卡尔曼滤波算法在隧道结构沉降分析降噪中的应用

针对沉降监测原始测量数据存在测量噪声而影响隧道结构稳定性判定问题,在分析卡尔曼滤波算法基础上,给出经典卡尔曼滤波算法和方差补偿自适应卡尔曼滤波算法模型,研究卡尔曼滤波算法在隧道结构沉降分析降噪处理中的应用.工程实例分析结果表明:卡尔曼滤波算法能够较好地抑制沉降监测噪声对隧道结构沉降分析的影响,降噪后的结果可以更加真实地表现沉降趋势,方差补偿自适应卡尔曼滤波算法抑噪效果优于经典卡尔曼滤波算法.     

表面形貌测量系统中光纤传感器的数据融合算法

光纤传感器测量表面形貌系统的精度会受系统中噪声的影响.为了提高系统的精度和可靠性,提出了一种基于关系矩阵的统计加权数据融合算法.将该算法和基于卡尔曼滤波的均值融合算法应用于表面形貌测量数据的处理中,并对融合后的数据进行了对比分析.结果表明:基于关系矩阵的统计加权的数据融合算法对固定测量点的标准差为0.040 1,变异系数为0.084;基于卡尔曼滤波的均值融合算法对固定测量点的标准差为0.034 1,变异系数为0.073.基于卡尔曼滤波的均值融合算法比基于关系矩阵的统计加权数据融合算法能更为精准有效地还原表面形貌.     

Kalman滤波算法在自平衡机器人中的应用

针对两轮自平衡机器人系统的单一惯性传感器采集数据不够准确,且极易受到外界噪声信号的干扰的问题,提出了基于片上可编程系统的卡尔曼滤波算法来实现多惯性传感器的数据融合系统.介绍了卡尔曼滤波器的基本原理、特点和应用环境.利用FPGA控制器的硬件可重构特性,搭建了Nios软核处理器的SOPC系统硬件平台,在硬件平台上采用C语言实现多姿态传感器的卡尔曼滤波算法,为两轮自平衡机器人的多传感器姿态数据融合提供了有效工具,获得了自平衡机器人姿态数据的最优估计,解决了陀螺仪和加速度计惯性传感器的数据补偿问题.测试结果表明,采用FPGA硬件平台实现卡尔曼滤波算法效率高,姿态数据融合准确、可靠,能够满足自平衡机器人控制系统的姿态最优估计和倾角数据实时反馈要求,系统工作稳定.     

聚类算法的GPS静态单点定位方法

为有效提高GPS静态单点定位的精度,提出了一种基于模糊聚类算法和卡尔曼滤波算法的组合优化方法.该方法首先对GPS实测数据进行卡尔曼滤波,消除波动较大的数据,然后应用模糊C-均值聚类算法寻求聚类中心,以该聚类中心为最终定位坐标.实验结果表明,该组合优化定位方法在降低定位成本的同时,可以有效提升GPS静态单点定位精度,采用该方法得到的定位坐标更接近于真实的地理坐标.     

异步数据融合的传感器配准

针对异步多传感器系统 ,研究一种能有效估计配准误差并消除其影响的算法 .提出用最小二乘法和卡尔曼滤波算法分别进行时间配准和估计失调误差和姿态误差 .仿真结果证实了算法的有效性 .采用最小二乘法可以将数据压缩“对齐”到任意时刻 ,采用卡尔曼滤波算法可以估计并消除配准误差的影响 ,这对多传感器的数据融合具有重要的意义 .     

基于卡尔曼滤波的土石坝渗流安全监控模型

土石坝渗流观测数据中包含着监测系统本身噪声和外界干扰的影响,卡尔曼滤波算法可以去除数据中的测量噪声,还原真实数据,是一种对系统状态进行最优估计的算法.在建立传统统计监控模型基础上,引入卡尔曼滤波算法.滤波过程中状态向量即为监控模型的回归系数,观测方程为监控模型本身,通过对模型的优化达到对测量值的最优估计.该优化模型精度比传统最小二乘回归统计模型更高,并在工程实例中得到验证;当需要处理较多数据时,该优化模型建模效率明显高于最小二乘法.     

