光电跟踪系统非线性新息自适应卡尔曼滤波算法

为解决非线性部分状态卡尔曼滤波算法中由于线性化误差所导致的滤波精度下降问题,提出采用UT变换方法计算系统状态误差方差,及基于新息自适应调整系统噪声方差,进而构成一种新的非线性自适应部分状态卡尔曼滤波算法,并总结出详细算法结构.同时,将此方法应用到非线性测量光电跟踪系统中,并与U卡尔曼滤波和非线性部分状态卡尔曼滤波进行性...     

一种新的自适应非线性卡尔曼滤波算法

为避免由于系统噪声统计特性不准确所导致的滤波性能下降问题,改进了一种基于新息的系统噪声方差调整方法,并将其与扩展卡尔曼滤波、Unscented 卡尔曼滤波和差分滤波相结合,形成自适应非线性卡尔曼滤波.将此方法应用到非线性测量光电跟踪系统中,并与采用基本非线性卡尔曼滤波进行性能对比.仿真实验结果证明该方法可以实时调整系统噪声方差,有效地避免由于系统噪声统计特性不准确所带来的滤波性能下降的问题,而且其性能明显优于基本非线性卡尔曼滤波.     

基于二阶转换测量Kalman滤波的目标跟踪算法(英文)

为了减小传统跟踪滤波算法线性化误差,提高光电跟踪系统的跟踪速度和跟踪精度,本文在三维空间中,提出了二阶去偏转换测量卡尔曼滤波算法.该算法利用二阶泰勒展开的方法,推导出了光电跟踪系统观测方程的转换测量值误差的均值和协方差矩阵表达式,并对测量误差进行去偏差补偿处理,再经过转换测量卡尔曼滤波,可显著减小传统滤波算法的线性化误差.仿真结果表明,二阶去偏转换测量卡尔曼滤波(SCMKF)算法的跟踪精度优于非去偏转换测量卡尔曼滤波(CMKF)和扩展卡尔曼滤波(EKF),以及unscented卡尔曼滤波(UKF)算法,并且具 有更快的收敛速度,和采用统计方法的去偏转换测量卡尔曼滤波(DCMKF)的跟踪精度相当,但计算简单,提高了跟踪速度.     

基于反馈线性化的非线性悬架系统振动状态观测

针对悬架系统非线性特性提出反馈线性化卡尔曼滤波算法。基于微分几何理论,通过求解坐标变换,将车辆非线性振动模型变换成可观测标准型,实现系统精确反馈线性化;采用线性卡尔曼滤波算法,针对变换的线性系统设计观测器,通过坐标逆变换获得原非线性系统的状态观测值。仿真结果表明,该算法能提高车辆振动状态观测精度、降低运算量。     

非线性滤波CRLB推导及在目标跟踪中的应用

针对可叠加零均值高斯白噪声的非线性滤波,利用无迹变换,推导出理论上的误差性能下界Cramét-Rao Low Bound(CRLB).在利用光电信号对目标进行纯方位角跟踪中,提出一种次优的非线性滤波算法--距离参数化无迹卡尔曼滤波(RPUKF).仿真中将其和距离参数化扩展卡尔曼滤波(RPEKF)的性能曲线以及理论性能下界做了比较.结果表明,两种次优算法的曲线逐渐逼近理论下界,且PRUKF性能更优.     

基于无迹变换的结构载荷/参数联合识别的GDF法EI北大核心CSCD

结构动态载荷/参数联合识别是近些年结构动力学领域的研究热点,比如EGDF(extended Gillijns-De Moor filter)算法。EGDF算法的思想基于扩展卡尔曼滤波(EKF)的1阶线性化近似来处理系统中的非线性,影响识别精度;考虑到无迹变换(UT)能够有效地处理系统非线性问题,引入无迹变换,应用模态缩减法,将传统GDF(Gillijns-De Moor filter)法进行改进,形成了GDF-UT算法;另外,为了缓解GDF法中的载荷位移识别信号的虚假低频漂移现象,应用应变和加速度测量信号的融合策略拓展GDF-UT算法。以平面桁架结构为数值仿真对象,验证了该算法的有效性,相比于EGDF算法,该算法精度更高。     

基于UKF的简化交互多模型视频图像机动目标跟踪算法

在视频图像运动目标的状态估计与跟踪问题中,常用的扩展卡尔曼(EKF)算法简单、计算量小,但仅适用于弱非线性和弱高斯环境下.本文提出一种基于无迹卡尔曼滤波(UKF)与简化交互多模型(IMM算法相结合的视频图像运动目标跟踪算法,有效地克服了EKF算法在强非线性状态下或对小运动目标跟踪时精度低,容易发散的问题.仿真结果表明,该算法估计和跟踪非线性目标的性能明显优于基于EKF算法,其跟踪精度可达到三阶(泰勒级数展开)精度.     

