联邦式扩展卡尔曼粒子滤波算法

为了使联邦滤波器能有效处理非高斯、非线性系统的状态估计问题,提出将扩展卡尔曼粒子滤波引入联邦滤波结构中,得到一种新的联邦式扩展卡尔曼粒子滤波算法。使用扩展卡尔曼粒子滤波对联邦滤波子系统的多源数据进行处理,从而摆脱了经典卡尔曼滤波的限制,拓宽了联邦滤波器的实际应用范围。将联邦式扩展卡尔曼粒子滤波算法应用于非线性滤波器的一个标准验证模型进行了仿真实验,结果表明该算法是有效性的。     

基于粒子滤波的非线性目标跟踪算法研究

针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明：在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。     

非高斯噪声下基于Unscented粒子滤波器的非线性系统故障诊断方法

非高斯噪声下非线性系统的故障诊断中,一般是基于粒子滤波器的方法,但普通粒子滤波器通常会发生“退化”现象,严重影响故障的检测和诊断品质。本文通过引入Unscented粒子滤波器方法,利用Unscented变换对随机分布的非线性概率传递能力来产生建议分布,能明显地改善普通粒子滤波器的性能;然后,提出了基于该滤波器的序贯式故障诊断策略,采用负对数似然比方法监控系统的运行状态,故障发后利用状态联合估计器进行故障隔离。计算实例表明,该新方法能实时检测诊断出非线性系统的故障,同时能抑制非高斯噪声的影响。     

基于容积卡尔曼滤波的辅助粒子滤波算法

针对非线性系统的状态估计精度较低的问题,提出基于容积卡尔曼滤波(CKF)的辅助粒子滤波(APF)算法—CAPF算法。该算法采用容积数值积分原则计算非线性函数的均值和方差,生成粒子滤波算法的重要性密度函数,获得所需的带权值粒子,进而计算粒子均值,获得系统状态的最小均方误差估计。CAPF算法由于使用最新的量测信息产生粒子,因而提高了对系统状态估计的逼近程度。仿真结果表明,CAPF算法具有更高的滤波精度,验证了算法的可行性和有效性。     

非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究

针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法. IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明：在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。     

闪烁噪声环境下基于PF的机动多目标跟踪算法研究

为了能够解决非线性非高斯环境中的多目标跟踪问题,提出了一种基于粒子滤波器和联合概率数据关联算法。该算法是在粒子滤波方法的基础上,应用联合概率数据互联的思想计算每个量测值对各个粒子的更新权值,从而获得最终的滤波结果。仿真结果表明,该方法可以同时很好地解决非线性非高斯系统环境下多目标机动性和数据关联问题,具有较好的跟踪性能。     

目标跟踪中两种非线性滤波算法的对比研究

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度.由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度.为了获得更高的估计精度,介绍了两种新的非线性滤波算法,即unscented卡尔曼滤波算法和粒子滤波算法.分析了UKF和PF算法的原理和算法实现,对两种算法的适应性进行了比较.通过目标跟踪仿真实验,表明粒子滤波算法估计精度比UKF算法高,但是计算量却相对较大.     

基于水下地形匹配大姿态误差角捷联惯导系统误差估计方法

传统的基于线性滤波的误差估计方法常采用基于咖角法的捷联惯导系统（SINS）线性误差模型,但当姿态误差角较大时,估计效果不稳定且精度较差。为此,提出了基于无迹卡尔曼滤波（UKF）的误差估计方法。通过建立水下地形匹配辅助导航系统非线性误差模型,以地形匹配和深度压力传感器测量的位置信息和深度作为量测量,设计了扩展状态UKF滤波器,在大姿态误差角下仿真研究了其估计效果。结果表明,在大姿态误差角下,本文所提出的方法可行且具有较好的估计效果,为匹配区内修正捷联惯导系统导航误差提供了参考。     

无味卡尔曼滤波算法分析及其应用仿真研究

无人水下航行器(UUV)进入匹配区时捷联惯导系统(SINS)已积累了一定的误差,采用适当的信息融合策略对误差进行估计和补偿,可提高后续航行精度。通常认为,当系统噪声与量测噪声为加性时,是否将噪声扩展为状态量并不影响无味卡尔曼滤波(UKF)算法性能。针对这种观点,利用变尺度对称集无味变换,在复杂加性噪声模型下,推导并证明了两者的差异,说明了上述观点的不全面性。通过建立水下地形匹配辅助导航系统非线性误差模型,基于扩展状态UKF算法设计了误差估计滤波器,仿真研究其估计效果,并与非扩展状态UKF算法进行对比研究。结果表明,状态扩展有利于提高UKF算法性能,从而证明了理论分析的正确性。     

基于卡尔曼/状态反馈滤波的SINS/DR导航算法研究

针对SINS/GPS组合导航系统在GPS信号出现故障时不能正常工作的问题,提出了利用里程计与SINS组合的导航系统。在分析组合系统数学模型的基础上,设计了基于卡尔曼/状态反馈算法的新型滤波器。该滤波器基于最优控制的思想对卡尔曼滤波算法进行了改进,最终得到误差状态的估计值。仿真结果表明,改进后的卡尔曼滤波算法用于估计导航系统误差能够取得更加满意的效果。     

