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...     

电视跟踪系统的复合控制延迟卡尔曼滤波算法

为解决电视跟踪系统中由于脱靶量滞后存在降低系统跟踪精度的问题,在电视跟踪等效复合控制系统中提出了一种改进的卡尔曼滤波算法--电视跟踪延迟卡尔曼滤波算法,以对脱靶量滞后信号进行补偿.并在电视跟踪等效复合控制系统中对该算法进行了仿真实验.实验结果证明:①该算法在电视跟踪等效复合控制系统中是有效的;②该算法比以往的无延迟卡尔曼滤波算法和脱靶量延迟补偿滤波算法更有效地改善了速度预测误差,减小了跟踪误差,从而提高了电视跟踪系统的跟踪精度.     

雷达光电测速无偏转换误差分析及数据融合

为改善雷达光电跟踪系统目标运动参数估计性能,提出了一种考虑测速无偏转换的数据融合算法。基于雷达多普勒径向速度量测与光电跟踪系统角速度信息,推导了测速信息在笛卡尔坐标系下的无偏转换量测,分析了转换后量测噪声的统计特性,给出了基于解耦序贯更新滤波的数据融合算法。仿真表明,本文方法改善了目标运动参数估计精度,提高了速度分量估计误差收敛速度,研究结果亦可为航迹起始、目标威胁度初判提供参考。     

电视跟踪系统的复合控制延迟卡尔曼滤波算法

为解决电视跟踪系统中由于脱靶量滞后存在降低系统跟踪精度的问题,在电视跟踪等效复合控制系统中提出了一种改进的卡尔曼滤波算法——电视跟踪延迟卡尔曼滤波算法,以对脱靶量滞后信号进行补偿．并在电视跟踪等效复合控制系统中对该算法进行了仿真实验．实验结果证明：①该算法在电视跟踪等效复合控制系统中是有效的;②该算法比以往的无延迟卡尔曼滤波算法和脱靶量延迟补偿滤波算法更有效地改善了速度预测误差,减小了跟踪误差,从而提高了电视跟踪系统的跟踪精度．     

直角坐标系下的水下被动目标跟踪自适应卡尔曼滤波算法

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，导致滤波精度很差的情况，文章中提出了一种直角坐标系下自适应卡尔曼滤波算法，对虚拟噪声进行了估计，动态补偿观测模型的线性化误差，削减系统的观测误差，并对其滤波理论及其算法进行了研究和仿真，结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡尔曼滤波算法。     

卡尔曼滤波器在光电经纬仪中的应用

为了解决光电经纬仪电视跟踪系统脱靶量滞后对控制系统跟踪精度及稳定性的影响，将预测滤波技术应用到光电跟踪系统中，提出了极坐标下卡尔曼滤波算法，目标模型采用等速运动并附有时间相关的随机加速度，增加了延时补偿。仿真结果表明，跟踪误差减小，当跟踪目标从视场消失时，控制系统按照预测的目标信息跟踪。     

光电跟踪的非线性卡尔曼滤波算法

为得到最小方差意义下的光电跟踪目标的最优状态估计,提出将部分状态卡尔曼滤波和非线性系统的一阶线性化思想相结合,构成一种适用于非线性光电跟踪目标的卡尔曼滤波算法,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,并与扩展卡尔曼滤波和U卡尔曼滤波进行性能对比.仿真实验结果证明,将部分状态卡尔曼滤波和非线性系统的一阶线性化思想相结合是有效可行的,而且其性能明显优于扩展卡尔曼滤波和U卡尔曼滤波.     

基于自适应因子化 H∞滤波的单站无源跟踪

针对单站无源跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题,提出了一种基于自适应因子化 H∞滤波的单站无源跟踪算法.该算法利用 sigma 点转换和鲁棒 H∞滤波能够减小观测方程的线性化误差和降低观测误差不确定性的特点,通过新息控制减小野值对滤波的干扰,利用比例因子和渐消因子自适应调整采样点到中心点的距离和状态预报误差的协方差,从而克服基于 UT 变换的 H∞滤波采样时的非局部效应问题,增强了单站无源跟踪系统对噪声的鲁棒性.仿真实验结果表明,本文方法通过对 UT 变换进行简化,在自适应因子化的同时,算法的计算量与基于 UT 变换的 H∞滤波基本持平,且跟踪精度优于基于 UT 变换的 H∞滤波算法.该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法.     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

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的问题，提出了一种修正极坐标系下的自适应卡尔曼滤波算法，对虚拟系统噪声进行估计，动态补偿模型线性化误差，对其滤波理论及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，优于一般的扩展卡尔曼滤波算法．     