扩展容积卡尔曼滤波定位技术研究

为提高被动定位技术的精度与环境适应性,本文提出运用一种新的非线性滤波方法—扩展容积卡尔曼滤波算法进行多角度传感器目标定位;它首先利用EMD(经验模态分解)算法对目标的量测噪声协方差矩阵进行估计;然后,将过程噪声协方差和量测噪声协方差融入循环过程;同时,为保持算法的稳定性和正定性,利用求平方根的形式对算法改进。通过对扩展容积卡尔曼滤波与UKF(不敏卡尔曼滤波)算法跟踪目标的结果进行比较,在运算复杂度与UKF相当的前提下,扩展容积卡尔曼滤波算法不仅可以对未知量测噪声情况下的目标进行跟踪,而且显著提高了被动定位的精度。     

基于前向神经网络的非线性时变系统辨识改进EKF算法

为了克服传统扩展卡尔曼滤波算法进行参数估计时可能产生的新数据失效问题,提出了一种改进的扩展卡尔曼滤波(EKF)步骤,然后将改进步骤做为人工神经网络的学习算法用于基于前向神经网络的非线性时变系统辨识。与传统的扩展卡尔曼滤波步骤相比克服了新数据的饱和现象,可以更好地反映系统时变特征。通过一个单变量一般时变非线性系统和一个三自由度非线性时变刚度结构系统算例,仿真验证了新算法在辨识精度和计算量方面的改进特性。     

基于线性化Nataf变换的一次可靠度方法

首先引入等概率边缘变换的基本原理,证明了常用的Rackwitz-Fiessler变换是等概率边缘变换的一次近似形式,将当量正态化原理和线性变换相结合,提出了扩展的Rackwitz-Fiessler变换,并指出其存在的缺点。然后针对Nataf变换的非线性特征,提出了线性化Nataf变换,并将该变换与改进的HLRF算法相结合,给出了基于线性化Nataf变换和iHLRF算法的一次可靠度方法。将Nataf变换、线性化Nataf变换和扩展的Rackwitz-Fiessler变换通过算例进行了对比分析,结果表明:采用线性化Nataf变换的结构可靠度分析结果收敛于采用Nataf变换的计算结果,而采用扩展的Rackwitz-Fiessler变换的计算结果则有较大的误差。     

Estimation Performance for the Cubature Particle Filter under Nonlinear/Non-Gaussian Environments

This paper evaluates the state estimation performance for processing nonlinear/non-Gaussian systems using the cubature particle filter (CPF), which is an estimation algorithm that combines the cubature Kalman filter (CKF) and the particle filter (PF). The CPF is essentially a realization of PF where the third-degree cubature rule based on numerical integration method is adopted to approximate the proposal distribution. It is beneficial where the CKF is used to generate the importance density function in the PF framework for effectively resolving the nonlinear/non-Gaussian problems. Based on the spherical-radial transformation to generate an even number of equally weighted cubature points, the CKF uses cubature points with the same weights through the spherical-radial integration rule and employs an analytical probability density function (pdf) to capture the mean and covariance of the posterior distribution using the total probability theorem and subsequently uses the measurement to update with Bayes’ rule. It is capable of acquiring a maximum a posteriori probability estimate of the nonlinear system, and thus the importance density function can be used to approximate the true posterior density distribution. In Bayesian filtering, the nonlinear filter performs well when all conditional densities are assumed Gaussian. When applied to the nonlinear/non-Gaussian distribution systems, the CPF algorithm can remarkably improve the estimation accuracy as compared to the other particle filter-based approaches, such as the extended particle filter (EPF), and unscented particle filter (UPF), and also the Kalman filter (KF)-type approaches, such as the extended Kalman filter (EKF), unscented Kalman filter (UKF) and CKF. Two illustrative examples are presented showing that the CPF achieves better performance as compared to the other approaches.     

