平方根递推更新高斯粒子滤波

对于高斯粒子滤波器重要性密度函数（IDF）的构建,递推更新高斯滤波器（RUGF）依据非线性测量函数梯度对目标运动状态进行渐进式的更新,可以有效克服线性最小均方误差准则的限制,从而得到更接近于真实分布的后验状态估计,但在递推过程中目标状态协方差矩阵易非正定而出现递推中断。针对这一问题,该文首先分析了RUGF的平方根实现策略,并借助容积卡尔曼滤波对平方根（SR）RUGF进行具体实现,然后利用SR-RUGF为高斯粒子滤波器选取IDF,进而得到平方根递推更新高斯粒子滤波器。仿真实验表明,本文算法可有效解决递推中断问题,并获得较高精度的估计结果。     

自适应平方根Unscented粒子滤波算法研究

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题,在吸收平方根滤波、自适应滤波和粒子滤波优点的基础上,提出了一种新的UPF算法。该算法由UKF算法得到重要性密度函数,通过自适应因子实时控制动力学模型误差,采用平方根分解法抑制系统状态协方差矩阵的负定性。仿真结果证明,文中所提出的自适应平方根UPF算法,不但适用于非线性、非高斯动态系统的滤波计算,而且能有效地改善滤波性能,提高SINS/SAR组合导航系统的定位精度。     

平方根滤波及其在目标跟踪方面的应用

在主流非线性滤波算法中,诸如扩展卡尔曼滤波和Unscented卡尔曼滤波都包含状态协方差矩阵的传递,这在滤波器更新步骤经常引起协方差矩阵失去正定,从而引发滤波器失效.平方根滤波可以降低这种数值误差的影响.基于协方差更新的Joseph形式,给出一种更简洁的平方根扩展卡尔曼滤波算法.同时将此滤波器和平方根Unscented卡尔曼滤波器应用于再进入飞行器的目标跟踪问题,仿真结果表明这种应用是有效的.     

基于无迹粒子滤波的电网动态谐波估计

提出一种基于无迹粒子滤波(unscented particle filter,UPF)算法的电网动态谐波估计方法.通过无迹卡尔曼滤波算法得到电网动态谐波状态量的估计值和协方差,运用这些结果改进传统粒子滤波算法的重要密度函数,采用粒子滤波算法得到电网动态谐波的最优估计值.该方法克服了无迹卡尔曼滤波算法(unscented Kalman filter,UKF)对噪声要求为高斯分布的限制和传统粒子滤波(particle filter,PF)算法易退化的缺点,保留了UKF对非线性问题的较好处理和PF强抗干扰性能力.仿真结果表明,在高斯噪声和非高斯噪声情况下,UPF算法得到的电网动态谐波幅值、相位的估计值都更接近真实值.     

自适应迭代平方根UKF的单站无源定位算法

针对单站无源定位可观测性弱、收敛速度慢、定位精度差等问题,在结合相位差变化率和多普勒频率变化率定位方法的基础上,提出了一种基于自适应迭代SRUKF的单站无源定位算法,通过使用误差协方差阵的平方根替代协方差阵参与滤波,保证了滤波算法的数值稳定性.在迭代判决准则的约束下,通过对状态及其误差协方差矩阵平方根的自适应迭代估计调整滤波的观测值与状态值之间的权比,使滤波预测值误差协方差阵的平方根更为准确、合理,从而提高算法的稳定性、收敛速度和定位精度.仿真结果验证了新算法的有效性.     

考虑噪声扰动干扰的室内行人跟踪方法

室内环境下行人跟踪常面临光照突变、遮挡及相似颜色特征干扰等问题,为增强这种突变情况下的跟踪稳定性和精确性,提出了一种考虑噪声扰动问题的均方根无迹H∞滤波跟踪方法。首先,在扩展H∞滤波框架内采用无迹变换取代复杂的雅克比矩阵计算,通过高斯密度近似滤波分布,减小观测方程线性近似误差的同时,降低系统模型噪声对估计值的干扰;接着,对目标状态协方差矩阵的均方根进行柯西分解,通过简化矩阵对角运算的方法,降低滤波器的计算消耗,并消弱系统观测噪声对观测值的扰动影响。视频跟踪实验表明：同传统的UKF、EKF和PF非线性方法相比,本文方法有效提升了突变情况下的行人跟踪精度,并降低了时间消耗。     

基于改进BPNN-MPF算法的锂离子电池SoE估计

为了提高锂离子电池能量状态（SoE）估计的准确性,考虑到电流或电压传感器噪声会累积误差,提出了一种基于改进反向传播神经网络（BPNN）与模型预测滤波（MPF）相结合的SoE估计方法。基于一阶RC等效电路模型,采用MPF算法估计电池的SoE,并使用改进BPNN对MPF算法的估计结果进行误差补偿。在NEDC工况下验证了本文方法的准确性。结果表明,与传统MPF算法和BPNN-MPF算法相比,本文方法的SoE估计值能较好地收敛到真实值,且最大绝对误差和均方根误差均在1%以内。     

