基于自适应四元数卡尔曼滤波的姿态估计方法

使用四元数卡尔曼滤波器进行姿态估计的性能与加速度噪声协方差R有很大的相关性。以四元数卡尔曼滤波器递推计算的新息协方差与测量的新息协方差的差值尽可能小为条件,采用基于新息的自适应算法,在线估计加速度计噪声的协方差R,得到符合实际加速度噪声水平的卡尔曼滤波器增益K,对微小型飞行器进行姿态估计。为了减少由新息引入自适应计算的测量噪声,使用渐消记忆的方法对测量的新息协方差进行处理。仿真结果表明,基于新息的自适应四元数卡尔曼滤波器在加速度计噪声协方差R难以测量时或R变化时,相对于四元数卡尔曼滤波器能更准确地获得姿态的估计,减小了滤波器对模型参数的依赖,增加了滤波器的鲁棒性。     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

永磁同步电机的转动惯量辨识及状态估计

为提高永磁同步电机伺服系统的动态性能和鲁棒性,研究了基于模型参考自适应系统的转动惯量辨识方法以及基于卡尔曼滤波器的自适应状态估计策略。提出了一种适用于宽转速、高噪声环境下的电机角速度、角位移和负载扰动转矩的在线估计方法,分析了该方法的抗干扰能力以及系统参数变化对估计效果的影响,并通过辨识出的伺服系统转动惯量对卡尔曼滤波器的系数矩阵进行实时更新,实现了转动惯量自适应状态估计。仿真和实验结果表明该算法在速度分辨率、实时性和抗干扰能力上均优于传统M／T方法。     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

一种目标轮廓跟踪的UPF方法

针对通用目标轮廓跟踪中CONDENSATION粒子算法的不足，提出一种轮廓跟踪的Unscented Particle Filter（UPF）方法。通过将Unscented卡尔曼滤波器与粒子滤波的结合，并实时考虑观测值，可以精确地、实时地跟踪目标区域。通过人脸跟踪结果表明，该方法对背景干扰具有很强的鲁棒性。     

基于自适应容积卡尔曼滤波的矢量跟踪算法

当前矢量跟踪环路中,鉴别器的输出受噪声影响存在较大误差,针对该问题,提出使用容积卡尔曼滤波器代替鉴别器的算法,对I/Q支路数据进行滤波处理,输出码相位误差和载波频率误差。该算法不仅可以规避鉴别器的非线性问题,而且可以降低噪声的影响。同时,使用容积卡尔曼滤波算法处理非线性的I/Q支路数据,有效地保证了数据处理的精度。针对噪声是未知或时变的特点,采用新息协方差对量测噪声的协方差矩阵进行实时估计,提高了算法应对环境噪声变化的鲁棒性。将新算法与基于鉴别器方式的矢量跟踪算法进行对比验证,实验数据表明,改进后算法输出的码相位误差和载波频率误差更小,用户位置和速度的解算精度也更高。     

状态与偏差解耦自适应滤波及应用

在状态与偏差耦滤波的基础上提出了一种自适应滤波算法，这种自适应滤波能在线估计系统的编差与噪声方差。对常值偏差和缓慢变化的偏差都能进行在线估计。由于采用两个卡尔曼滤波器进行计算，计算量比状态扩展自适应卡尔曼滤波器要小得多，特别在偏差量比较多的情况下更能显出其优越性，适合在组合导航中应用。     

基于自适应UKF的单站无源定位算法

针对无迹卡尔曼滤波(UKF)算法在单站无源定位中滤波的性能容易受到初始值和系统噪声影响的问题,提出了一种自适应无迹卡尔曼滤波(AUKF)的跟踪算法。该算法利用观测信息和新息,引入自适应因子,对在滤波过程中的误差的协方差矩阵进行合理自适应调整,保证得到较稳定和高精度的滤波值,从而提高算法的鲁棒性。仿真结果表明,该AUKF算法与扩展卡尔曼滤波算法(EKF)及其衍生算法中的修正协方差滤波算法(MVEKF)和UKF算法相比,对系统噪声的鲁棒性更好,体现在滤波的收敛速度和滤波精度等方面都有所提高,是一种性能更加优越的算法。     

Adaptive Kalman Filter of Transfer Alignment with Un-modeled Wing Flexure of Aircraft

The alignment accuracy of the strap-down inertial navigation system (SINS) of airborne weapon is greatly degraded by the dynamic wing flexure of the aircraft. An adaptive Kalman filter uses innovation sequences based on the maximum likelihood estimated criterion to adapt the system noise covariance matrix and the measurement noise covariance matrix on line,which is used to estimate the misalignment if the model of wing flexure of the aircraft is unknown. From a number of simulations,it is shown that the accuracy of the adaptive Kalman filter is better than the conventional Kalman filter,and the erroneous misalignment models of the wing flexure of aircraft will cause bad estimation results of Kalman filter using attitude match method.     

