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。     

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。     

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。     

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。     

基于加性无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于加性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。用无迹卡尔曼滤波进行雷达目标跟踪。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。     

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。     

一种基于改进UPF的运动声阵列交互多模型目标跟踪方法

针对运动声阵列在有色噪声环境中的非线性滤波跟踪实时性问题,提出一种基于改进粒子滤波的交互式多模型目标跟踪(IMM-IUPF)方法.该方法采用最小斜度单形无迹变换结合变尺度无迹变换的 Sigma点选取策略,对标准无迹粒子滤波(UPF)进行改进,大幅缩减UPF样本选取计算量;将改进的UPF与交互式多模型(IMM)相结合,通过定义自适应增益修正系数,弥补样本点缩减造成的精度降低问题;最终通过与传统的基于IMM的粒子滤波(IMM-PF)和基于IMM的无迹粒子滤波(IMM-UPF)进行Matlab数值仿真对比验证所提出算法的实用性.     

抗野值强跟踪Kalman滤波在风场估计中的应用

由于受周围环境干扰和传感器短暂性失效等因素的影响,无人机风场测量数据中包含较大野值或成片野值,影响测量数据的准确性.根据无人机测风的特点,结合Kalman滤波算法、强跟踪滤波算法和抗野值修正算法的优点,通过对滤波发散趋势的分析,提出上述滤波算法的使用条件,构造了一种抗野值抑制发散滤波算法,并进行了实验论证.实验结果表明:该算法能有效克服野值对滤波造成的不良影响,具有良好的抗野值能力、跟踪能力,保证了滤波精度,可适用于无人机风场测量.     

基于超球面采样UDUTUKF算法的炮弹姿态测定

针对炮弹发射时冲击性高、惯性飞行和飞行时间短的特点,提出一种基于超球面采样的UDUT无迹卡尔曼滤波算法(SS-UDUTUKF),估算炮弹运行姿态。针对炮弹运动规律的特殊性,建立系统的线性状态方程和非线性量测方程,采用三个微机电加速度计作为惯性测量单元测量比力矢量。采用UDUTUKF算法估计非线性系统的状态,抑制滤波的发散,提高滤波的稳定性。SS-UDUTUKF滤波算法具有很好的数值稳定性,能防止估计误差方差阵失去非负定性和对称性,可有效的抑制由于计算舍入误差而造成的滤波不稳定的问题。在三轴飞行测试转台上的仿真实验表明该算法具有很高的估算精度,满足炮弹姿态实时测定的要求。     

改进的Unscented Kalman滤波算法

为了提高UKF的运算效率,本文分析了UKF中各参数对滤波效果的影响,给出了一种系统状态转移矩阵为线性变换时UKF的优化算法,并证明了本算法的正确性。针对野值影响UKF精度的缺陷,本文提出了使用新息判断野值是否存在的检测方法。对于野值存在的情况首先剔除野值,然后根据已经得到的滤波状态应用最小二乘法对当前状态进行预测估计,对于野值不存在的情况直接使用UKF滤波,最后推导了使用最小二乘法拟合野值存在时估计的合理性,从而证明了这种方法可以极大地提高UKF抗野值的能力。本文最后用具体的仿真实例说明了最小二乘法与UKF相结合算法消除野值的有效性。     

自适应粒子滤波在卫星紫外导航中的应用

基于紫外敏感器的自主导航系统是典型的非线性和噪声非高斯分布的系统,针对扩展卡尔曼滤波(EKF)和Unscented 卡尔曼滤波(UKF)不适于噪声非高斯分布的系统,和一般粒子滤波缺乏在线自适应调整能力等问题,提出了将基于正交性原理的自适应强跟踪滤波器(STF)和UKF相融合作为重要密度函数,应用于基于紫外敏感器自主导航粒子滤波器新方法,通过UKF构造粒子群,对粒子群中的每一个粒子的每一个sigma点用STF进行更新,使得算法的鲁棒性增强,有极强的对突变状态的跟踪能力,具有强的自适应能力.为了说明算法的有效性,结合模拟的轨道数据和测量数据进行了仿真,仿真结果说明了所提算法的有效性.     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

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。     

Fault detection and identification—A filter investigation

This paper develops a new active fault‐tolerant control system based on the concept of analytical redundancy. The novel design presented here consists of an observation filter–based fault detection and identification system integrated with a nonlinear model predictive controller. A number of observation filters are designed, integrated with the nonlinear controller, and tested before reaching the final design, which comprises an unscented Kalman filter for fault detection and identification together with a nonlinear model predictive controller to form an active fault‐tolerant control system.     

A skewed unscented Kalman filter

State estimation of nonlinear systems is a challenging task, especially when the Gaussian approximation fails. The unscented Kalman filter was proposed to deal with state estimation of nonlinear systems. We modify the traditional unscented Kalman filter to capture the third-order moment (skewness) of the state vector. Methods are also proposed to reduce the computation time of the suggested approach, and showing that the proposed algorithm is as fast as the unscented Kalman filter. Simulation results confirm that the method is better than, or at least as good as, the unscented Kalman filter.     

Unscented Kalman filter for continuous‐time nonlinear fractional‐order systems with process and measurement noises

This study proposes the design of unscented Kalman filter for a continuous‐time nonlinear fractional‐order system involving the process noise and the measurement noise. The nonlinear fractional‐order system is discretized to get the difference equation. According to the unscented transformation, the design method of unscented Kalman filter for a continuous‐time nonlinear fractional‐order system is provided. Compared with the extended Kalman filter, the proposed method can obtain a more accurate estimation effect. For fractional‐order systems containing non‐differentiable nonlinear functions, the method proposed in this paper is still effective. The unknown parameters are also discussed by the augmented vector method to achieve the state estimation and parameter identification. Finally, two examples are offered to verify the effectiveness of the proposed unscented Kalman filter for nonlinear fractional‐order systems.     

基于无迹卡尔曼滤波的被动多传感器融合跟踪

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.     

Algorithm of gaussian sum filter based on high-order UKF for dynamic state estimation

In this work we consider the state estimation problem in nonlinear/non-Gaussian systems. A new version of Gaussian sum estimation algorithm is developed here based on high-order unscented Kalman filter (HUKF). A sigma point selection method, high-order unscented transformation (HUT) technique is proposed for the HUKF, which can approximate the Gaussian distributions more accurately. We present the systematic formulation of Gaussian filters and develop efficient and accurate numerical integration of the optimal filter. We then go on to extend the use of the HUKF to discrete-time, nonlinear systems with additive, possibly non-Gaussian noise. The resulting filtering algorithm, called the Gaussian sum high-order unscented Kalman filter (GS-HUKF) approximates the predicted and posterior densities as a finite number of weighted sums of Gaussian densities. It is corroborated in the theoretical analysis and the simulation that the proposed Gaussian sum HUKF has integrated advantages with respect to computational accuracy and time complexity for nonlinear non-Gaussian filtering problems.     

基于交互式多模型的不敏卡尔曼概率假设密度滤波算法

针对非线性高斯场景下目标数目未知或随时间变化的机动多目标跟踪问题, 提出一种基于交互式多模型的不敏卡尔曼概率假设密度滤波算法.首先, 在高斯混 合概率假设密度滤波框架下, 结合不敏卡尔曼滤波中状态预测和量测更新的实现机理, 构建一种不敏卡尔曼概率假设密度滤波器; 然后, 通过引入交 互式多模型方法中状态模型软判决机制, 实现对目标机动过程中运动模式不确定的处理; 最后, 通过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.