Kalman滤波抗野值方法研究

在Kalman滤波应用过程中,观测值的野值是影响滤波效果的重要因素。当观测中含有野值时,破坏了Kalman滤波新息的原有特性,从而造成估计不准,滤波精度下降。本文提出了修正Kalman滤波新息的方法,使修正后Kalman滤波新息能够保持修正前的新息特性。仿真结果表明,本文提出的方法可有效地抑制观测中的野值对系统滤波的不利影响。     

基于自适应Kalman滤波的ADS-B数据抗野值方法

在对ADS-B数据的实际滤波过程中,观测值中的野值是影响滤波效果的重要因素。分析野值对滤波以及数据处理精度的影响,以"新息"为基础,将基于"当前"统计模型的卡尔曼滤波算法用于数据处理,通过对自适应Kalman滤波方法中增益矩阵的改进,提出野值辨识和剔除方法。仿真计算表明,该方法性能可靠,简单易行,可以有效地消除野值对滤波的不良影响,提高滤波的精度。     

基于UKF的自适应野值剔除算法

在基于RSSI信号的无线定位系统中,由于外界环境中各种存在随机干扰噪声,使得采样到的RSSI信号往往具有非线性、不稳定等特点,很大程度上偏离了其真实值,它直接影响了定位系统的定位精度。为了提取RSSI信号的真实值,提出一种基于UKF的自适应野值剔除算法,它根据信息来修正其预测值和增益,可以实时对动态观测数据中的野值进行检测和剔除。并通过与UKF算法对比仿真实验,matlab仿真结果表明,使用改进算法对RSSI信号进行滤波处理,提取的RSSI信号值更接近其真实值,收敛速度更快,误差更小,稳定性更好, 可以有效地剔除野值信号,并抑制了野值信号对滤波的影响。     

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。     

一种抗野值的Kalman跟踪滤波器

在Kalman滤波目标跟踪的应用过程中,观测值中的野值是影响滤波效果的重要因素.分析了野值对Kalman滤波的影响机理,从滤波算法的原理和工程实践的实际出发,提出了一种野值判别和处理方法.仿真计算表明,该方法性能可靠,简单易行,可以有效地消除野值对滤波的不良影响,提高滤波的精度.     

Kalman滤波抗野值方法研究

在Kalman滤波应用过程中 ,观测值中的野值是影响滤波效果的重要因素。当观测中含有野值时 ,破坏了Kalman滤波新息的原有特性 ,从而造成估计不准 ,滤波精度下降。本文提出了修正Kalman滤波新息的方法 ,使修正后的Kalman滤波新息能够保持修正前的新息特性。仿真结果表明 ,本文提出的方法可有效地抑制观测中的野值对系统滤波的不利影响     

抗野值的航迹数据Kalman滤波

由于受到干扰或自身稳定性等因素的影响,在试飞中雷达或光电经纬仪会出现连片野值,影响测试数据的准确性。为此,采用基于Bayes定理的抗野值Kalman滤波算法,根据测量误差建立了受污分布模型,得到后验概率,据此确定预报方差的权值,以降低连片野值的影响。经仿真试验和飞行试验验证,该方法稳定有效,实时性强。已经应用在试飞测试工作中。     

一种提高无迹卡尔曼滤波精确度的方法

无迹卡尔曼滤波是通过确定性采样,以无迹变换为基础,用卡尔曼线性滤波框架而建立起来的,对非线性系统有很好的滤波效果,但当噪声的影响较大时,精确度将会减低。为解决上述问题,提出了一种提高无迹卡尔曼滤波(UKF)精确度的方法,它将观测噪声和系统噪声引入到采样点中,对噪声进行对称采样处理,同时改进了算法过程,增加了无迹卡尔曼滤波的抗干扰性,与常规无迹卡尔曼滤波(UKF)相比,不仅保持了系统的稳定性,而且提高了精确度,最后通过仿真进行了验证。     

Kalman滤波的抗野值修正

分析了动态测量系统中异常数据对Ｋａｌｍ ａｎ 滤波的不利影响．提出了一组具有良好容错能力的修正型滤波算法．该滤波算法既可以充分利用正常新息确保滤波的精度,又可以有效拟制异常新息的不利影响提高滤波估计可靠性,达到对故障数据的容错能力．最后,通过仿真计算验证了该算法的有效性．     

Kalman滤波的抗野值修正

分析了动态测量系统中异常数据对Kalman滤波的不利影响.提出了一组具有良好容错能力的修正型滤波算法.该滤波算法既可以充分利用正常新息确保滤波的精度,又可以有效拟制异常新息的不利影响提高滤波估计可靠性,达到对故障数据的容错能力.最后,通过仿真计算验证了该算法的有效性.     