基于多新息理论的卡尔曼滤波改进算法

系统建模是卡尔曼滤波的基础,系统模型不准确带来的验前数据误差,使滤波器精度降低,甚至可能造成发散.针对这种情况,提出一种基于多新息理论改进的卡尔曼滤波算法.多新息卡尔曼滤波算法不仅考虑了运动目标当前的运动状态,而且也充分利用目标之前运动信息,从而使得多新息卡尔曼滤波算法的滤波精度和稳定性得到改善.仿真结果表明,改进的多新息卡尔曼滤波算法较标准卡尔曼滤波算法更有效,预测精度更高.     

混合卡尔曼滤波的非均匀校正算法

提出了一种基于混合卡尔曼滤波的非均匀校正算法,可以用于解决参数漂移为非线性的问题．该方法首先根据给定状态空间模型的特点,使用无迹卡尔曼滤波技术和传统卡尔曼滤波技术分别处理非线性的状态转移模型和线性的观测模型,然后把估计结果用于非均匀校正．使用仿真的一维和二维数据验证算法性能,实验结果表明,所提算法扩展了传统卡尔曼滤波算法的使用范围,并且与扩展卡尔曼滤波算法相比,具有较高的稳定性和估计精度．     

极坐标下卡尔曼滤波算法的研究

针对在某些情况下直角坐标系中卡尔曼滤波算法运算量较大、模型建立比较困难等缺点,提出了极坐标下的卡尔曼滤波算法。该算法选用极坐标作为滤波坐标系,建立了目标运动模型和外推方程,给出了增益阵的一种新的计算方法。仿真结果表明,提出的滤波算法在数据率较高时,滤波精度略低于直角坐标下卡尔曼滤波算法,优于自适应α－β滤波算法,但运算量明显低于直角坐标下卡尔曼滤波算法。     

基于粒子滤波的改进算法

通过将粒子滤波算法与无迹卡尔曼滤波算法相结合,提出一种用于解决非线性、非高斯系统估计的改良粒子滤波算法.该算法在经典粒子滤波的基础上,利用无迹卡尔曼滤波生成更能够逼近真实后验概率分布的重要函数.实验结果表明,这种算法在预测结果收敛性能方面明显优于标准粒子滤波、广义卡尔曼滤波和无迹卡尔曼滤波等现有的非线性滤波器.     

仅有角测量的跟踪机动目标系统

仅有角测量跟踪技术在理论上和实际上受到了广泛的应用。由于以往的仅有角测量跟踪滤波器不能精确跟踪机动目标,本文提出了带有机动目标检测器的修正增益的推广卡尔曼滤波器。这种滤波器是以线性动态系统及非线性观测方程为前提而推导的。文中给出了仿真数据结果,并与准线性卡尔曼滤波器,改进型推广卡尔曼滤波器作了比较。     

嵌入式系统测量中的指数平滑滤波新算法

对嵌入式系统测量中的不同的滤波算法进行了分析,提出一种适用于嵌入式系统测量的、快速简化的指数平滑滤波新算法。并设计了仿真实验模型,通过实验与卡尔曼滤波算法进行对比。对简化的指数平滑滤波算法进行的分析表明,该算法具有计算量小、速度快的优点。且对于慢变化的嵌入式传感器信号,具有非常好的平滑滤波效果,其计算速度是卡尔曼滤波算法的30倍,非常适用于低计算能力、存储资源有限、传感器信号采集前端的嵌入式系统测量。     

GPS/INS动态卡尔曼滤波优化算法

GPS/INS组合导航系统动态定位数据的随机误差消除的重要方法是卡尔曼滤波,但运用扩展卡尔曼滤波器进行动态定位滤波时,需要对系统模型和观测模型以及误差模型进行准确建模,特别是载体状态机动时滤波器跟踪能力不强。提出一种GPS/INS组合导航动态卡尔曼滤波的优化算法,引入遗忘因子限制卡尔曼滤波器的记忆长度,充分利用现时的测量数据,改善滤波器的动态性能,并进行计算机仿真实验。仿真结果表明,遗忘因子增加,滤波器的跟踪能力增强,使滤波器达最佳性能。该优化算法比普通的扩展卡尔曼滤波算法的动态跟踪性能好,从而可显著提高导航系统定位精度。     