大规模动态系统的分布式状态估计算法

主要研究离散时间大规模动态系统的分布式状态估计问题。首先,将系统划分为若干个子系统,基于区域内部量测信息和邻居传递的信息,各子系统利用该算法对本地状态进行估计,降低状态变量的维数、算法的计算复杂度和通信压力。该算法独立运行,并且平行运行该算法可以有效减少整体运行时间。通过减弱约束条件,利用数学归纳法证明由该算法得到的估计误差协方差和预测误差协方差矩阵正定。根据系统能观测性秩判据和不等式技巧,证明误差协方差矩阵有上界,并且上界是有界的,保证该算法在应用中的可行性。最后通过仿真研究,验证主要结论。     

INS／GPS紧耦合系统中的模糊自应SRUKF算法

为解决惯性导航系统(INS)与全球定位系统(GPS)紧耦合中标准无迹卡尔曼滤波(UKF)由于计算舍入误差使协方差矩阵负定和实际应用中由于量测噪声时变而严重影响滤波精度的问题,提出了基于模糊控制理论的自适应平方根无迹卡尔曼滤波(NASRUKF)算法.该算法在滤波过程中不是直接计算协方差矩阵,而是计算协方差矩阵的平方根,从而可以保证协方差矩阵的非负定性;然后根据实时得到的量测信息的实际方差与理论方差的比值,通过设计的模糊控制系统(FCS)实时调整量测噪声矩阵.实验表明:该算法对时变的噪声具有很好的自适应性,相比于UKF算法具有更高的精度并使得系统具有更高的稳定性和鲁棒性.     

基于深度置信网络和高斯混合模型的电压暂降频次评估

持续时间是电压暂降的重要特征量,在进行电压暂降频次评估时需要对其进行有效预测。传统方法在对电压暂降持续时间进行估计时通常以获取保护动作信息作为先验条件,然而实际评估过程中保护信息可能未知,其应用范围受限。提出了一种基于深度置信网络和高斯混合模型的电压暂降频次评估算法。在保护动作信息未知的条件下,基于电压暂降监测数据和线路故障运维检修记录,通过高斯混合模型拟合线路故障概率分布,利用深度置信网络推测电网不同位置发生短路故障时电压暂降持续时间。结合故障点法,估计了目标节点发生相应幅值和持续时间电压暂降的频次。IEEE-30节点系统的仿真结果验证了所提方法的有效性和实用性。     

基于P-Q解耦变换的智能电网状态估计算法

针对传统的电力系统状态估计算法存在计算精度低,运算时间成本高的问题,提出了一种基于P-Q解耦变换的电力系统状态估计算法.该算法将支路功率量测、负荷量测与电压电流幅值量测进行解耦.保留解耦后的非线性迭代表达式,得到变换后的功率表达式,并完成状态估计的优化计算. IEEE标准节点系统的测试计算结果表明,所提出的算法能够适用于不同网络拓扑结构的研究,并可以满足计算精度和计算时间的要求.     

基于移位协方差矩阵Otsu算法的信源数目估计

针对阵列信号处理中信号源数目估计的问题,提出了一种基于移位协方差矩阵的Otsu类间方差法。与协方差矩阵相比,移位协方差矩阵克服了噪声自相关过程中零位极大值的影响,提高了协方差矩阵的信噪比,移位协方差矩阵的信号特征值与噪声特征值差别更为明确,更有利于信源数目的估计。由于零均值且独立同分布噪声的移位协方差理论值为0,所以移位协方差矩阵针对零均值独立同分布α稳定分布噪声同样具有较强的抑制能力。利用Otsu类间方差法对移位协方差矩阵的特征值进行分类,可以更加明确地区分信号特征值与噪声特征值。理论分析和仿真实验结果均表明,基于移位协方差矩阵的Otsu类间方差法具有比传统信源数估计方法更好的估计性能。     

自适应平方根中心差分卡尔曼滤波算法在捷联惯性导航系统大方位失准角初始对准中的应用

提出了一种自适应平方根中心差分卡尔曼滤波(ASRCDKF)算法,并应用于捷联惯性导航系统(SINS)大方位失准角初始对准中。ASRCDKF算法以中心差分变换为基础,基于平方根滤波能够克服发散的思想,利用协方差平方根代替协方差参加递推运算,并将自适应估计原理引入该算法中,不仅克服了扩展卡尔曼滤波产生线性化误差和计算雅可比矩阵的不足,而且减小了计算量,保证了数值稳定性。同时,ASRCDKF算法解决了传统滤波算法过度依赖系统动态模型和噪声统计特性先验知识的问题。最后通过滤波仿真证明了ASRCDKF算法在SINS大方位失准角初始对准中的有效性和优越性。     

基于迭代CDKF的单站无源定位算法

针对单站无源定位系统存在滤波稳定性差、收敛速度慢和定位精度差等问题,提出一种迭代中心差分卡尔曼滤波算法.在迭代判决准则的约束下,重复利用观测信息对状态向量和误差协方差矩阵进行迭代估计使其更趋向真实值,同时用Levenberg-Marquardt优化方法调整预测误差协方差阵,保证算法的全局收敛.仿真结果表明,在不同参数测量精度条件下,该算法稳定性、收敛速度和定位精度较好.     