不完全量测下基于信息一致性的分布式容积卡尔曼滤波算法

针对不完全量测条件下分布式火控系统中的非线性目标跟踪问题,为提高跟踪系统的估计精度并保证各探测单元估计结果的一致性,提出一种基于信息一致性的分布式容积卡尔曼滤波(ICDCKF)算法。针对非线性系统,给出不完全量测下的改进容积卡尔曼滤波。考虑到各探测单元间局部估计信息的相关性,该算法首次将协方差交叉方法应用于非线性一致性滤波算法,提高互协方差未知情形下分布式融合的估计精度。特别地,为确保算法的可行性,给出不完全量测情形下,ICDCKF算法估计结果收敛的条件,并从理论上严格证明在该条件下ICDCKF算法可以保证估计方差的有界性。ICDCKF算法应用于一类光电跟踪网络,与现有CKFI算法、CKF_CI算法、KCF_ Me算法对比分析表明：ICDCKF算法在保证各探测单元估计结果一致性的同时,大幅度提高了跟踪系统的估计精度。     

基于交互式多模型无迹卡尔曼滤波的悬架系统状态估计

为有效解决复杂行驶工况下非线性悬架系统运动状态无法精确获取的难题,实现模型参数不确定以及时变路面激励工况下悬架状态精确估计的目标,开展了悬架系统状态估计研究.在路面激励模型和非线性悬架系统模型的基础上,结合交互式多模型算法与基于马尔可夫链的蒙特卡洛理论,设计了考虑模型参数不确定以及时变路面激励工况下多模型交互无迹卡尔曼...     

基于粒子滤波的混沌系统参数估计和滤波方法

混沌系统的参数估计是混沌系统控制和同步的前提。鉴于混沌系统具有初值敏感性、不能长期预测等特点,提出了一种基于粒子滤波(PF)的混沌系统参数估计和滤波方法,并将其用于Lorenz混沌系统的参数估计和滤波,在叠加噪声情况下对混沌系统进行仿真分析。结果表明,文中提出的滤波方法在估计偏差方面优于基于扩展卡尔曼滤波（EKF）的混沌系统参数估计和滤波方法,对混沌系统的参数估计和滤波是一种有效的方法。     

基于气动参数辨识的飞控系统传感器故障估计

气动参数的不确定性使得飞行器表现出明显的模型时变特点,此类系统的故障诊断问题是一个难点。以无人机纵向运动为研究对象,提出一种基于气动参数辨识和迭代学习的传感器故障估计方案。将增广容积卡尔曼滤波（ACKF）算法用于气动参数估计,实现飞机模型的在线辨识。故障一旦发生,将辨识得到的气动参数用于局部包络建模,并利用迭代学习算法构造传感器故障估计器。此外,为提高故障的迭代收敛速度,提出一种基于扩张状态观测器(ESO)思想的迭代学习算法。故障仿真实验表明了所提方法的可行性和有效性。     

事件触发容积卡尔曼滤波及其在火控探测网络中的应用

为减小传感器网络中各探测单元和融合中心间的数据传输量,设计了基于双重判断准则的事件触发机制,以控制各探测单元到融合中心的数据传输。为得到比已有事件触发融合估计算法更高的估计精度,提出了一种基于所提事件触发机制和平方根容积卡尔曼滤波的非线性融合估计方法。仿真和试验结果表明：所提方法与基于周期传输机制的容积卡尔曼滤波相比,可减小数据传输量;与已有事件触发融合估计方法相比,可在数据传输量基本一致情况下获得更高的估计精度。     

适于无线传感网络目标追踪的一种改进无迹粒子滤波时延差估计算法

在无线传感网络（WSN)中运用基于粒子滤波的时延差估计方法进行目标追踪,其性能的关键是设计精确的粒子滤波器建议分布。为了解决追踪过程中粒子贫化问题,提出了一种基于改进无迹粒子滤波器的时延差估计算法。利用最小二乘法估计目标初始时刻位置,在卡尔曼滤波框架下运用高斯-牛顿迭代法则融合最新观测信息,并引入尺度调节衰减因子不断修正重要性密度函数,从而使建议分布更加逼近真实。将其与时延差定位方法结合,并在WSN环境下进行仿真实验。结果显示,改进的算法在整体粒子数有限的情况下追踪精度更高,收敛性较好,尤其适合环境噪声非高斯的复杂WSN目标追踪应用。     

基于多特征融合与粒子滤波的红外弱小目标跟踪方法

研究低信噪比复杂背景下的红外弱小目标检测和跟踪问题.基于多特征融合的小目标检测算法具有较好的检测性能和适应性,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.结合两种算法的优点,提出了一种基于多特征融合与粒子滤波的红外弱小目标跟踪方法.仿真试验表明,与单特征跟踪算法相比,该算法对复杂背景下的红外弱小目标具有更好的跟踪与检测性能.