一种新的盲自适应拟Newton迭代Kalman滤波MUD检测器

针对ISI、MAI并存情况下码分多址系统盲自适应Kalman滤波算法检测稳定性不足的问题进行了研究,结合Newton迭代法提出了一种适于多径信道下DS-CDMA系统的盲自适应拟Newton迭代Kalman滤波MUD算法。该算法能够在进行状态滤波的同时对未知噪声的统计特性进行在线估计,确保算法能够有效收敛于期望用户提高了检测算法在动态条件下的用户跟踪能力。仿真结果表明,BN-Kalman算法具有更好的收敛性和动态性能。     

基于自适应滤波的MEMS姿态确定方法

针对消费类电子设备对姿态测量系统的需求,本文提出了一种基于MEMS加速度计、陀螺仪和磁强计的九轴姿态确定算法.针对实际系统中传感器量测噪声未知的情况,首先介绍了一种基于矢量观测器的矩阵Kalman滤波姿态确定算法,然后利用残差匹配技术,设计了一种基于残差匹配的自适应滤波方法.论文采用自适应滤波对传感器量测噪声进行估计,并将估计的量测噪声代入线性矩阵Kalman滤波算法,有效解决了线性矩阵Kalman滤波需要准确量测噪声统计信息的缺陷.最后设计了仿真实验验证本文提出的算法,并将其与线性矩阵Kalman滤波算法比较.仿真结果表明,自适应矩阵Kalman滤波的姿态旋转误差角为0.6091°,标准差为0.3009°,能够有效的估计传感器量测噪声,并具有更高的姿态确定精度和稳定性.     

基于DE-Kalman滤波的尾矿库浸润线监测信息处理北大核心CSCD

针对传统Kalman滤波算法中噪声协方差取值固定容易制约滤波性能的缺点,提出一种基于差分进化(DE)算法的Kalman(DE-Kalman)滤波方法。该方法将估计误差的均方根作为适应度函数,利用差分进化算法选择滤波过程中最优的噪声协方差。针对尾矿库浸润线的动态特性,建立了常速和常加速两种机动目标跟踪中常用的系统状态模型,分别用Kalman和DE-Kalman滤波算法进行状态估计,实验结果证明了DE-Kalman滤波算法在浸润线监测信息处理中的有效性。     

线性分式扰动下奇异系统鲁棒滤波递推算法

研究了线性分式扰动下线性奇异系统的状态估计问题, 给出了一种 Kalman 形式的递推滤波算法. 研究表明, 线性分式不确定性可以表示为一系列加性不确定性的交集. 本文讨论了如何寻找保守性最弱的加性不确定性来近似该交集, 并证明了该问题在鲁棒滤波过程中可以转化为凸优化问题. 数值仿真验证了上述算法的有效性. 对于具有结构约束的线性分式不确定性, 该算法的性能优于现有算法.     

激光陀螺漂移数据的自适应Kalman滤波

针对Sage-Husa自适应Kalman滤波算法存在不能同时估计系统过程噪声方差和量测噪声方差的问题,结合激光陀螺漂移数据的特点,设计了2种改进的Sage-Husa自适应Kalman滤波算法:系统过程噪声时变的自适应滤波算法和系统过程噪声与量测噪声统计特性分开估计的并行Sage-Husa自适应滤波算法。仿真结果表明:所述方法改进算法能够有效提高数据精度,且对系统的初值不敏感。     

车用锂离子电池SOC估算算法的研究

针对纯电动汽车的锂离子电池容量损失而导致估算电池电荷状态(SOC)精度降低的问题,本文分析了影响电池容量损失的因素,提出容量修正算法。通过改进电池模型,把电池容量作为状态变量,将电池容量修正算法运用于Kalman滤波算法估计SOC,解决了锂离子电池容量损耗使得误差累积的问题。实验证明,本文提出的基于容量修正的Kalman最优滤波算法提高了SOC估算的精度,并且对初始误差有很强的修正作用,可以保证纯电动汽车锂离子电池的稳定工作。     

