自适应平方根无迹卡尔曼滤波算法

将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法.该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整.该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果验证了算法的有效性.     

欠观测条件下的高斯和增量卡尔曼滤波算法

欠观测条件下的增量卡尔曼滤波算法能够消除未知的量测系统误差,提高滤波精度。当系统的过程噪声和量测噪声为非高斯分布时,该算法不能直接使用。针对该问题,结合高斯和滤波算法,提出一种欠观测条件下的高斯和增量卡尔曼滤波算法。该算法将初始状态、过程噪声和量测噪声近似为高斯和的形式,然后按照增量卡尔曼滤波的思想对每个高斯项进行预测和更新,最后以累加和的形式对状态向量进行近似。仿真结果表明,该算法在非高斯噪声分布的情况下,既能成功地消除量测系统误差,又能有效地提高滤波估计的准确度和可靠性。     

无模型容积卡尔曼滤波及其应用

提出一种融合高斯过程回归(GPR)的无模型容积卡尔曼滤波(MF-CKF)方法.容积卡尔曼滤波(CKF)是一种新的非线性高斯滤波方法,比无迹卡尔曼滤波(UKF)更具优势.为了克服建模不准确时容积卡尔曼滤波精度下降问题,通过将高斯过程回归引入到容积卡尔曼滤波之中,对训练数据学习建立系统非线性模型,从而有效地避免模型不准确造成的滤波性能下降.仿真结果验证了无模型容积卡尔曼滤波在系统模型不准确情况下的优越性.     

基于UKF的高斯和滤波算法

介绍了扩展卡尔曼滤波算法和无迹变换（unscented transformation,UT）算法,并对扩展卡尔曼滤波算法（EKF）和无迹卡尔曼滤波算法（UKF）进行比较,阐明了UKF优于EKF。在此基础上,提出了一种基于Unscented变换（UT）的高斯和滤波算法,该算法首先通过合并准则得到适当个数的混合高斯模型,逼近系统中非高斯噪声的概率密度;然后,再通过UT算法进行滤波。最后分别对基于EKF和UKF的滤波方法进行实验,并对实验结果进行比较与分析,验证了算法的有效性和优良性。     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

一种新的非线性目标跟踪方法

在实际的目标跟踪场景中,普遍存在非高斯过程噪声和/或量测噪声,以及非高斯先验信息等情况,针对这一问题,提出一种新的解决非线性/非高斯系统滤波问题的非线性滤波算法,即高斯和求积分卡尔曼滤波（GSQKF）算法。仿真实验将新算法与标准的粒子滤波算法进行了比较,表明新算法是一种非常有效的非线性滤波算法。     

基于支持向量回归机的扩展卡尔曼滤波

在信号滤波算法优化问题的研究时,扩展卡尔曼滤波算法的精度依赖于系统模型精确性.采用一种改进的扩展卡尔曼滤波算法研究了状态量和观测量相同的系统.用滤波后的状态量和当前观测量以得到实时噪声,求出过程噪声方差阵,在此基础上利用支持向量回归机算法对过程噪声方差阵进行训练,从而得到新的过程噪声方差阵,用此阵作为下一次扩展卡尔曼滤波的过程方差阵,以后继续上述迭代过程.结果证明方法极大的提高了滤波精度.仿真说明方法的有效性.     

非线性系统中稳定有色噪声建模及FLOC谱特性

用多项式自回归模型对非线性系统中稳定有色噪声建模,利用扩展的迭代重加权最小[p]范数算法进行模型参数估计。系统研究了分数低阶协方差谱的性质,并对无限方差非高斯多项式自回归有色噪声进行频域特性分析。理论分析和仿真实验表明,EIRLP算法是在高斯和分数低阶稳定分布噪声条件下具有良好韧性的参数估计方法。仿真通过对稳定有色噪声条件下的正弦信号进行谱估计,结果表明,分数低阶协方差谱具有良好韧性的谱估计性能。     

基于简化模型与自适应滤波的车载SINS静基座快速对准

为了实现捷联惯性导航系统(strap-down inertial navigation system,SINS)快速初始对准,根据已有可观测性分析结果,通过理论分析和计算得到了扩展观测量时初始对准系统最优可观测状态量组合,在此基础上简化了对准模型,建立了新的系统方程;针对载车发动机启动或其他情况导致系统噪声无法精确统计,提出了运用基于强跟踪滤波原理的自适应卡尔曼滤波算法抑制滤波发散,加快收敛速度;仿真结果表明运用简化模型和自适应滤波在系统噪声不匹配时具有更快的收敛速度和更高的对准精度,车载实验结果也表明运用简化模型和自适应滤波可以实现快速对准。     

