星载GPS低轨卫星定轨算法仿真研究

在对Kalman滤波在星载GPS低轨卫星定轨的研究中,由于系统和观测方程均为非线性,在线性化过程中引入线性化误差造成滤波发散现象,以及由于截断误差使得定轨精度差的问题,因此将平方根UKF方法应用于天基GPS低轨卫星定轨中,为提高定轨精度、速度及定轨稳定性。利用UT变换良好的期望及方差传递特性,无须对系统方程及观测方程进行线性化,避免了传统的EKF算法由于线性化引入的误差,同时平方根滤波方法有效地克服了协方差阵非正定问题。仿真结果表明,在相同条件下比EKF有效地抑制了滤波发散,且提高了定轨精度。     

改进的非线性鲁棒EKF算法及其应用

非线性系统由于噪声统计的不确定性,经常使得常规扩展Kalman滤波器滤波误差放大,甚至引起滤波发散,为此提出了一种采用虚拟噪声的补偿方法,对时变的噪声统计进行在线估计且加以补偿,提高了非线性滤波的鲁棒性。以星载GPS定轨为研究对象,应用该方法进行滤波定轨,结果表明,方法具有滤波稳定性和定轨结果的精确性。     

自适应Kalman滤波器在水下被动目标跟踪中的应用

在水下被动目标跟踪系统中，直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差，提出了一种修正极坐标系下的自适应卡尔曼滤波算法，对虚拟噪声进行估计，动态补偿模型线性化误差，消减系统的观测误差．对其滤波理论及算法进行了研究和仿真。仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡尔曼滤波算法。     

高精度组合导航系统仿真

以车载捷联惯导系统SINS与全球定位系统GPS的组合导航系统为研究对象,为了解决常规卡尔曼滤波器在非线性时变系统中由于线性化误差导致滤波发散的问题,将UKF算法引入到SINS/GPS组合导航系统。UKF同时适用于线性系统和非线性系统,且不需要对噪声的统计特性精确已知。通过建立SINS/GPS组合模型,对其进行了MATLAB仿真。对比常规卡尔曼滤波器与UKF算法的滤波效果可知,UKF算法提高导航解的精度和收敛速度,同时系统的鲁棒性也得到了提高。     

基于IMM-UKF的纯方位机动目标跟踪算法

针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

用神经网络估计模型误差的预测滤波算法

针对时不变非线性系统,提出一种用神经网络进行模型误差估计的预测滤波算法．该算法用寻优的方法离线获得与当前状态和下一步输出测量相对应的模型误差估值,并作为样本训练神经网络;实际滤波中,用训练好的神经网络进行模型误差估计．该方法与原预测滤波算法相比没有动态过程,不会因为滤波器初始误差太大而振荡或发散,且稳态精度与计算步长无关．通过对一个二阶非线性系统的仿真验证了神经一预测滤波器的优越性。     

自适应卡尔曼滤波在目标跟踪系统中的应用

目标跟踪是精确制导系统中的重要组成部分.文中针对运动目标跟踪问题,在建立运动模型的基础上,应用卡尔曼滤波算法进行了跟踪仿真研究.考虑到直角坐标系下的扩展卡尔曼滤波容易发散,可能导致滤波精度变差,所以文章提出一种针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器.直角坐标系下的自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测器模型的线性化误差,削减了系统的观测误差,并对其滤波理论及算法进行了仿真研究.结果表明:该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法.     

被动目标自适应跟踪算法仿真研究

针对纯方位被动目标跟踪中，直角坐标系下的扩展卡尔曼滤波器容易发散，而导致滤波精度很差，该文提出了一种直角坐标系下的自适应卡尔曼滤波算法，对虚拟噪声进行估计，动态补偿观测模型线性化误差，消减系统的观测误差，并对其滤波理论及其算法进行了研究和仿真。仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡卡尔曼滤波算法，收到了良好的效果。     

一种改进型残差约束渐消采样滤波器

非线性系统的状态方程和观测方程不准确时,非线性自适应采样滤波器的滤波精度将偏离真实值:严重时将引起滤波器的发散,得到完全虚假的滤波值,失去了滤波原本的意义.为减小线性化误差对非线性系统状态估计的影响,本文采用采样滤波器中的UKF(Unscented Kalman Filter)方法对非线性系统进行高精度滤波.同时深入研究UKF的自适应渐消记忆策略,以增强对建模误差的鲁棒性和对突变状态的跟踪能力,提高状态估计的精度和快速性.本文针对上述滤波方法进行改进,并通过一个非线性系统滤波仿真试验.证明其有效性.     

组合大视场星敏感器卫星自主定轨中太阳摄动

目前,国际上卫星自主轨道确定已受到了极大的关注,卫星定轨向高精度、高自主性方向发展.自主定轨方法多种多样,获取定轨信息的方法与自主定轨测量设备紧密联系在一起.就组合大视场星敏感器卫星自主定轨方法,建立了太阳引力摄动下的广义卡尔曼滤波模型,且进行了计算机仿真;通过对不同初始轨道高度情况的计算机仿真,给出了太阳引力对卫星轨道的影响;通过对东方红三号(DFH-3)卫星进行仿真和结果对比,说明了该自主定轨方法、所建滤波模型和算法的有效性.     