自适应Kalman滤波修复六维力传感器下E膜模型误差

为减小动载环境下,噪声信号对六维力传感器测量精度的影响,同时解决因传感器的简化模型误差较大,导致标准Kalman滤波无法获取最优估计的问题,提出一种双因子自适应Kalman滤波算法。算法根据正弦激励力响应和应变之间的关系,建立了下E型膜有色噪声增广状态模型。在标准Kalman滤波的基础上,分析了两种模型误差对滤波效果的影响,采用实时调整状态预测在滤波估计中权重的策略,给出了自适应Kalman滤波准则及递推公式。基于正交性原理和最小二乘法准则,利用三段函数模型构造了双重自适应因子。仿真实例表明,与标准Kalman滤波与强跟踪滤波相比,所提算法具有更好的估计精度和稳定性,能够有效地控制模型误差的影响,从而提高六维力传感器的测量精度。     

自适应Kalman滤波修复六维力传感器下E膜模型误差

为减小动载环境下,噪声信号对六维力传感器测量精度的影响,同时解决因传感器的简化模型误差较大,导致标准Kalman滤波无法获取最优估计的问题,提出一种双因子自适应Kalman滤波算法。算法根据正弦激励力响应和应变之间的关系,建立了下E型膜有色噪声增广状态模型。在标准Kalman滤波的基础上,分析了两种模型误差对滤波效果的影响,采用实时调整状态预测在滤波估计中权重的策略,给出了自适应Kalman滤波准则及递推公式。基于正交性原理和最小二乘法准则,利用三段函数模型构造了双重自适应因子。仿真实例表明,与标准Kalman滤波与强跟踪滤波相比,所提算法具有更好的估计精度和稳定性,能够有效地控制模型误差的影响,从而提高六维力传感器的测量精度。     

随机逼近自适应滤波在捷联惯导系统初始对准中的应用

对于测量噪声方差未知的捷联惯导系统(SINS),采用常规Kalman滤波进行初始对准会造成较大状态估计误差,甚至使滤波器发散。为了解决系统测量噪声方差未知或不确切知道时SINS的误差估计问题,提出一种基于随机逼近的自适应滤波方法。该方法将Robbins-Monro算法与Kalman滤波相结合,通过简化求逆运算,解决了系统观测噪声特性未知情况下SINS的误差估计问题,并提高了算法的数值稳定性。仿真结果表明,该方法能在系统测量噪声方差未知情况下有效实现SINS初始对准。     

基于粒子滤波与线性自回归的故障预测算法

粒子退化是粒子滤波在故障预测应用中存在的主要问题.针对粒子滤波算法样本贫化问题,提出一种基于粒子滤波与线性自回归的故障预测算法.在算法的状态估计阶段,使用混合状态系统模型和粒子滤波算法对系统状态的概率密度函数进行估计,并实时给出故障发生概率;在算法的状态预测阶段,采用线性自回归模型对故障征兆随时间的演化情况进行估计及修正,同时给出剩余使用寿命的概率密度函数.故障预测仿真实验结果证明了算法的有效性.     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

基于立体视觉的非合作航天器相对导航

非合作航天器其没有可交互的传感器,传统的相对导航方法难以满足精度要求。根据非合作航天器相对导航特点,提出一种基于立体视觉的空间非合作目标相对导航算法。方法使用安装在追踪航天器上的立体视觉相机作为测量传感器,实现目标在追踪航天器体坐标系下相对位置的测量。在惯性坐标系下建立航天器相对运动方程,并离散化作为系统的状态方程,利用立体视觉的测量信息作为量测值,在此基础上设计基于卡尔曼滤波(Kalman filter)的两步滤波相对导航算法,实现航天器间相对导航状态的实时估计,仿真结果显示算法实时性、有效性,导航方法收敛速度较快,精度高,满足相对导航要求。     

机动目标跟踪的滤波方法研究

目标跟踪应用中,一类常见的混合估计问题是:目标运动建模在直角坐标系下且是非线性的,同时量测数据由传感器直接获得.通常处理该问题的做法是使用推广卡尔曼滤波器,但效果欠佳.为此,通过将无迹变换(UT)和BLUE算法相结合,提出了一种新型的UT-BLUE滤波器.该滤波器首先利用无迹变换对直角坐标系中的目标状态及其协方差作出预测,然后在保持传感器坐标系(极坐标系)下所固有的量测误差的同时,直接对它们作出更新估计.通过仿真, 将UT-BLUE滤波方法和EKF滤波方法进行比较,表明了该滤波方法的有效性和优越性.     

