一种基于多重次自适应因子的强跟踪UKF算法

针对强跟踪UKF算法存在自适应因子调节单一、难以准确调节多维的系统变量对不准确系统模型和噪声自适应调节能力不够的问题,提出了一种基于多重次自适应因子的强跟踪UKF (MST-UKF)算法．首先解析了强跟踪UKF的本质原理;其次提出在状态噪声协方差和观测噪声协方差前各引入多重次自适应因子对角矩阵对其进行自适应调节,并对其计算方法进行了设计;最后分别针对系统模型、噪声不准确情况下的目标进行跟踪仿真．仿真结果表明,MST-UKF算法能自适应直接调节噪声协方差,以此应对系统模型的不匹配、状态噪声的不准确性以及观测噪声的不准确性,实现了对复杂条件下目标的良好跟踪．     

SINS姿态估计的HoMM-UKF模型算法

针对舰船捷联惯性导航系统姿态控制计算精度要求,提出一种高阶矩匹配UKF(high-order moment matching UKF,Ho MM-UKF)的SINS系统四元数模型姿态估计算法.在UKF迭代递推计算过程中利用高阶矩匹配方法计算系统状态参数的预测采样点集及其权值的概率分布平均偏态和峰值,使其精确逼近状态参数最优估计.采用四元数姿态建模方法构建新型SINS状态变量与噪声向量相关的姿态方程模型,利用伪观测向量构建观测噪声与四元数相关的观测方程模型,设计系统噪声方差分离计算算法开展系统噪声方差计算,引入拉格朗日乘子算法计算四元数估计均值,最后利用SINS四元数姿态估计模型对HoMM-UKF算法开展仿真试验研究.通过UKF算法、CDKF算法与HoMM-UKF算法对比,验证了HoMM-UKF算法计算精度高,并且算法计算量负担较小,计算效率较高.     

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。     

EKF和UKF在非线性组合导航系统中的对比研究

采用组合导航系统在对目标的位置、航向进行测量时,其状态模型和观测模型中存在非线性问题,采用基于EKF和UKF的非线性滤波算法以改善传统Kalman滤波的估计精度,并保证算法收敛性.通过建立组合导航的状态方程和量测方程,分别采用EKF和UKF对状态方程中的非线性部分进行离散化,仿真实验结果表明,采用基于UKF的非线性导航算法能有效提高导航位置精度和系统稳定性.     

ASUKF方法在航天器自主导航中的应用

针对自主导航过程中不确定的测量噪声和干扰的影响,提出了一种具有自适应能力的状态估计方法———ASUKF方法.该方法对非线性的状态方程进行超球面分布UT变换,对非线性的测量方程求取雅可比矩阵,同时在滤波迭代过程中引入自适应因子,从而在保持估计精度的条件下,降低了UKF算法的计算量,并使滤波器具有了自适应能力.将ASUKF方法应用于自主导航系统导航信息的估计过程中,仿真结果表明:其在保持导航信息估计精度的同时,提高了估计效率,克服了自主导航过程中不确定的噪声和随机干扰的影响.     

航姿参考系统中一种自适应卡尔曼滤波算法

在航姿参考系统测量载体姿态的过程中,由于观测噪声不确定,严重影响了常规卡尔曼滤波结果的精度.另外,当系统受到干扰而使观测噪声突然改变时,甚至会导致滤波发散.提出一种航姿参考系统自适应卡尔曼滤波算法,能够根据观测数据来自适应调整观测噪声,从而提高卡尔曼滤波精度,改善系统的鲁棒性.仿真表明,当观测噪声时变时,常规卡尔曼滤波结果明显发散,而新自适应卡尔曼滤波结果收敛良好,在系统计算复杂度没有明显增加的前提下,系统的稳定性得到了明显提高.     

拟自适应推广卡尔曼滤波算法

生化生产过程经常遇到具有隐含观测方程,噪声特性不能确定的问题,本文通过对状态方程和观测方程进行适当处理,把离散化误差、线性化误差、模型噪声和模型本身不准确所造成的误差都归结为虚拟噪声,利用虚拟噪声补偿技术并结合推广卡尔曼滤波算法,提出了拟自适应推广卡尔曼滤波算法,仿真表明该算法对于解决这类问题是比较有效的.     

基于GPS/INS的自适应无迹Kalman滤波算法

载体的姿态参数是导航系统重要的影响因素,为提高姿态角测量精度,以INS和GPS紧组合导航系统为研究背景,针对无迹Kalman滤波算法对误差模型较敏感、新息噪声干扰数据需预处理、算法实效性低等缺点,提出改进的自适应无迹Kalman滤波算法.首先,用自适应窗口在线估计系统噪声和量测噪声的协方差值,得到与实际噪声更贴近的统计特性,减小数据预处理的干扰;其次,对状态预测方差阵引入次优渐消因子减少计算量,同时为了减少模型的精度损耗,对滤波过程引入统计量,确定模型不确定性检测阈值;最后,用扩展Kalman滤波、无迹Kalman滤波和改进后的新滤波算法对无人机航向轨迹进行数据处理.结果分析可得,改进的滤波融合算法能将姿态的测量精度提高到0.1°,具有更强的收敛性,能较好地抑制漂移误差.     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.     

基于优化无迹Kalman滤波的电网动态谐波估计

提出一种基于粒子群优化的无迹卡尔曼滤波(particle swarm optimized unscented Kalman filter,PSOUKF)的电网动态谐波估计方法,利用包含种群分类与动态学习因子的改进粒子群优化算法,优化无迹卡尔曼滤波算法(unscented Kalman filter,UKF)的状态噪声协方差和观测噪声协方差,使系统噪声对电网动态谐波估计结果的影响得到充分考虑,克服了传统UKF算法将这两种方差视为常数导致的动态谐波估计精度低的缺陷.仿真结果表明,PSOKUF算法比卡尔曼滤波(Kalman filter,KF)算法和传统的UKF算法更有效,在没有增加计算复杂度的情况下,能够提高动态谐波估计精度.     