基于无味卡尔曼滤波的多雷达方位配准算法

将无味卡尔曼滤波（Unscented Kalman filter，UKF）应用于雷达配准，提出一种新的多雷达方位配准算法。在该算法中，目标的运动状态和方位误差由选定的采样点来近似，在每个更新过程中，采样点随着状态方程传播并随非线性测量方程变换，得到目标的运动状态和方位误差的均值，避免了对非线性方程的线性化，且具有较高的计算精度。与传统的扩展卡尔曼滤波（Extended Kalman filter，EKF）方法进行了仿真比较，结果表明UKF方法能有效地克服非线性跟踪问题中很容易出现的滤波发散问题，且估计精度高于UKF方法。     

The Study of Improving Kalman Filters Family for Nonlinear SLAM

When Extended Kalman Filter is used to solve the SLAM problem of a nonlinear system, the linearization error will lead to severe estimation error or even make the method to be divergent. After analyzing the linearization principle of Kalman filters family, two improved methods are suggested to decrease the linearization error. These two methods improve posterior estimation accuracy by revising the observation-update step. Simulation results indicate that the two methods are feasible. The method named ‘Mean Extended Kalman Filter’ performs much better than EKF and UKF for nonlinear SLAM. And the iterated version of EKF and UKF even falls behind MEKF in estimation accuracy. In addition, MEKF is computationally efficient. With a view to both estimation accuracy and computational complexity, MEKF seems to be the best filter of the Kalman filters family for nonlinear SLAM. Experiments are carried out with ‘Car Park Dataset’ and ‘Victoria Park Dataset’ to evaluate the performance of MEKF based SLAM solutions. And the experimental results validate the effectiveness of MEKF in real SLAM applications.     

一种基于改进型Logistic映射的混沌信号估算跟踪方法

虽然无先导卡尔曼滤波(UKF)技术在性能上要优于一阶线性化的扩展卡尔曼滤波(EKF)技术,但是对于改进型Logistic混沌映射的扩频通信系统,UKF运算时间长,算法复杂。针对上述缺点以及改进型Logistic映射的泰勒展开式最高项为二阶的特点,提出将二阶EKF运用到接收系统中,该接收系统能精确到泰勒展开式的二阶,达到与UKF相同的性能。相比UKF的复杂算法更加简单,运算速度也更快。仿真实验表明,虽然二阶EKF与UKF的误码率相同,但在运算速度与复杂度方面均优于UKF。     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

基于DSP的电动汽车锂电池荷电状态估算的研究与实现

锂电池荷电状态(SOC)的准确估算是电动汽车能源管理的关键技术。为了提高锂电池SOC的估算精度,将无迹卡尔曼滤波(UKF)应用于锂电池SOC估算,以减小拓展卡尔曼滤波(EKF)简单线性化带来的误差。搭建电池检测系统的硬件平台,以TMS320F28335型数字信号处理器(DSP)为主控芯片(MCU),实现电压、电流、温度的检测及UKF算法,并设计了相关的电池测试实验。实验结果表明,UKF可以实时估算锂电池SOC,估算误差在4%以内,高于传统的拓展卡尔曼滤波(EKF)。     

基于UKF滤波的WSN节点定位研究

无迹卡尔曼滤波(UKF)模拟系统的后验概率密度函数,避免了扩展卡尔曼滤波(EKF)中引入的较大线性化误差的缺陷.本文提出了一种基于加权最小二乘法(WLSE)和UKF的无线传感器网络(WSN)节点定位算法.算法采用TOF测距技术测量未知节点到信标节点的距离,利用加权最小二乘法估算未知节点的初始位置,并采用UKF滤波对节点进行精确定位,同时与EKF滤波结果进行比较.相关分析结果表明,算法在TOF测距基础上,将加权最小二乘法和UKF滤波结合,可以较大提高节点的定位精度.     

Extended state space recursive least squares

A new extended state space recursive least squares (ESSRLS) algorithm is proposed for state estimation of nonlinear systems. It is based on state space recursive least squares (SSRLS) approach and uses first order linearization of the system. It inherits the capability of obtaining state estimate without knowledge of process and measurement noise covariance matrices (Q and R respectively). The proposed approach is considered to provide new design option for scenarios where noise statistics and system dynamics vary. ESSRLS is initialized using delayed recursion method and a forgetting factor λ is employed to optimize the performance. The selection of λ can be problem specific as shown through experimental validations. However a value closer to and less than unity is generally recommended. Theoretical bases are validated by applying this algorithm to problems of tracking a non-conservative oscillator, a damped system with amplitude death and a signal modeled by mixture of Gaussian kernels. Simulation results show an MSE performance gain of 20 dB and 23 dB over extended Kalman filter (EKF) and unscented Kalman filter (UKF) while tracking van der Pol oscillator without knowledge about noise variances. The computational complexity of ESSRLS falls within that of EKF and UKF.     

基于UKF的GPS/DR组合导航非线性状态估计

GPS／DR组合导航系统是一个非线性系统,以往采用的扩展卡尔曼滤波算法EKF使得函数的整体特性被局部特性所代替,加上噪声的存在使系统的性能进一步下降。为了获得更好的状态估计性能,用无迹卡尔曼滤波算法UKF（Unscente dKalman Filter）实现组合导航系统的非线性状态估计,避免了EKF方法的线性化近似过程,提高了算法的收敛速度和载体的定位精度。仿真结果表明：在非线性状态估计中,UKF滤波方法优于EKF滤波方法。