相关噪声下非线性滤波及在动力定位中的应用

针对实际系统状态估计具有互相关噪声的情况,研究了互相关噪声下非线性系统状态估计问题.首先基于贝叶斯理论推导出新的互相关噪声下的贝叶斯估计算法.然后使用三阶球面径向基(spherical-radial)规则计算贝叶斯估计中的非线性积分,当噪声互相关时,基于扩展卡尔曼滤波的思想分别计算状态矩阵和观测矩阵的Jacobi矩阵,可得互相关噪声下的容积卡尔曼滤波(cubature Kalman filtering with one-step auto-correlated and two-step crosscorrelated noise,CKF--CCN);当噪声不相关时,可得容积卡尔曼滤波(cubature Kalman filtering,CKF)及其平方根形式(SCKF).最后通过动力定位系统仿真实验,表明提出的CKF-CCN的估计精度要高于SCKF和仅考虑一步互相关的平方根容积卡尔曼滤波(SCKF-CN).     

未知观测噪声时机器人同步定位与地图构建

对未知观测噪声的机器人同步定位与地图构建问题,提出基于神经网络PID自适应学习观测噪声的机器人同步定位与地图构建算法.已知系统噪声为高斯分布,噪声的方差未知,但其真值是在某个有限集合内.设计一个由神经网络PID控制器、观测噪声调整以及中值滤波构成的噪声在线辨识单元.通过自适应在线辨识观测噪声,并进行新息协方差平均值滤波,迭代修正观测噪声协方差,实现机器人同步定位精度的在线提高.实验表明,该算法可降低观测噪声先验信息不足的影响,减小定位误差.     

相关观测融合稳态Kalman滤波器及其最优性

对于带相关观测噪声和带不同观测阵的多传感器系统, 用加权最小二乘 (Weighted least squares, WLS) 法提出了两种相关观测融合稳态Kalman滤波算法. 其原理是用加权局部观测方程得到一个融合观测方程, 它伴随状态方程实现观测融合稳态Kalman滤波. 用信息滤波器证明了它们功能等价于集中式融合稳态Kalman滤波算法, 因而具有渐近全局最优性, 且可减少计算负担. 它们可应用于多通道自回归滑动平均 (Autoregressive moving average, ARMA) 信号观测融合滤波和反卷积. 两个数值仿真例子验证了它们的功能等价性.     

图象相关噪声的模拟产生方法

一种模拟产生图象相关噪声的新方法，通过对白噪声滤波，产生相关噪声。从理论上推导出了相关噪声的自相关函数的解析表达以及滤波器参数与相关噪声的相关长度之间的关系。实验证明采用本方法可以成功地模拟产生图象相关噪声。     

图象相关噪声的模拟产生方法

一种模拟产生图象相关噪声的新方法,通过对白噪声滤波,产生相关噪声.从理论上推导出了相关噪声的 自相关函数的解析表达式以及滤波器参数与相关噪声的相关长度之间的关系E实验证明采用本方法可以成功地模 拟产生图象相关噪声.     

带相关噪声、随机观测滞后和丢失的随机不确定系统的最优线性估值器

对带有限步相关噪声、乘性噪声、多步随机观测滞后和丢失的复杂网络化控制系统,根据相关噪声的步数,分析了噪声和状态、噪声和观测、噪声和新息、观测和新息、状态和新息之间的相关性,给出了相关阵的递推计算公式.利用射影理论,提出了线性最小方差最优线性估值器,包括滤波器、预报器和平滑器.一个网络监测环境下的三容器水箱系统的实例仿真,验证了算法的有效性.     

相关观测融合Kalman估值器及其全局最优性

对于带相关观测噪声和带不同观测阵的多传感器线性离散时变随机控制系统, 用加权最小二乘法(WLS)提出了两种加权观测融合Kalman估值器, 它们包括状态滤波、状态预报和状态平滑. 基于信息滤波器形式下的Kalman滤波器, 证明了在相同初值下, 它们在数值上恒等于相应的集中式观测融合Kalman估值器, 因而具有全局最优性. 但是它们可明显减轻计算负担. 数值仿真例子验证了它们在功能上等价于集中式观测融合Kalman估值器.     

相关噪声条件下的多天线信号合成性能分析

针对多天线信号合成中的相关噪声问题,给出了基于信噪比最大准则的最佳合成权值和合成信噪比,并利用噪声的互相关系数推导了合成增益,分析了相关噪声对合成造成的影响。数值结果表明合成增益只与各路信号间的信噪比之差以及噪声的互相关系数有关。     

有色噪声条件下的目标被动定位算法研究

关于研究反辐射武器目标准确被动定位问题,针对只测角(Bearing only)体制的反辐射导引头测量信号中含有有色噪声会引起定位不准确。为解决上述问题,提出了一种采用观测方程重构思想的适合有色噪声条件下的被动定位滤波算法,并采用三维空间弹道数据开展了上述方法与常规推广卡尔曼滤波(Extended Kalman Filter,EKF)的被动定位精度对比仿真。仿真结果表明,改进方法在有色噪声条件下的被动定位精度明显高于常规EKF,由于并未扩增状态变量维数,计算量没有明显增加,易于实现。     

动态系统白噪声估值器

用现代时间序列分析方法提出了单输入单输出(SISO)动态系统的统一的和通用的白噪声估值器.它包括输入白噪声估值器和观测白噪声估值器,可处理非零均值白噪声、相关白噪声、不稳定和非最小相位系统.对于雷达跟踪系统的仿真例子说明了其有效性和可应用性.     