AR预测模型的IMM跟踪算法

针对LOS/NLOS混合条件下对机动目标的鲁棒跟踪问题,提出一种基于AR预测模型的交互式多模型（Interacting Multiple Model,IMM）跟踪算法（ARIMM）。该算法利用AR预测模型对运动状态建模,针对LOS与NLOS条件下观测噪声的分布不同分别使用无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）和改进的无迹卡尔曼滤波器（Robust Unscented Kalman Filter,RUKF）,通过IMM方法估计出移动台的位置,利用该位置更新AR模型的参数,使AR模型与真实运动状态更加匹配,实现精确跟踪。仿真结果表明,在LOS/NLOS混合条件下,与传统的UKF和RUKF算法相比,该算法对机动目标跟踪的鲁棒性更好。     

固定翼无人机自动着陆的一体化制导控制

本文基于制导控制一体化方法的思想,将滑模变结构控制和自抗扰控制技术结合于动态面控制结构中,提出一种固定翼无人机自动着陆方法.在建立六自由度无人机模型、无人机和目标点间的相对视线角度模型的基础上,在动态面控制框架下加入滑模变结构控制来设计制导控制一体化方法.在此过程中加入自抗扰控制技术,提高了系统对未建模部分、参数的不确定性和外界干扰的鲁棒性,并抑制了滑模变结构控制的抖振.该方法使得无人机在平稳地飞向目标点的同时能够满足着陆视线角度的约束.文中详细论述设计思想和设计方法,最后通过仿真验证说明本文方法的有效性.     

Multiple model target tracking with variable rate particle filters

Fixed rate state space models are the conventional models used to track the maneuvering objects. In contrast to fixed rate models, recently introduced variable rate particle filter (VRPF) is capable of tracking the target with a small number of states by imposing a Gamma distribution on the state arrival times while the object trajectory is approached by a single dynamic motion model. Using a single dynamic motion model limits the capability of estimating the characteristics of maneuvering and smooth regions of the trajectory. To overcome this weakness we introduce an adaptive tracking method which incorporates multiple model approach with the variable rate model structure. The proposed model referred to as multiple model variable rate particle filter (MM-VRPF) adaptively locates frequent state points to the maneuvering regions resulting in a much more accurate tracking while preserving the parsimonious representation for the smooth regions of the trajectory. This is achieved by including a mode variable into the conventional variable rate state vector that enables us to define different sojourn and motion parameters for each motion mode using the multiple model structure. Simulation results show that the proposed algorithm outperforms the conventional variable rate particle filter, fixed rate multiple model particle filter and interacting multiple model.     

LOS/NLOS混合环境中基于交互式多模型的鲁棒目标跟踪

针对视距（line-of-sight, LOS）和非视距(none-line-of-sight, NLOS)混合环境的定位跟踪问题, 提出一种基于扩展H∞滤波（EHF）和扩展卡尔曼滤波(EKF)的交互式多模型(IMM)定位跟踪算法。目标与基站之间的LOS、NLOS传输信道分别用EKF和EHF匹配, 模型间的转换用马尔可夫过程进行描述。Monte Carlo仿真结果表明, 该算法具有较高的定位精度、较好的跟踪稳定性, 且计算时间与基于EKF的IMM算法相当, 具有较好的可实现性。     

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。     

Multiple target tracking based on symmetric measurement equations

An approach to track maintenance in multiple target tracking is presented in terms of measurements which are symmetric functions of target positions. In this approach, the data association problem is embedded in the process of target state estimation so that there is no need to consider possible target/measurement associations. For N targets moving in three-dimensional space, the first-order version of the target state estimator is an extended Kalman filter of dimension 6N. Attention is focused on the case of constant-velocity targets with the number of measurements (of a given coordinate) assumed to be equal to the number of targets     

基于IMM-IKF的无线传感器网络非视距节点定位方法

针对非视距(NLOS)环境下的移动定位问题,提出一种基于交互式多模型-改进卡尔曼滤波(IMM-IKF)的无线传感器网络NLOS节点定位算法.算法在IMM算法框架下估计移动节点位置,采用两个平行的改进卡尔曼滤波算法对多个移动节点候选位置进行滤波处理,通过Markov链实现LOS状态与NLOS状态的转换,根据似然概率对两个滤波结果进行加权融合,从而获得移动目标位置.仿真实验结果表明,所提出算法可以有效抑制NLOS误差,实现精确定位.