区间系统的离散鲁棒Kalman滤波

着重研究区间系统的鲁棒滤波问题.通过等价变换,将区间系统转换为对应的矩阵范数不确定系统,并据此导出区间系统的鲁棒滤波算法.该算法为一离散验后(a posteriori)滤波算法,它能保证区间系统的滤波误差有界.理论分析和实际计算结果表明,本算法能达到比验前(a priori)滤波小得多的滤波误差的方差上界.     

用偏差分离估计的鲁棒Kalman滤波算法

本文针对带模型误差系统,利用偏差分离估计提出了一种鲁棒Kalman滤波算法,并给出了该算法的渐近稳定条件。仿真结果表明本文算法是有效的。     

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.     

离散系统状态和参数鲁棒滤波分离算法

提出了一种离散系统的鲁棒分离滤波方法.为了对状态向量进行较准确估计,将鲁棒滤波器分为:1)零误差状态估计器;2)不确定矩阵估计器;3)鲁棒合成器.零偏差状态估计器是假定系统的不确定部分为零时的状态估计器;其新息作为不确定部分的估计变量,并由此估计系统的不确定部分;最后,根据系统不确定部分估计误差的上下界,用鲁棒合成器对状态向量的估计值进行鲁棒修正.为了在合成器中得到鲁棒滤波的逼近计算式,通过变换状态估计误差的协方差阵,得到了系统矩阵不确定部分的误差上界不等式逼近,并且得到了估计误差协方差阵逆阵的下界不等式逼近,从而给出了鲁棒合成滤波的完整算法.     

具有测量数据丢失的离散不确定时滞系统鲁棒Kalman滤波

研究了具有测量数据丢失的离散不确定时滞系统鲁棒Kalman滤波问题, 其中时延存在于系统状态和观测值中. 模型的不确定性通过在系统矩阵中引入随机参数扰动来表示, 测量数据丢失现象则通过一个满足Bernoulli分布且统计特性已知的随机变量来描述. 基于最小方差估计准则, 利用射影性质和递归射影公式得到一个新的滤波器设计方法, 并且保证了滤波器的维数与原系统相等. 与传统的状态增广方法相比, 当时延比较大时, 该方法可以有效降低计算量. 最后, 给出一个仿真例子说明所提方法的有效性.     

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．     

一种基于滤波参数在线辨识的鲁棒自适应滤波器

针对一类未建模动态和扰动下的非线性随机系统的状态估计问题,提出了一种基于滤波参数在线辨识的鲁棒自适应滤波器.该算法通过极小化状态估计误差的方差同时正交化相邻时刻的滤波残差,在线辨识状态预报误差和滤波残差的协方差,实现了对未建模动态和扰动的自适应动态补偿,因此对未建模扰动具有很强的鲁棒性.仿真中研究了一个非线性随机时滞系统,其参数存在缓变和突变,时滞会多次跳变,量测噪声发生了均值漂移和方差突变.算法对时滞和参数的联合估计效果令人满意.     

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.     

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。     

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。     

基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法

对于非线性系统而言,容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法是处理状态估计问题的一种有效方法,并且其在高斯噪声下可以获得良好的估计性能。然而,当噪声被重尾噪声污染时,其性能通常会急剧下降。为解决此问题,将Huber方法应用于CKF框架中,取代了传统的最小均方误差（Minimum Mean Square Error,MMSE）准则,以提高算法的鲁棒性。在所提算法中,通过将量测方程线性化构造了线性回归模型,并采用固定点迭代的方法求解基于Huber方法的最小化问题。因此,推导了基于固定点迭代的Huber鲁棒CKF（FP-IHCKF）算法,在该算法中先验信息和量测信息通过Huber方法进行了重构。通过对再入目标跟踪问题进行仿真,验证了所提算法的有效性和鲁棒性。     

基于抗差自适应容积卡尔曼滤波的超紧耦合跟踪方法

为降低基于单一调节回路的超紧耦合结构存在的反作用影响,设计了一种基于双回路的超紧耦合结构.基于此,为解决所设计结构中跟踪环路的非线性滤波问题,针对测量异常误差和动力学模型误差,提出了一种基于抗差自适应容积卡尔曼滤波(Robust adaptive cubature Kalman filter,RACKF)的超紧耦合跟踪算法.该算法采用稳健M估计调整容积卡尔曼滤波 (Cubature Kalman filter,CKF)算法,对观测量中粗差的影响“程度”进行探测和处理,以减小观测量异常误差产生的影响,同时利用自适应调节因子对算法进行调节修正,以处理动态扰动误差引入的影响.实验结果表明: 所提出的方法能有效地处理模型不准确所引入的误差,较好地实现全球定位系统(Global positioning system,GPS)卫星信号的高精度和稳定跟踪,其跟踪性能远优于基于单一回路的跟踪方法,同时优于基于无迹卡尔曼滤波(Unscented Kalman filter,UKF)和基于CKF的跟踪方法,提升了导航系统在高动态条件下的适应性能.     