面向全生命周期的锂电池健康状态估计

为研究锂电池在动态工况下以及全生命周期内健康状态的准确估计问题,提出一种基于固定充电电压片段的方法.选取充电过程中某固定电压片段内所充电量作为电池容量估算的等效健康因子,利用遗传算法选择最优的充电电压片段,在两类锂电池老化实验数据的基础上,设计放电电流不同、健康状态区间不同的8个验证算例.实验结果表明:8个验证算例中,训练集电池和测试集电池健康状态估计的平均绝对误差与均方根误差均低于1.55%;所提出的基于等效健康因子的方法,在100%～60%的全寿命健康状态区间,对于不同的放电电流、不同材料的电池,均能进行健康状态的准确在线估计,具有较强的适用性.     

基于改进的平方根中心差分卡尔曼滤波的单站无源定位算法

针对单站无源定位可观测性弱、收敛速度慢、定位精度差等问题,推导出了一种带次优渐消因子的平方根中心差分卡尔曼滤波算法。在正交原理的约束下,通过引入自适应次优渐消因子实时调整增益矩阵,保证不同时刻残差序列相互正交,提高了滤波器对状态变化的反应速度和对有偏估计的自适应修正能力。同时,使用误差协方差的平方根替代协方差参与滤波,保证滤波算法的数值稳定性。仿真结果表明,新算法稳定性更好、收敛速度更快、定位精度更高。     

空间非平稳噪声环境下的DOA估计新算法

针对环境噪声为白噪声而阵元噪声为空间非平稳的情况,文中提出了一种加性色噪声环境下的DOA估计新算法,该算法可以有效估计出加性色噪声相关矩阵,通过利用估计的噪声协方差矩阵对阵列数据相关矩阵进行预白化处理,克服了空间非平稳噪声对空间谱估计的影响误差,进而实现色噪声环境下DOA精确估计,理论分析和仿真结果均表明所提方法的有效性.     

一种高斯型非线性迭代更新滤波器

针对高斯型非线性滤波器在大初始偏差条件下性能下降、甚至发散的问题,提出了一种新的非线性滤波算法,即迭代更新扩展卡尔曼滤波器（iterated update extended Kalman filter,IU-EKF）。首先,该算法在EKF框架下,将传统的一步量测更新在伪时间上分为多步进行,采用部分增益将当前量测信息逐步地引入量测更新过程实现对状态的后验估计;其次,由于多步量测更新过程引入了每一步的过程噪声,因此将量测噪声与每一步更新后的状态估计误差之间的互协方差代入误差协方差矩阵,再利用此误差协方差矩阵的迹对标准卡尔曼增益矩阵求导并令结果为零,以导出噪声相关条件下的最优卡尔曼增益矩阵表达式;最后,根据后验量测残差自适应地调整迭代更新次数,在保证一定滤波精度的前提下,降低了算法的计算量。以2维目标跟踪问题为例,在大初始偏差条件下,通过仿真实验将本文算法分别与EKF、IEKF、UKF、CKF算法进行对比,并针对不同迭代次数对滤波精度的影响进行对比分析。仿真结果表明：本文算法较EKF大幅提高了滤波估计精度,且在大初始偏差条件下,本文算法性能优于现有经典高斯假设滤波器。同时,当迭代次数按1、2、5、10、20递增时,本文算法的滤波精度也随之提升,但提升幅度逐渐减缓。     

有丢包的随机不确定参数系统的最优融合滤波

研究了有数据丢包的带随机不确定参数的多传感器系统的分布式最优(线性最小方差)融合滤波问题。首先,引入虚拟噪声,将原系统转化为等价的参数确定的有丢包的新系统。然后,进行状态扩维,得到新系统的各子系统的扩维状态的滤波估计、滤波误差方差和滤波误差互协方差。根据扩维状态与原系统状态的关系,求出原系统状态的各局部滤波估计、滤波误差方差和滤波误差互协方差。利用线性最小方差意义下的矩阵加权最优融合算法,得到原系统的分布式矩阵加权最优融合滤波器。理论分析和仿真算例都表明,融合滤波器优于每一个局部滤波器。     

一种高斯-重尾切换分布鲁棒卡尔曼滤波器

为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heavy-tailed switching distribution based robust Kalman filter, GHTSRKF)。首先,通过自适应学习高斯分布和一种重尾分布之间的切换概率将噪声建模为GHTS(Gaussian-heavy-tailed switching)分布,所设计的GHTS分布可以通过在线调整高斯分布和新的重尾分布之间的切换概率来对非平稳重尾噪声进行建模,具有虚拟协方差的高斯分布用于处理协方差矩阵不准确的高斯噪声。其次,引入两个分别服从Categorical分布与伯努利分布的辅助参数将GHTS分布表示为一个分层高斯形式,进一步利用变分贝叶斯方法推导了GHTSRKF。最后,利用一个仿真场景对几种不同的RKFs(robust Kalman filters)进行了对比验证。结果表明,所提出的GHTSRKF算法的估计精度对初始状态的选...