一种基于SR-UKF的FastSLAM算法

标准FastSLAM算法存在着粒子集退化和线性化误差累积的缺陷。针对上述问题,提出了基于平方根无迹卡尔曼滤波(SR-UKF)的FastSLAM算法。SR-UKF选取一组能够代表状态向量统计特性的代表点带入非线性函数处理后重新构建出新的统计特性;使用SR-UFK取代EKF来估计每个粒子的后验位姿提议分布,可以提高粒子采样精度,减缓粒子集的退化;同时SR-UKF可以确保协方差矩阵的非负定,保证了SLAM算法的稳定性。仿真实验结果表明,基于SR-UKF的FastSLAM算法在估计精度和鲁棒性两方面均优于FastSLAM 2.0算法。     

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。     

基于无迹卡尔曼滤波传感器信息融合的车辆导航算法

针对复杂道路条件下车辆的导航问题,将全球定位系统(GPS)与车载终端传感器系统相结合,提出了基于多传感器系统的车辆精确定位模型,并针对扩展类卡尔曼滤波易产生突发性误差而导致的安全问题,采用基于Sigma点的无迹卡尔曼滤波器(UKF)传感器信息融合算法。根据实时的道路状况和车辆自身的运动状态给出符合要求的状态估值,实验与基于多项式扩展卡尔曼滤波车辆传感器信息融合算法在精度和效率方面进行了比较,结果表明,基于UKF传感器信息融合的算法在复杂路况下的估计精度和运行效率都有显著提高,能够根据当前的路线情况和车载传感器的反馈信息快速地估计出车辆的运动状态,实时计算出动态的车辆控制输入。     

一种改进中心差分卡尔曼滤波方法

针对中心差分卡尔曼滤波（CDKF）跟踪时估计精度较低这一不足,提出了一种基于迭代测量更新的中心差分卡尔曼滤波（ICDKF）方法。本文将迭代滤波理论引入到中心差分卡尔曼滤波算法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该算法与扩展卡尔曼滤波（EKF）、中心差分卡尔曼滤波（CDKF）的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,迭代中心差分卡尔曼滤波（ICDKF）算法不仅具有无需计算Jacobian矩阵的优点,而且具有更高的估计精度。     

带随机量测时滞和随机丢包的改进无迹卡尔曼滤波

经典卡尔曼滤波要求量测值可实时获取,且仅适用于线性系统.然而,在工程实际应用中,系统多为非线性系统,量测值也会发生滞后或者丢失等现象,此时经典卡尔曼滤波已不适用.因此,本文针对一类带有随机量测一步时滞和随机丢包的非线性离散系统的状态估计问题,用两个满足伯努利分布的独立随机变量来描述随机量测一步滞后和随机丢包的现象.当量测丢失时,用量测值的一步预测值来代替零输入进行补偿.在此基础上应用正交投影理论和无迹变换的方法提出了一种改进的无迹卡尔曼滤波算法.最后,通过仿真例子验证在考虑随机量测一步时滞和随机丢包的情况下,所提出的改进算法相比于经典无迹卡尔曼滤波算法具有更高的精度.     

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。     

导弹跟踪中的卡尔曼与不敏卡尔曼滤波

卡尔曼滤波是在线性高斯情况下利用最小均方误差准则获得目标的动态估计,但在实际系统中,许多情况下观测数据与目标动态参数间的关系是非线性的。对于非线性滤波问题,至今尚未得到完善的解法。本文采用了两种方法来进行滤波:一种是将观测变量进行坐标系变化,使量测方程线性化,然后直接进行线性卡尔曼滤波;另一种方法是直接采用非线性滤波方法的不敏卡尔曼滤波。对仿真导弹轨迹的仿真结果显示,第一种方法在本系统中优于第二种方法。     

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.     

四元数扩维无迹卡尔曼滤波算法及其在大失准角快速传递对准中的应用

针对快速传递对准中量测失准角为大角度的情况,在非线性欧拉角误差模型基础上,推导了一种基于乘性四元数的等效快速传递对准模型.为解决四元数在无迹卡尔曼滤波（UKF）算法中的应用问题,提出了一种基于四元数的状态扩维无迹卡尔曼滤波（Q--AUKF）算法.该算法将系统噪声增广到状态向量中,解决了乘性四元数噪声无法进行向量意义下四则运算的问题.针对四元数加权均值规范化的限制,采用平均四元数算法保证其正交规范化要求.最后将其应用到快速传递对准中的仿真实验结果表明,在量测误差角为大角度的情况下,该算法具有更高的估计精度与收敛速度.