Robust Ensemble Kalman Filter Based on Exponential Cost Function

This paper provides an alternative point of view to the robust estimation technique for nonlinear non Gaussian systems based on exponential quadratic cost function. The proposed method, named the risk sensitive ensemble Kalman filter (RSEnKF), is based on the ensemble Kalman filter (EnKF) which may be thought of as a Monte Carlo implementation of the Kalman filter for nonlinear estimation problems. The theory and formulation of the RSEnKF are presented in this paper. The proposed method is superior to the extended risk sensitive filter (ERSF) and the quadrature based risk sensitive filters in terms of estimation accuracy, and is faster than the risk sensitive particle filter (RSPF).     

确保状态估计性能的离散时间鲁棒Kalman滤波器

讨论了一类具有不确定噪声的离散时间线性系统的鲁棒Kalman滤波器的设计思想和方法.文中给出确保估计误差性能指标的不确定噪声协方差矩阵的扰动上界,并在此界限内采用最坏情况下最优滤波器实现对状态的估计,它不仅能极小化不确定下的最坏性能,而且还能确保估计误差性能指标达到给定的某个自由度.     

一种基于修正卡尔曼滤波的蜂窝定位算法

在蜂窝网络中,非视距(Non-line-of-sight,NLOS)误差是影响定位精度的关键因素.本文以卡尔曼滤波和Greenstein模型为基础,通过判决鉴别出NLOS误差,借助其均值修正卡尔曼预测过程中产生的异常新息,直接消除NLOS误差,再利用多项式平滑滤除测量误差,重构到达时间(Time-of-arrival,TOA)测量值;接着对卡尔曼滤波的量测矩阵进行修正,用重构的测量值对移动台精确定位.仿真结果表明,该算法能够有效地抑制NLOS误差,提高NLOS传播环境下的定位精确度,在一定程度上满足了E-911的定位需求.     

基于Kalman滤波的地图匹配方法

地图匹配方法利用电子地图的地理数据对GPS定位数据进行校正,可有效提高定位数据的精度。本文首先采用最近点估计方法计算道路垂直方向的GPS误差,对该误差采用Kalman滤波方法获得GPS偏差估计,以此偏差估计修正GPS测量值并进行地图匹配。实验表明利用该方法可将定位数据准确地匹配到道路上,使匹配后的定位精度得到提高。     

A Discrete-Time Robust Extended Kalman Filter for Uncertain Systems With Sum Quadratic Constraints

This technical note outlines the formulation of a novel discrete-time robust extended Kalman filter for uncertain systems with uncertainties described in terms of Sum Quadratic Constraints. The robust filter is an approximate set-valued state estimator which is robust in the sense that it can handle modeling uncertainties in addition to exogenous noise. Riccati and filter difference equations are obtained as an approximate solution to a reverse-time optimal control problem defining the set-valued state estimator. In order to obtain a solution to the set-valued state estimation problem, the discrete-time system dynamics are modeled backwards in time.      

分簇传感网络系统两级鲁棒观测融合Kalman滤波器

研究了分簇传感网络分布式融合Kalman滤波器.根据最邻近原则将传感网络分成簇,每簇由传感节点和簇首组成.应用极大极小鲁棒估计原理,基于带噪声方差最大保守上界的最坏保守系统,对带不确定性噪声方差的分簇传感网络系统提出了两级鲁棒观测融合Kalman滤波器.当传感器数量非常多的时候它可以明显减小通信负担.在鲁棒性分析中利用Lyapunov方程方法证明了局部和融合Kalman滤波器的鲁棒性.提出了鲁棒精度的概念,并证明了局部和融合鲁棒Kalman滤波器之间的鲁棒精度关系.证明了两级加权观测融合器的鲁棒精度等价于相应的全局集中式鲁棒融合器的鲁棒精度,并且高于每个局部观测融合器的鲁棒精度.一个仿真例子说明上述结果的准确性.     

故障检测滤波器鲁棒性设计新方法

针对航空发动机动态过程中由于模型误差造成故障检测误报的问题,采用参数变化率法建立航空发动机动态线性变参数(LPV)数学模型反映发动机动态特性,同时结合全维非线性未知输入观测器,利用特征结构配置实现故障检测滤波器对于被控对象模型误差和系统不确定性因素的干扰解耦.通过某型涡扇发动机控制系统传感器故障检测仿真表明,减小残差信号与故障信号之间的误差,提高了残差信号对模型误差和未知输入信号的鲁棒性,对发动机过渡过程中故障检测准确度高,实时性好.