有色量测噪声下的HCKF及其应用

针对高阶容积卡尔曼滤波（HCKF）算法在有色量测噪声条件下滤波精度下降的问题,提出了有色量测噪声下的HCKF算法。通过一阶马尔科夫模型将有色量测噪声进行白化,将带有色量测噪声的非线性离散随机系统转化为白噪声下的非线性时滞系统,并给出高斯域内针对非线性时滞系统的贝叶斯滤波框架。利用高阶容积准则对该滤波框架进行近似计算,进而得到有色量测噪声下的HCKF算法。将所提算法应用到机动目标跟踪系统中,仿真实验结果表明,量测噪声为白噪声时,所提算法与标准HCKF算法具有相同的估计性能;在量测噪声为有色噪声时,所提算法相比于标准HCKF具有更优的估计精度和鲁棒性。     

基于Huber的鲁棒高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时高阶容积卡尔曼滤波（High-degree Cubature Kalman Filter,HCKF）算法的鲁棒性,提出了一种基于Huber方法的鲁棒高阶容积卡尔曼滤波算法。从近似贝叶斯估计角度解释了Huber方法作用于卡尔曼滤波算法的本质是对新息进行截断平均,通过在现有滤波框架内利用Huber方法对观测量进行预处理,并将处理后的观测量进行标准的HCKF量测更新,实现了HCKF算法的鲁棒化。所提算法无需通过统计线性回归模型对系统的非线性量测模型进行近似,高阶容积变换的优势得到充分利用,从而在保持鲁棒性的前提下提高了算法的滤波精度。单变量非平稳增长模型和再入飞行器目标跟踪问题验证了该算法在鲁棒性和滤波精度方面的优势。     

有色量测噪声下的改进求容积卡尔曼滤波器

为解决标准求容积卡尔曼滤波器在有色量测噪声条件下滤波精度退化的问题,提出改进求容积卡尔曼滤波器及其平方根形式.首先利用一阶马尔科夫模型白化非线性离散随机系统中有色量测噪声,将有色量测噪声下非线性离散随机系统转化为白噪声下非线性时滞系统.然后根据所得非线性时滞系统推导其高斯域的贝叶斯滤波框架,最后基于3度Spherical-Radial规则将该滤波框架近似为改进的求容积卡尔曼滤波器和其平方根形式.机动目标跟踪仿真试验结果表明两种改进求容积卡尔曼滤波算法在标准白噪声条件下与标准求容积卡尔曼滤波算法的估计精度相同,而在有色量测噪声背景下滤波精度和鲁棒性更优.     

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M估计的非线性鲁棒检测卡尔曼滤波算法

针对传统鲁棒非线性滤波在观测噪声为非高斯强干扰噪声情况下,滤波性能下降的问题,提出一种利用卡方检测法预判断的非线性鲁棒检测滤波算法。该算法通过卡方检测设置门限,剔除突变野值,利用M估计修正量测更新。仿真实验对比了几种典型非线性滤波方法在不同观测噪声环境下的性能。所提算法在非高斯强干扰噪声情况下,比传统鲁棒滤波算法估计精度平均提高了25.5%;估计方差平均减少了18.3%。实验结果表明:所提算法可以抑制观测量非高斯强干扰噪声的影响,提高滤波精度及稳定性。     

考虑随机量测时滞和同步相关噪声的改进高斯滤波算法

经典高斯滤波算法存在量测信息实时获取,以及过程噪声和量测噪声相互独立的假设条件.然而,在工程实际应用中该假设条件有时难以满足.本文针对一类具有随机量测时滞和同步相关噪声的高斯系统的状态估计问题,设计了一种高斯滤波框架形式的最优估计算法,并给出了所设计算法的三阶球径容积法则的次优实现形式-考虑随机量测时滞和同步相关噪声的容积卡尔曼滤波器(CKF–RDSCN).其借助Bernoulli随机序列,来描述系统中可能存在的量测时滞现象,并利用高斯条件分布性质来解决噪声相关问题,在此基础上构建所提出的最优估计算法.仿真结果表明,相比于扩展卡尔曼滤波(EKF),无迹卡尔曼滤波(UKF)以及容积卡尔曼滤波(CKF),在含有随机量测时滞和噪声同步相关的状态估计问题中,CKF–RDSCN具有更高的精度和更好的数值稳定性.     

欠观测条件下的增量容积卡尔曼滤波

在工程实践中,由于环境影响、量测设备不稳定等因素,非线性滤波系统中的量测方程可能会出现较大的系统误差,而标准的非线性滤波算法不能消除这类系统误差。针对该问题,假定过程噪声和量测噪声服从高斯分布,利用相邻量测时刻的量测值之差建立增量量测方程,采用3阶球面径向规则获得容积点及其权值。使用容积点对贝叶斯滤波过程中的积分进行数值近似,从而提出增量容积卡尔曼滤波算法。仿真实验结果表明,增量容积卡尔曼滤波算法滤波精度优于标准容积卡尔曼滤波算法与增量卡尔曼滤波算法,能够成功消除量测方程中的系统误差。     

时域和酉空间中基于最大相关熵准则的非线性噪声处理

针对非线性噪声处理的问题,考虑到信号的高阶统计量以及在酉空间可以很好地处理非高斯噪声,提出了在时域和酉空间中基于最大相关熵准则（MCC）的噪声处理算法。结合MCC和梯度下降算法,设计出了时域中非线性噪声的滤波算法。同时将该算法推广到酉空间中噪声处理,给出了酉空间中基于MCC的滤波算法。通过仿真研究发现,在时域和酉空间中,基于MCC的滤波算法相对于传统的基于最小均方差（LMS）的滤波算法在处理非高斯噪声的问题时有着显著优势,以更快的收敛速度达到能够较完整地保留信号特征的效果。     