动态系统白噪声估计理论

本文用时域上的新息分析方法提出了一种统一的和通用的动态系统白噪声估计理论，并给出了处理Ｍｅｎｄｅｌ去卷问题的仿真例子。     

相关噪声干扰环境中认知MIMO雷达波形优化设计

针对相关噪声干扰环境中认知MIMO雷达扩展目标检测的问题,提出基于最大化目标脉冲响应与目标回波之间的条件互信息量的准则,应用通用注水法优化设计波形.给出了最大条件互信息量表达式及噪声干扰协方差矩阵特征值与信号权值对应关系.仿真结果证明,优化信号可合理分配功率,使系统具有更强噪声干扰抑制能力,改善目标检测性能;空间自由度及信号长度对优化信号的影响,对于MIMO雷达实际应用有一定借鉴意义.     

基于量子测量算子的噪声可信度滤波

传统图像去噪方法存在失真问题,造成失真的主要原因有：(1)在去噪的过程中把噪声点的影响分散到其邻域内;(2)对相应点没有判别其是否是噪声点;(3)判别噪声点不准确,将非噪声点误判为噪声点。针对这3个主因给出相应优化方案,通过生成测量算子及噪声可信度确定噪声点及其邻域内的噪声点。仿真实验结果证明,与中值滤波方法相比,该方法具有更强的去噪能力,能够达到防失真的目的。     

在线噪声检测方法及基于声信号的故障诊断技术研究

针对工业现场背景噪声强、波动大,且检测时间受生产节拍限制,机械运转噪声在线检测及故障诊断困难的问题,提出基于背景噪声修正法进行机械运转噪声在线测量,并通过对噪声信号的小波包分解,生成时-频相平面,将其转化为定量描述的布尔型矩阵,再对样本不同时频段进行加权处理后训练形成故障模板.将被测对象的噪声信号与模板进行比较,实现机械故障的诊断.该方法在我们研制开发的主减速器性能试验台上取得了良好的使用效果.     

基于闭环多分配网络重叠的噪声注入校正方法

提出了一种闭环多噪声网络重叠注入的干涉式综合孔径辐射计校正方法,该方法采用多个1?4噪声注入网络闭环重叠来实现1?10噪声注入网络;然后对其鲁棒性分析,分析结果表明在不可分离误差小于1°,正交残余误差小于0.5°,输出测量值随机误差为2%时,通道相位差估计精度不大于2.3°;与开环噪声网络重叠注入法相比,该方法能达到更高的校正精度。     

相关噪声下非线性系统状态与偏差的分离估计算法

将用于零均值、高斯白噪声干扰下的非线性时变随机系统的伪偏差分离估计算法推广到了系统及测量噪声为非零均值高斯白噪声、系统噪声及测量噪声为相关噪声的情形.通过引入"弱化因子"概念,使得状态和偏差估计更加平滑.最后通过数字仿真证实了该方法的有效性.同扩展卡尔曼滤波器相比,其计算量小,且可以准确估计出时变规律未知的随机时变偏差.     

卡尔曼滤波系统和量测噪声自适应估计的关联性

卡尔曼滤波是惯导系统(INS)/GPS组合导航的主要算法之一,Sage-Husa算法是在卡尔曼滤波基础上,为减少系统噪声和量测噪声的不确定性对误差估计的影响而采用的自适应估计方法.对Sage-Husa算法提出了4条改进措施;并通过在3种数据扰动情形下的仿真计算发现,只对一类噪声做自适应估计更容易产生较大的偏差,对系统噪声和量测噪声两类噪声同时做自适应估计,其效果要优于只对一类噪声做自适应估计,把此现象定义为卡尔曼滤波的系统和量测噪声自适应估计的关联性.这个结果不同于一些文献的观点.此项研究对自适应卡尔曼滤波在INS/GPS组合导航的工程化应用有较高的实用价值.     

基于交互式马尔可夫链的可信动态度量研究

可信动态度量为保障可信计算平台的可靠运行提供了重要支撑.根据系统的可靠性、可用性、信息和行为安全性,提出了可信度量要达到的目标.当前的可信度量集中在可信功能度量上,基于交互式马尔可夫链增加性能特征指标度量,即在预期行为描述模型中,运用变迁系统模型描述功能预期,通过将体现在可靠性上的路径概率与预期的关联,获取完成特定行为...