信息未知的多传感器系统,本文提出了一种快速对角阵权系数协方差交叉融合算法(FDCI).本文首先提出了一种对角阵权系数协方差交叉融合(DCI)方案,并证明了所提出DCI算法在融合估计精度上高于经典批处理CI融合(BCI)算法.在此基础之上,针对非线性等复杂的互协方差未知的多传感器系统,提出FDCI算法,并证明了所提出FDCI算法的无偏性及鲁棒精度. FDCI融合算法虽然在融合估计精度上低于DCI,但FDCI无需进行多权系数的非线性代价函数的优化问题,进而大大降低了计算负担,提高了系统的实时性.最后,结合容积卡尔曼滤波算法(CKF)提出了快速对角阵权系数协方差交叉融合容积卡尔曼滤波算法.仿真实例验证了所提出算法的正确性和有效性.     

交互式容积卡尔曼滤波及其应用 交互式容积卡尔曼滤波及其应用

针对非线性系统模型参数未知情况下的状态估计问题, 提出一种融合极大后验估计的交互式容积卡尔曼滤波算法(InCKF). 该算法利用二阶斯特林插值公式和无迹变换对非线性函数的近似思想, 实现对模型未知参数的确定, 从而使滤波算法摆脱对模型参数精确已知的依赖, 并通过容积卡尔曼滤波算法完成状态估计和量测更新. 仿真结果表明, 相比于经典的参数扩维方法, InCKF 算法具有更高的精度和更强的数值稳定性.

     

基于奇异值分解的鲁棒容积卡尔曼滤波及在组合导航中的应用

为了提高GPS/INS 组合导航系统对异常观测值的鲁棒性, 引入??∞ 滤波思想提出一种新的非线性鲁棒滤波. 分析H_∞ 鲁棒容积卡尔曼滤波中不同约束水平对滤波结果的影响, 指出在一定范围内当约束水平越小时, 系统的鲁棒性越强, 但容易造成Riccati 不等式无解, 导致滤波发散. 采用奇异值分解代替容积卡尔曼滤波中的Cholesky 分解, 改善了滤波的稳定性, 放宽了??∞ 鲁棒容积卡尔曼滤波器对约束水平的要求. GPS/INS 组合导航实验验证了该滤波方法的正确性和优越性.

     

基于容积卡尔曼滤波的神经网络训练算法

针对现有的利用非线性滤波算法对神经网络进行训练中存在滤波精度受限和效率不高的缺陷, 提出一种基于容积卡尔曼滤波(CKF) 的神经网络训练算法. 在算法实现过程中, 首先构建神经网络的状态空间模型; 然后将网络连接权值作为系统的状态参量, 并采用三阶Spherical-Radial 准则生成的容积点实现神经网络中节点连接权值的训练. 理论分析和仿真结果验证了所提出算法的可行性和有效性.