模糊自适应卡尔曼滤波算法在航位推算系统中的应用

针对实际的应用中车载航位推算系统的模型参数、噪声的统计特性不确定性,影响估计效果,提出了车载航位推算的模糊自适应卡尔曼滤波模型及其滤波算法;该方法通过监视理论残差与实际残差的比值是否接近1,应用模糊推理系统不断地调整量测噪声协方差的加权,对自适应卡尔曼滤波的量测噪声协方差进行递推修正,通过该算法来抑制噪声对精度的影响,进而提高系统的导航精度;仿真结果表明,这种算法能够有效地提高系统的精度,是一种比较理想的车载DR导航滤波方法。     

基于模糊卡尔曼滤波的移动机器人定位研究

为了满足移动机器人准确定位的要求,提出了一种基于模糊卡尔曼滤波（FKF）的自定位算法。利用扩展卡尔曼滤波（EKF）算法融合里程计和声纳的观测数据,并针对EKF中观测噪声方差估计不准确导致滤波器性能下降甚至发散的问题,提出了基于模糊逻辑的自适应调节算法。该算法通过监测新息实际方差和理论方差的一致程度,在线调整观测噪声的方差值。仿真结果表明,此方法较EKF提高了系统的定位精度和鲁棒性。     

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法--自适应平方根无迹卡尔曼滤波（NASRUKF）方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。     

FAST-SR-UKF算法及其在组合导航系统中的应用

为解决无迹卡尔曼滤波（UKF）算法在组合导航应用中遇到的系统模型不确定、系统噪声统计特性未知以及计算误差较大等问题,提出了模糊自适应强跟踪平方根无迹卡尔曼滤波（FAST-SR-UKF）算法,该算法不仅具有传统UKF的优势,而且包含如下特点：通过模糊自适应强跟踪模块,增强了系统对模型不确定性以及噪声统计参数未知的适应能力;利用平方根滤波的思想,提高了模糊自适应强跟踪无迹卡尔曼滤波算法的数值稳定性,改善了由于计算误差导致的滤波发散问题。仿真结果表明：相对于传统的UKF算法,该算法精度更高、鲁棒性更强。     

基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法

对于非线性系统而言,容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法是处理状态估计问题的一种有效方法,并且其在高斯噪声下可以获得良好的估计性能。然而,当噪声被重尾噪声污染时,其性能通常会急剧下降。为解决此问题,将Huber方法应用于CKF框架中,取代了传统的最小均方误差（Minimum Mean Square Error,MMSE）准则,以提高算法的鲁棒性。在所提算法中,通过将量测方程线性化构造了线性回归模型,并采用固定点迭代的方法求解基于Huber方法的最小化问题。因此,推导了基于固定点迭代的Huber鲁棒CKF（FP-IHCKF）算法,在该算法中先验信息和量测信息通过Huber方法进行了重构。通过对再入目标跟踪问题进行仿真,验证了所提算法的有效性和鲁棒性。     

在线提高卡尔曼滤波跟踪精度的参数研究

为了在线提高卡尔曼滤波算法（KF）的跟踪精度,对随机序列进行高斯度的定义,将随机序列的分布分为超高斯、高斯、次高斯和非高斯,找出KF可以工作的范围。针对噪声服从次高斯分布时,KF跟踪精度不高,介绍了两个可以判断KF使用过程中设定的噪声协方差与实际是否一致的参数。提出了参数自适应的方法,使设定的噪声协方差与实际值可以自适应地一致,从而提高了KF的跟踪精度。实验结果表明,噪声服从高斯和超高斯分布时,KF跟踪精度很高;噪声服从次高斯分布时,若噪声协方差的设定值与实际值不一致,跟踪误差会很大,对此使用了参数自适应法,可以大大提高KF的跟踪精度。     

六维力传感器下E膜小生境野草EKF滤波研究

为减小噪声信号对六维力传感器测量精度的影响,同时解决因主振型信息缺失导致扩展Kalman滤波器难以获得最优系统估计的问题,提出一种基于小生境野草算法优化的扩展卡尔曼滤波（NIWO-EKF）算法。算法根据正弦激励力响应与应变之间的关系,构建六维力传感器下E型膜非线性系统模型。将系统干扰矩阵与控制矩阵视为一个整体,引入野草繁殖思想,以前6阶主振型信息构成的综合矩阵为均值,进行高斯采样,产生初始化的可行解。将小生境技术与野草算法相融合,利用野草算法进行全局搜索,根据适应度的大小对个体进行降序排列,按照小生境容量划分出多个种群协同合作,避免搜索过程陷入局部最优,提高算法的寻优精度和收敛速度。采用改进野草算法对EKF中的系统干扰控制矩阵进行优化处理。仿真实例表明,优化后的扩展卡尔曼滤波器能有效地提高六维力传感器的测量精度,具有很好的鲁棒性和稳定性。     

基于不确定模型误差系统的变分贝叶斯STCKF

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.