多传感器模糊融合跟踪算法

针对集中式融合结构跟踪系统,利用随机逼近算法分析了权值的最优分配原则,提出了一种基于模糊推理的多传感器融合跟踪算法。该算法采用协方差匹配技术,依据滤波新息,动态调整测量噪声方差,使融合系统的均方误差始终最小。同时利用双滤波器结构,根据系统方差,实现滤波器间的动态切换,提出了基于模糊推理的并行双Unscented卡尔曼滤波自适应跟踪算法,增强当前统计模型对弱机动目标的适应能力。针对机动和非机动飞行航路进行了算法仿真,结果表明,在时变测量噪声条件下,采用模糊融合跟踪算法前后的速度均方根误差分别为45.7m/s和36.2m/s, 18.7m/s和9.6m/s,提高了多传感器系统的稳健性和跟踪精度。     

转换观测卡尔曼滤波算法中转换统计量的一种改进计算方法

为了改进转换观测卡尔曼滤波算法的性能,提出了一种计算转换观测误差统计量(均值和协方差)的改进方法.有两组信息可用于计算这些统计量,即观测值和滤波器的一步预测值.首先,推导了滤波器球坐标状态一步预测误差的均值和协方差.然后,利用滤波器球坐标状态一步预测值更精确地计算了转换观测误差的统计量.最后,将改进的转换观测误差统计量...     

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。     

水声传感器网络移动节点定位技术

针对水声传感器网络的移动节点定位问题,首先研究了基于距离测量值的多边定位方法(Multilateral Localization,ML);然后利用节点运动信息,提出采用扩展卡尔曼滤波(Extended Kalman Filter,EKF)进行跟踪的方法;最后针对水下移动节点的测量值不同步问题,提出了修正扩展卡尔曼滤波(Modified Extend Kalman Filter,MEKF)以改进EKF的精度。仿真分析结果表明,MEKF的定位精度要好于EKF,而EKF和MEKF由于其用到了节点的运动信息,因此其定位精度要远好于ML。     

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.     

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。     

非线性Kalman滤波器在纯方位被动跟踪中的应用

目标运动分析(简称TMA)是用于估计水下目标时变状态最主要的技术之一。应用了两种非线性滤波器——EKF和UKF来估计单/双基地情况下的目标运动状态,并由蒙特-卡洛仿真给出其跟踪性能。数值结果表明:在大部分情况下,特别是当目标存在机动时,UKF在估计精度和数值稳定性上都要好于EKF,其代价仅是少量地增加了的计算复杂度。     

Modeling and state of charge estimation of lithium-ion battery

Modeling and state of charge(SOC) estimation of lithium-ion(Li-ion) battery are the key techniques of battery pack management system(BMS) and critical to its reliability and safety operation.An auto-regressive with exogenous input(ARX) model is derived from RC equivalent circuit model(ECM) due to the discrete-time characteristics of BMS.For the time-varying environmental factors and the actual battery operating conditions,a variable forgetting factor recursive least square(VFFRLS)algorithm is adopted as an adaptive parameter identification method.Based on the designed model,an SOC estimator using cubature Kalman filter(CKF) algorithm is then employed to improve estimation performance and guarantee numerical stability in the computational procedure.In the battery tests,experimental results show that CKF SOC estimator has a more accuracy estimation than extended Kalman filter(EKF) algorithm,which is widely used for Li-ion battery SOC estimation,and the maximum estimation error is about 2.3%.     

Kernel Entropy Based Extended Kalman Filter for GPS Navigation Processing

This paper investigates the kernel entropy based extended Kalman filter (EKF) as the navigation processor for the Global Navigation Satellite Systems (GNSS), such as the Global Positioning System (GPS). The algorithm is effective for dealing with non-Gaussian errors or heavy-tailed (or impulsive) interference errors, such as the multipath. The kernel minimum error entropy (MEE) and maximum correntropy criterion (MCC) based filtering for satellite navigation system is involved for dealing with non-Gaussian errors or heavy-tailed interference errors or outliers of the GPS. The standard EKF method is derived based on minimization of mean square error (MSE) and is optimal only under Gaussian assumption in case the system models are precisely established. The GPS navigation algorithm based on kernel entropy related principles, including the MEE criterion and the MCC will be performed, which is utilized not only for the time-varying adaptation but the outlier type of interference errors. The kernel entropy based design is a new approach using information from higher-order signal statistics. In information theoretic learning (ITL), the entropy principle based measure uses information from higher-order signal statistics and captures more statistical information as compared to MSE. To improve the performance under non-Gaussian environments, the proposed filter which adopts the MEE/MCC as the optimization criterion instead of using the minimum mean square error (MMSE) is utilized for mitigation of the heavy-tailed type of multipath errors. Performance assessment will be carried out to show the effectiveness of the proposed approach for positioning improvement in GPS navigation processing.     

一种信标水声定位的改进扩展卡尔曼滤波算法

水声测距误差通常偏离高斯分布,纯距离扩展卡尔曼滤波(Extended Kalman Filter,EKF)定位跟踪算法误差较大。在将测距噪声分为高斯分量和非高斯缓变分量的基础上,提出了一种改进的扩展卡尔曼滤波EKF算法(Improved Extended Kalman Filter,IEKF)和初值选取方法。利用仿真实验和湖试对IEKF算法进行了验证,结果表明IEKF算法能够对测距偏差进行跟踪补偿,定位精度明显优于常规EKF算法。     

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.