Adaptive Kalman Filter of Transfer Alignment with Un-modeled Wing Flexure of Aircraft

The alignment accuracy of the strap-down inertial navigation system (SINS) of airborne weapon is greatly degraded by the dynamic wing flexure of the aircraft. An adaptive Kalman filter uses innovation sequences based on the maximum likelihood estimated criterion to adapt the system noise covariance matrix and the measurement noise covariance matrix on line, which is used to estimate the misalignment if the model of wing flexure of the aircraft is unknown. From a number of simulations, it is shown that the accuracy of the adaptive Kalman filter is better than the conventional Kalman filter, and the erroneous misalignment models of the wing flexure of aircraft will cause bad estimation results of Kalman filter using attitude match method.     

基于单极点反馈积累理论的KF算法

状态误差协方差矩阵和状态估计的精度直接影响卡尔曼滤波（KF）性能.为减小滤波误差,提高卡尔曼滤波精度,基于单极点反馈积累理论,提出了一种改进的卡尔曼滤波算法.该算法利用单极点反馈积累思想,通过综合当前时刻和过去时刻信息实现对估计参数的良好逼近,更新卡尔曼滤波中的状态误差协方差矩阵和状态估计来提高其估计精度.理论分析和仿真结果表明：该算法与KF算法相比,对跟踪效果有一定改善,使位置、速度跟踪误差有效降低并保持其误差曲线平滑,提高了滤波/跟踪精度.     

Robust range-parameterized cubature Kalman filter for bearings-only tracking

In order to improve tracking accuracy when initial estimate is inaccurate or outliers exist,a bearings-only tracking approach called the robust range-parameterized cubature Kalman filter(RRPCKF)was proposed.Firstly,the robust extremal rule based on the pollution distribution was introduced to the cubature Kalman filter(CKF)framework.The improved Turkey weight function was subsequently constructed to identify the outliers whose weights were reduced by establishing equivalent innovation covariance matrix in the CKF.Furthermore,the improved range-parameterize(RP)strategy which divides the filter into some weighted robust CKFs each with a different initial estimate was utilized to solve the fuzzy initial estimation problem efficiently.Simulations show that the result of the RRPCKF is more accurate and more robust whether outliers exist or not,whereas that of the conventional algorithms becomes distorted seriously when outliers appear.     

基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.     

双重迭代变分贝叶斯自适应卡尔曼滤波算法

提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不确知的情况下仍具有较强的鲁棒性。     

混合坐标下的卡尔曼滤波应用于水下被动目标跟踪

针对下水下被动目标跟踪数据率低、跟踪误差大的特点和难点,研究了混合坐标下的自适应推广卡尔曼滤波算法,并将其应用于水被动目标跟踪估计器设计,该算法充分应用了直角坐标系下动态方程的线性特性和极坐标系下测量方程的线性特性,针对两坐标系间协方差矩阵变换的近似,引入了虚拟噪声进行补偿。通过系统的MonteCarlo仿真结果表明：该算法在收敛速度和估计精度方面都优于单一坐标体系下的滤波算法。     

自适应扩展卡尔曼滤波在卫星姿态确定系统中的应用

扩展卡尔曼滤波(以下简称EKF)算法应用于卫星姿态确定系统时需要已知精确的系统模型及过程噪声和观测噪声统计特性,并有计算量过大的问题。本文在EKF算法中加入噪声观测器,构成自适应扩展卡尔曼滤波算法(Adaptive Extended Kalman Filter,以下简称AEKF),使系统能够在传感器噪声统计特性未知的情况下,依然获得较高的系统状态估计精度,增强了系统的鲁棒性。并且AEKF算法简化了系统状态方程,相对于EKF算法减少计算量。经数学仿真验证,AEKF算法能较好地对传感器噪声的统计特性进行在线估计,使姿态确定系统正常工作,有较高的工程应用价值。