State estimation of a boiler model using the unscented Kalman filter

The state estimation of a 300 MW drum-type boiler is examined, using an unscented Kalman filter to improve estimation accuracy by preserving the nonlinearities of the boiler equations. The boiler is modelled by a system of differential state equations for the dynamics of the circulation loop and another set of partial differential equations for the heat exchangers such as the superheaters, reheater and economiser. These modelling equations are the results of first principle balance equations, which have a form that is unsuitable for the extended Kalman filter method because of errors between the linear and nonlinear propagation of the boiler states and the difficulties in obtaining the Jacobian of the state model for the propagation of model uncertainties. An unscented Kalman filter is used to circumvent this problem as it treats the system model as a black box. Filtering results from simulated plant data are presented to demonstrate the effectiveness of the filter application.     

非线性无序测量无迹滤波在地面跟踪目标指示器的应用

对于多传感器融合系统,在处理中心往往由于通信数据链的失误,出现滞后数据(即无序量测),这对数据不利于融合的正常进行.本文对此提出一种最优和次优的无序量测无迹卡尔曼(UKF)滤波器,基于UT变换,把多步滞后量测转化为等价一步滞后量测,用无序量测直接滤波更新.通过最优、次优UKF滤波器和扩展KF滤波器在不同情况下对地面跟踪目标指示器(GMTI)组合跟踪的无序量测处理作比较,可看出本文所述滤波器提高了非线性条件下的无序量测滤波精度.     

部分加速度测量下结构恢复力与质量非参数化识别方法

传统的基于扩展卡尔曼滤波方法的结构非线性行为识别方法往往要求结构质量以及结构非线性恢复力的参数化模型已知。该研究为解决非线性结构质量,结构参数,非线性恢复力的识别问题,提出了一种两阶段识别方法;为提高计算效率采用遗忘因子扩展卡尔曼滤波算法结合等效线性模型实现结构非线性位置的定位,随后采用无迹卡尔曼滤波算法与恢复力的二重切比雪夫多项式非参数化模型识别结构参数,质量与恢复力。在对一个含形状记忆合金(SMA)阻尼器的多自由度体系的数值模型进行了数值模拟验证的基础上,设计了一个含SMA阻尼器的四自由度框架开展动力试验,验证了所提出方法对结构质量以及恢复力的识别效果。     

水下机动目标跟踪技术研究

水下目标跟踪是海洋国土监视、反潜战等环境下的关键技术。以往的跟踪滤波算法主要基于卡尔曼滤波、扩展卡尔曼滤波等算法,这些方法实现比较复杂,滤波精度不高。最近出现了不敏卡尔曼滤波、粒子滤波、转换瑞利滤波、双多基地跟踪算法等,需要研究这些算法在水下目标跟踪中的性能。总结对比了国内外学者在此领域的研究成果,得出了这些滤波算法在水下目标跟踪中的优缺点。重点论述了纯角度跟踪和非线性滤波算法的发展、在水下目标跟踪中的应用以及多基地声纳跟踪水下目标技术的发展,回顾了机动目标跟踪和多目标数据互联算法。研究表明,非卡尔曼滤波算法能够更高精度地跟踪水下目标,双多基地声纳是今后发展的重点。为今后的研究提供参考。     

Bayesian state and parameter estimation of uncertain dynamical systems

The focus of this paper is Bayesian state and parameter estimation using nonlinear models. A recently developed method, the particle filter, is studied that is based on stochastic simulation. Unlike the well-known extended Kalman filter, the particle filter is applicable to highly nonlinear models with non-Gaussian uncertainties. Recently developed techniques that improve the convergence of the particle filter simulations are introduced and discussed. Comparisons between the particle filter and the extended Kalman filter are made using several numerical examples of nonlinear systems. The results indicate that the particle filter provides consistent state and parameter estimates for highly nonlinear models, while the extended Kalman filter does not.     

EKF和PF算法及其在目标跟踪中的应用

基于贝叶斯滤波的目标跟踪原理,介绍了扩展卡尔曼滤波(Extended Kalman Filter,EKF)和粒子滤波(ParticleFilter,PF)的基本思想和算法实现步骤。在非线性环境下对比分析了EKF算法和PF算法的估计精度,并给出两种方法的适用条件。EKF算法采用Taylor展开的线性变换来近似非线性模型,而PF算法采用一些带有权值的随机样本来表示所需要的后验概率密度。仿真结果表明,在强非线性非高斯环境下,PF算法的跟踪性能远优于EKF算法,当系统非线性强度不大时,EKF算法和PF算法的估计精度相差不大,但PF算法计算复杂,跟踪时间长,实时性差。