双层无迹卡尔曼滤波

针对无迹卡尔曼滤波（Unscented Kalman fllter,UKF）在强非线性系统中估计效果差的问题,提出了双层无迹卡尔曼滤波（Double layer unscented Kalman filter,DLUKF）算法,该算法用带权值的采样点表征先验分布,而后用内层UKF算法对每个采样点进行更新,最后引入外层UKF算法的更新机制得到估计值和估计协方差.仿真结果表明,相比于传统算法,所提的DLUKF算法可以在较低计算负载下获得较高滤波估计精度.     

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.     

带非线性等式约束无迹卡尔曼滤波方法

针对带非线性等式约束的非线性系统的状态估计问题,给出了一种新形式的基于无迹卡尔曼滤波及伪观测手段的处理约束的状态估计方法（SPUKF）。在该方法中原动态系统被虚拟地分离成两个并行的子系统,各时刻的状态估计由基于这两个子系统构建的两套滤波链交替得到。相对于伪观测法中的序贯形式估计器,SPUKF无需事先确定观测及约束的处理次序且能获得更好的估计结果,故可以用来解决序贯方法中观测与约束的处理次序问题。由钟摆运动的实例仿真结果看到,SPUKF不仅有好于序贯形式无迹卡尔曼滤波的估计效果,误差改善比达到22%左右,而且算法运行时间与序贯形式估计器相近。此外,其估计效果还与批处理无迹卡尔曼滤波相当。     

基于高斯分布的多层无迹卡尔曼滤波算法

在传统无迹卡尔曼滤波(UKF) 中对其估计精度和计算效率起关键作用的是采样算法, 即构造具有权重的样本点. 研究表明, 带权样本点匹配随机变量的阶矩越高滤波的精度越高, 如多项式无迹卡尔曼滤波(PUKF), 但通常此类算法的复杂度过高甚至难以求解. 为此, 基于高斯分布结合高阶矩匹配与无迹卡尔曼滤波线性扩张方 法(LUKF), 提出一种兼顾效率和精度的高斯滤波离线算法. 实验结果表明, 所提出算法拥有比UKF 更高的估计精度和比PUKF 更好的计算效率.

     

无迹卡尔曼滤波算法在污水处理BSM1过程中的应用研究

污水处理过程具有多变量、强非线性和强扰动等特性,且系统输入具有随机性,不同天气状况和不同时间段的污水的排量不同.扩展卡尔曼滤波存在估计精度低和鲁棒性差等缺陷,当系统模型参数变化和外界环境噪声较大时,扩展卡尔曼滤波估计性能下滑.将无迹卡尔曼滤波算法应用到污水处理系统中,并与扩展卡尔曼滤波算法相比较,结果显示,无迹卡尔曼滤...     

基于无迹卡尔曼滤波的无人机毫米波波束跟踪算法

针对无人机收发端相对运动导致毫米波窄波束无法实时匹配这一问题,提出一种基于无迹卡尔曼滤波的三维波束跟踪方法。该方法首先将波束的俯仰角和方位角作为系统状态向量,对其进行无迹变换,获得采样点集。而后,根据采样点集计算出状态预测值和测量预测值,并以此为基础,根据计算出的卡尔曼增益更新状态向量,获得状态向量的最优估计值。仿真结果表明,此方法满足了无人机实时波束跟踪需求,有效地提高了三维环境下毫米波窄波束的跟踪精度。     

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。     

基于无迹卡尔曼滤波估算电池SOC

为了实现在线估计汽车动力电池的荷电状态（SOC）,提出了结合神经网络的无迹卡尔曼滤波算法。以Thevenin电路为等效电路模型,建立了状态空间表达式,采用最小二乘算法对模型参数进行辨识。在此基础上,利用神经网络算法拟合电池的荷电状态与模型各个参数之间的函数关系,经过多次实验,确定了神经网络算法的收敛曲线,此方法比传统的曲线拟合精度高。介绍了扩展卡尔曼滤波和无迹卡尔曼滤波的原理,并设计了等效电路模型验证实验、电池的SOC测试实验和算法的收敛性实验。实验结果表明,在不同的工况环境下,该方法估计SOC具有可在线估算、估算精度高和环境适应度高等优点,最大误差小于4%。最后验证了结合神经网络的无迹卡尔曼滤波的算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准确和累计误差的问题。     

导弹跟踪中的卡尔曼与不敏卡尔曼滤波

卡尔曼滤波是在线性高斯情况下利用最小均方误差准则获得目标的动态估计,但在实际系统中,许多情况下观测数据与目标动态参数间的关系是非线性的。对于非线性滤波问题,至今尚未得到完善的解法。本文采用了两种方法来进行滤波:一种是将观测变量进行坐标系变化,使量测方程线性化,然后直接进行线性卡尔曼滤波;另一种方法是直接采用非线性滤波方法的不敏卡尔曼滤波。对仿真导弹轨迹的仿真结果显示,第一种方法在本系统中优于第二种方法。     

迭代无味卡尔曼滤波器

通过对无味卡尔曼滤波器(Unscented Kalman filter,UKF)的误差进行分析,提出了迭代UKF(IUKF)算法.该基本思路是用测量更新后的状态估计去重新对状态量和观测量的一步预测,然后再次应用LMMSE估计子估计状态量的均值和协方差阵,如此多次迭代后的滤波估计输出具有更高的精度和更小的方差,故滤波器表现出更好的一致性.Monte Carlo仿真表明,IUKF主要应用于观测噪声较小的场合,其中的迭代只需进行2～3次即可.     