离散LTI系统的Kalman滤波的自适应算法

运用现代时间序列分析方法 ,提出了一类线性时不变离散随机系统的自适应稳态 Kalman滤波算法 ,该算法应用白噪声估值器理论对 ARMA新息模型进行在线辨识 ,可进行简单的自适应滤波处理 ,仿真例子说明了算法的有效性。     

粒子群优化人工免疫粒子滤波器

为解决粒子滤波算法中存在的粒子退化和样本枯竭问题,提出一种新的粒子滤波算法.利用粒子群优化思想促使采样粒子向高似然区域移动,减缓粒子权值的退化;再通过人工免疫算法中的变异操作扩大算法寻找最优值的范围并增加粒子的多样性,避免算法陷入局部最优,增强算法的全局搜索能力,进而缓解样本枯竭.实验表明,该算法比标准粒子滤波的状态估计精度提高近40倍,比扩展卡尔曼粒子滤波提高近28倍,比无迹卡尔曼粒子滤波提高近6倍,滤波效率为37.523％,是标准粒子滤波的37倍,该算法具有更好的实时性和更高的状态估计精度,能有效缓解粒子的退化和样本的枯竭.     

一种新的基于粒子滤波的全盲接收机设计算法

提出一种新的基于粒子滤波的适用于时变衰落信道的全盲接收机设计算法。该算法根据粒子滤波理论估计后验概率分布,并采用贝叶斯滤波进行同步参数估计与符号判决。与卡尔曼滤波相比,该算法能有效应用于定时误差以及相差等非线性模型中的参数估计;同时较前馈式参数估计算法,能实现对时变定时误差、时变相差的实时跟踪与矫正,算法具有收敛速度快,所需数据量少等优点。文章最后通过计算机仿真对该算法性能进行分析比较。     

基于扩展卡尔曼滤波的两轮机器人姿态估计

针对两轮自平衡机器人惯性传感器存在误差的问题,提出基于扩展卡尔曼滤波的方法进行补偿,从而实现机器人姿态的最优估计.利用实验获得的惯性传感器误差特性,采用Levenberg-Marquardt非线性最小二乘迭代法拟合数据,从而建立机器人导航用惯性传感器陀螺仪和加速度计误差的数学模型,并对误差进行标定.采用扩展卡尔曼滤波将传感器的数据进行融合并对误差进行补偿,得到机器人姿态的最优估计.将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明改进后的系统误差得到了有效的抑制,从而验证了采用低成本的惯性传感器进行机器人的姿态估计是有效可行的.     

基于线阵CCD的电子白板技术研究

基于线阵CCD技术的交互式电子白板由于其低成本及可高效率地实现多点触控,展现出较大的发展潜力。针对采用线阵CCD技术的电子白板普遍存在的伪触摸点问题,在动态建模基础上分别采用扩展Kalman滤波算法和粒子滤波算法解决触摸点目标跟踪问题。结果表明,与传统的扩展卡尔曼滤波算法相比,粒子滤波算法提高了目标跟踪的精度,更好地解决了伪点问题。该研究结果可为交互式电子白板的设计方法提供理论依据和技术支持。     

一种基于卡尔曼滤波器的彩色目标跟踪方法

提出了一种基于卡尔曼滤波器的彩色目标跟踪方法。该方法首先在YCbCr颜色空间使用高斯模型构建目标颜色模型,根据该颜色模型在图像中进行目标检测,获取目标中心,然后利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心建立搜索区域,在搜索区域内进行目标检测,计算目标中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

迭代扩展卡尔曼粒子滤波器

提出了一种基于迭代扩展卡尔曼的粒子滤波新方法．该方法利用迭代扩展卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,使重要性密度函数能够融入最新观测信息的同时,更加符合真实状态的后验概率分布．仿真结果表明,提出的迭代扩展卡尔曼粒子滤波的估计性能要明显优于标准的粒子滤波、扩展卡尔曼粒子滤波和unscented 粒子滤波．