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。     

均方根嵌入式容积卡尔曼滤波

传统容积卡尔曼滤波(CKF)的基础是三阶球面-径向容积准则,该准则不仅要求计算n维超球体上的面积分,还需将容积准则与扩展高斯-拉盖尔准则配合使用,不易推导出高阶CKF滤波算法.此外,CKF推导所采用的三阶球面容积准则也存在缺陷,这极大地限制了CKF的滤波精度.为避免以上问题,本文基于嵌入式容积准则和均方根滤波技术,提出一种加性噪声环境下,用于非线性动态系统状态估计的全新容积卡尔曼滤波算法-三阶均方根嵌入式容积卡尔曼滤波(SICKF).SICKF具有滤波精度高、数值稳定性强等诸多优点,适用于动态目标跟踪、非线性系统控制等.仿真结果表明,SICKF的滤波精度显著优于传统的非线性滤波算法.     

基于Huber的鲁棒广义高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时广义高阶容积卡尔曼滤波(GHCKF)的鲁棒性,提出一种基于Huber的鲁棒GHCKF算法.从近似贝叶斯估计角度,解释Huber方法作用于卡尔曼滤波的本质是对新息进行截断平均.采用Huber方法处理观测量,进行标准的GHCKF量测更新,从而实现算法的鲁棒化.所提出算法充分利用容积变换的优势,无需通过统计线性回归模型对系统的非线性量测模型进行近似.仿真结果表明,所提出算法具有鲁棒性强和估计精度高的特点.     

简化高阶强跟踪容积卡尔曼滤波及其在组合导航中的应用

针对传统容积卡尔曼滤波(CKF)在面对系统模型失配和状态突变滤波精度下降的问题,将强跟踪滤波器(STF)和高阶容积卡尔曼滤波(HCKF)相结合,提出一种简化高阶强跟踪容积卡尔曼滤波(RHSTCKF)算法.该算法具有比传统CKF更高的滤波精度,并且利用滤波模型的特点,简化HCKF的计算步骤,同时在HCKF中引入多重渐消因子增强算法的自适应性和应对状态突变的能力.将所提算法应用到SINS/GPS组合导航系统中进行仿真实验,结果表明,RHSTCKF可以准确估计出突变状态的真实值,能够抑制滤波器状态异常的干扰,滤波性能明显优于HCKF,能够提高组合导航系统的自适应性和定位精度.     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.该算法先采用转换量测容积卡尔曼滤波器和位置量测对目标状态进行估计,再利用经典容积卡尔曼滤波器对新构造的伪多普勒量测进行量测更新以实现目标跟踪.通过对所提算法的性能分析验证该算法的一致性和收敛性.仿真结果表明,该算法与其他跟踪算法相比,具有更高的跟踪精度.     

鲁棒高斯和集合卡尔曼滤波及其在纯角度跟踪中的应用

针对纯角度目标跟踪中量测信息易受异常值和非高斯噪声干扰的问题,提出了一种新的非线性滤波算法–鲁棒高斯和集合卡尔曼滤波(robust Gaussian-sum ensemble Kalman filter,RGSEnKF)算法.首先,采用Huber技术重塑集合卡尔曼滤波的量测更新过程,能够有效地处理量测中的异常值.随后,将改进的集合卡尔曼滤波在高斯和框架下进行扩展,得到RGSEnKF算法,可以进一步解决受非高斯噪声干扰的非线性系统的状态估计问题.此外,新算法中包含距离参数化初始化策略和高斯分量融合策略.前者是为了减小纯角度跟踪中距离信息不可观测的影响,而后者可以避免高斯分量数目随时间不断增长.大量仿真结果验证了新算法的有效性和鲁棒性.     

Algorithm of Gaussian Sum Filter Based on SGQF for Nonlinear Non-Gaussian Models

To improve the filtering effect of the sparse grid quadrature filter (SGQF) under non-Gaussian conditions, the Gaussian sum technique is introduced, and the Gaussian sum sparse grid quadrature filter (GSSGQF) is developed. We present a systematic formulation of the SGQF and extend it to the discrete-time nonlinear system with the non-Gaussian noise. The proposed algorithm approximates the non-Gaussian probability densities by a finite number of weighted sums of Gaussian densities, and takes the SGQF as the Gaussian sub-filter to conduct the time and measurement update for each Gaussian component. An application in the discrete-time nonlinear system with the non-Gaussian noise has been shown to demonstrate the accuracy of the GSSGQF. It outperforms the unscented Kalman filter (UKF), the cubature Kalman filter (CKF) and the SGQF. Theoretical analysis and simulation results prove that the GSSGQF provides significant performance improvement in the calculation accuracy for nonlinear non-Gaussian filtering problems.

     

H∞鲁棒自适应CKF算法在组合导航中的应用

针对组合导航系统状态模型及噪声统计特性不确定的情况下,标准容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法鲁棒性差,导致滤波精度下降甚至出现滤波发散的问题,提出一种H∞鲁棒自适应CKF算法。该算法基于标准的三阶CKF算法理论框架,在观测方程为线性的条件下,对其量测更新进行了简化,并引入数值稳定性较强的奇异值分解（Singular Value Decomposition,SVD）对系统状态协方差阵进行分解迭代,改善了计算的数值稳定性;在系统状态协方差阵更新过程中引入H∞ 滤波思想,并基于矩阵不等式的理论,对其约束条件[γ]进行了自适应选取,进一步改善了滤波的稳定性,提高了系统的鲁棒性。将该算法用于GNSS/INS组合导航的数值仿真实验,结果验证了该算法的有效性和优越性。