模糊自适应无迹卡尔曼滤波方法用于天文导航

为克服航天器自主天文导航中不确定测量噪声对导航精度的影响,提出了一种基于模糊推理的自适应无迹卡尔曼滤波(FUKF)方法.该方法根据滤波过程中实际测量残差方差与理论残差方差的比值,将系统滤波过程分为普通模式和自适应模式.分别对两种模式建立模糊隶属度函数,应用模糊推理规则,得到自适应修正因子,对系统的测量噪声方差阵进行实时修正,使其跟踪实际测量噪声的变化.当系统受到不确定环境噪声影响时,该滤波算法仍然有效收敛.将该方法应用于直接敏感地平的航天器自主天文导航中,不同测量噪声水平下的仿真结果表明,该算法对不确定的测量噪声具有较强的自适应能力,保证了导航信息的输出精度.     

Adaptive Fault Estimation for Dynamics of High Speed Train Based on Robust UKF Algorithm

This paper proposes an adaptive unscented Kalman filter algorithm(ARUKF) to implement fault estimation for the dynamics of high-speed train(HST) with measurement uncertainty and time-varying noise with unknown statistics. Firstly, regarding the actuator and sensor fault as the auxiliary variables of the dynamics of HST, an augmented system is established, and the fault estimation problem for dynamics of HST is formulated as the state estimation of the augmented system. Then, considering the meas...     

D-2-DenseNet噪音鲁棒的城市音频分类模型

为了提高噪音环境下城市音频分类系统的鲁棒性,提出了一种双特征2阶密集卷积神经网络（D-2-DenseNet）噪音鲁棒的城市音频分类模型.首先介绍了噪音添加和噪音鲁棒处理,阐述了一种双特征互补偿的算法;然后结合2阶密集卷积神经网络与自适应机制提出了一种噪音鲁棒音频分类模型：双特征2阶密集卷积神经网络.模型采用双特征互补偿自适应算法,可在特征提取与模型训练中更有针对性地提取有效音频信息,降低噪音干扰,以提高噪音鲁棒性.最后,基于Dcase2016数据集开展噪音环境下城市音频分类测试.实验结果表明,模型分类准确率分别可达77.12%、75.52%,与基线模型相比,平均分类准确率分别提高了8.51%和10.38%,验证了模型良好的噪音鲁棒性.     

非线性约束的自适应波束形成算法

提出基于非线性约束的自适应波束形成算法. 首先修改接收信号协方差矩阵信号子空间中的特征向量,使修改后的协方差矩阵基本不包含期望信号(SOI)成分而只包含干扰信号和噪声. 进而利用线性约束最小均方算法(LCMV)和修改后的波束空间求解方向图的权向量w. 为了提高算法的稳健性,采用非线性约束方法对w进行优化,w的优化解在形式上不同于可变对角加载类算法,且优化解中的待定参数容易准确求出. 新算法的输出信干比 (SINR)对导引向量随机误差具有稳健性, 并对期望信号的功率变化表现出不敏感的特性, 仿真证明了这一点.     

GPS辅助的SINS系统快速动基座初始对准

为实现基于优化的动基座对准算法(OBA)对陀螺仪误差的估计,并使其能够应用于低精度SINS系统中,将自适应无迹卡尔曼滤波算法与OBA算法相结合,提出一种新的由GPS辅助的SINS系统快速动基座对准（FIMA）算法.该算法首先推导了陀螺仪常值漂移与失准角之间的关系,并以此构建非线性系统状态方程,然后用重力加速度和GPS输出速度的积分构建量测方程;由于系统存在非线性,提出使用UKF算法对失准角以及陀螺常值漂移进行估计;由于量测方程由速度和重力加速度的积分构成,量测噪声协方差难以确定,引入自适应滤波算法对量测噪声实时估计. 跑车实验结果表明:对于低精度SINS系统,该算法可在15 s左右将航向角误差收敛到3°以内,在3 min以后航向角误差可收敛到1°以内;与传统非线性动基座对准算法以及OBA算法相比,该算法可在无任何初始姿态信息的条件下快速对准,且能够对陀螺常值漂移进行在线估计和载体系失准角补偿,提高了动基座对准的精度和收敛性能.     

基于状态观测器噪声干扰的混沌控制与同步

提出了一种基于状态观测器参数控制噪声干扰下的混沌数字通信控制方法。利用一混沌系统驱动另一混沌系统产生出理想的输出波形,将该控制方法用于混沌控制;根据噪声干扰下的系统方程构造出状态观测器,并将该状态观测器用于具有测量噪声、输入噪声干扰的混沌系统和Lorenz混沌系统的控制;改变观测器的作用范围,可以将混沌系统稳定到固有的区域内。仿真结果证实了该控制方法的有效性。     

用改进的Rao-Blackwellized粒子滤波器实现移动机器人同时定位和地图创建

将进化策略应用于Rao-Blackwellized粒子滤波器,并结合自适应重新采样方案实现了室内移动机器人同时定位和地图创建.在仅有单目视觉和里程计的基础上,建立了鲁棒的感知模型,通过有效的尺度不变特征变换方法提取环境特征,并采用Unscented卡尔曼滤波更新特征,特征点的匹配采用基于KD-Tree的高维特征点快速匹配算法.在实际Pioneer 3移动机器人上进行的实验结果表明,本文提出的方法是可行的.