迭代平方根UKF

针对无迹卡尔曼滤波器（UKF）测量更新方法的不足,提出了一种对UKF 进行迭代测量更新的 方法,用于提高非线性系统状态估计的近似精度．利用平方根UKF 算法确保了迭代UKF 的数值稳定性．理论 分析与实验结果表明,迭代平方根UKF 算法不仅具有无需计算雅可比矩阵的优点,而且具有较高的非线性近 似精度、较强的数值稳定性和较高的运算效率;在相同数量级运算时间的条件下,其估计性能明显优于扩展 卡尔曼滤波器（extended Kalman filter,EKF）、UKF 和迭代UKF 等非线性滤波器．     

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.     

Cubature 卡尔曼滤波与Unscented 卡尔曼滤波估计精度比较

对于不同维数下非线性系统的估计问题,为从常用的Unscented卡尔曼滤波(UKF)和Cubature卡尔曼滤波(CKF)中选取合适的滤波方法,从函数泰勒展开式和数值稳定性上对其进行了分析和比较.由于不同维数下它们捕获函数泰勒展开式高阶项的程度和数值稳定性不同,两者滤波精度出现差异,从而得到了不同维数下滤波方法的选择途径.仿真结果验证了理论分析的正确性.     

基于无极卡尔曼滤波算法的雅可比矩阵估计

在基于图像的机器人视觉伺服中,采用在线估计图像雅可比的方法,不需事先知道系统的精确模型,可以避免复杂的系统标定过程。为了有效改善图像雅可比矩阵的在线估计精度,进而提高机器人的跟踪精度,针对机器人跟踪运动目标的应用背景,提出了利用无极卡尔曼滤波算法在线估计总雅可比矩阵。在二自由度的机器人视觉伺服仿真平台上,分别用卡尔曼滤波器（KF）、粒子滤波器（PF）和无极卡尔曼滤波器（UKF）三种算法进行总雅可比矩阵的在线估计。实验结果证明,使用UKF算法的跟踪精度优于其他两种算法,时间耗费仅次于KF算法。     

加权观测融合非线性无迹卡尔曼滤波算法

针对非线性系统的无迹卡尔曼滤波器(UKF),应用加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.证明了加权观测融合UKF滤波算法与集中式观测融合UKF滤波算法在数值上的完全等价性,因而具有全局最优性.一个带两传感器非线性系统的仿真例子说明了两种融合算法的有效性及等价性.     

自适应快速弱敏无迹Kalman滤波算法

针对现有弱敏无迹Kalman滤波需要代数求解增益矩阵耗时长和不能实时调节敏感性权重的问题,提出一种自适应快速弱敏无迹Kalman滤波算法.该算法在弱敏控制技术的基础上,重新定义弱敏无迹Kalman滤波的敏感性权重矩阵,将状态估计误差对不确定参数的敏感性加入滤波的代价函数,并通过最小化该代价函数得到滤波增益矩阵的解析解,...     

An Improved Dual Unscented Kalman Filter for State and Parameter Estimation

A dual unscented Kalman filter (DUKF) is used to estimate the state and the parameter simultaneously via two parallel unscented Kalman filters. The original DUKF usually has performance degradation as a result of assuming the control inputs of each filter are constant, which usually are disturbance inputs or systematic measurement errors in the control system. An improved dual unscented Kalman filter (IDUKF) with random control inputs and sequential dual estimation structure is derived and applicable to the system in which the parameter is linearly observed and uncorrelated with the state. The accuracy, observability, and computational efficiency of the new filter are discussed. Then, the expansibility of the IDUKF for nonlinear parameter observed substructures is investigated. Finally, two simulation experiments about space target tracking and typical time series filtering are shown. The theoretical analyses and simulation results demonstrate the following. (1) the IDUKF can obtain higher accuracy than the original DUKF and a comparative accuracy with the JUKF (joint unscented Kalman filter) when the state and the parameter are not strongly correlated; (2) the IDUKF has better applicability than the DUKF when the state is correlated with the unknown parameter; (3) when the modeling error is not ignorable, the IDUKF is more robust and more accurate than the JUKF due to lower sensitivity to the modeling error.