平方根容积卡尔曼滤波在角测量跟踪中的应用

为解决扩展卡尔曼滤波算法(EKF)在处理角测量跟踪问题时对复杂非线性状态估计收敛速度慢、估计精度低的问题,引入一种平方根容积卡尔曼滤波算法(SRCKF)。SRCKF是一类sigma点滤波方法,基于容积原则的数值积分方法计算非线性随机函数的均值与协方差,避免了EKF中Jacobian矩阵的计算,有效提高了计算效率。另外,与一般容积卡尔曼滤波算法相比,SRCKF确保了状态协方差矩阵的对称性与半正定性,有效改进了数值精度和鲁棒性。将SRCKF应用于角测量跟踪系统中,仿真结果表明,SRCKF、Unscented卡尔曼滤波(UKF)滤波精度较传统EKF有较大提高,同时,与UKF相比,SRCKF能以较快的运行效率获得较好的滤波效果。     

混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。      

基于SR-UKF算法的锂电池SOH预测

传统的扩展卡尔曼滤波（EKF）算法估计精度较低,无迹卡尔曼滤波（UKF）算法不能确保滤波过程中状态误差协方差矩阵非负性,因而易出现滤波发散问题。为此,文中通过平方根无迹卡尔曼滤波（SR-UKF）算法预测锂电池健康状态（SOH）。首先,利用UT变换对系统进行线性化处理;然后,利用状态误差协方差矩阵的平方根替代状态误差协方差矩阵,保证状态误差协方差矩阵非负性;其次,构建二阶RC等效电路模型,根据最小二乘法辨识模型初始参数;最后,将代表SOH的欧姆内阻作为状态变量,使用SR-UKF实时估计欧姆内阻,并根据欧姆内阻与SOH的关系获取锂电池的SOH。为验证SRUKF算法在不同放电情况下的适应性,通过恒流放电工况和HPPC放电工况对SR-UKF算法进行仿真。结果表明,相比于传统的EKF算法、UKF算法,SR-UKF算法预测欧姆内阻的效果更好。     

一种改进的扩展卡尔曼滤波

针对机动目标跟踪中目标发生状态突变和运动模型不匹配时扩展卡尔曼滤波精度降低或发散的问题,提出一种根据新息矩阵的范数判断滤波是否应该修正,并通过修正一步预测值来提高滤波精度的算法。该算法使用新息矩阵和量测误差矩阵来判断滤波是否稳定,在滤波精度降低甚至发散的情况下通过修正一步预测值来提高滤波精度。该算法计算量小,实时性强。仿真结果表明,该算法能够根据新息实时调整,且滤波精度较高。     

毫米波/红外多传感器融合跟踪算法研究

毫米波/红外(MMW/IR)传感器是各国发展多模复合制导技术的重点.针对平方根无迹卡尔曼滤波(SR-UKF)的估计算法存在线性化误差及粒子滤波中得到优化的重要性密度函数比较困难的问题,将平方根无迹卡尔曼滤波与粒子滤波相结合,提出一种序贯融合的平方根无迹卡尔曼粒子滤波(SRUKPF)算法.利用平方根无迹卡尔曼算法得到的状态更新矩阵和误差协方差矩阵,构造粒子滤波的重要性密度函数,这样重要性密度函数能够融入最新观测信息,进而更加符合真实状态的后验概率分布.为验证算法的有效性,以地空导弹中MMW/IR传感器复合制导为背景进行仿真研究与分析,结果表明,该算法克服了粒子滤波法难以得到优化重要性密度函数的缺陷,能有效提高多传感器系统状态估计的精度     

一种基于CMKF建立跟踪初始估计的方法

针对极坐标观测条件下的目标跟踪，本文基于去偏转换测量卡尔曼滤波算法(CMKF-D)，提出了一种建立跟踪初始估计的方法：目标初始状态由前两点观测值估计，初始估计误差协方差由状态方程和CMKF-D中观测误差协方差计算得到。仿真结果表明，使用该方法建屯初始估计，能使滤波器迅速收敛至稳态，提高滤波初始阶段的跟踪精度。     

机载红外搜索跟踪系统被动定位滤波算法研究

首先用扩展卡尔曼滤波算法构建了机载红外搜索跟踪系统被动定位滤波模型．然后针对该滤波算法要求先验的噪声统计及存在系统观测模型线性化误差影响滤波精度的特点．利用虚拟噪声技术，提出了适合于红外搜索跟踪系统被动定位的自适应扩展卡尔曼滤波算法。该算法实时地估计了虚拟噪声的统计特性，减小了线性化误差，提高了非线性滤波的精度。仿真结果表明，在完全相同的初始条件下，自适应扩展卡尔曼滤波对目标距离和速度的估计结果明显优于扩展卡尔曼滤波，此算法具有很高的工程应用价值。     

基于UKF的单站无源定位与跟踪算法

单站无源定位与跟踪系统观测方程的非线性性决定了定位与跟踪中必须采用非线性滤波技术.MGEKF等非线性滤波方法本质上都属于扩展卡尔曼滤波算法,都存在由于线性化误差而导致滤波器稳定性差等问题.基于unscented变换的UKF算法不存在线性化误差,具有更好的稳定性,但由于协方差估计不足,导致收敛速度较慢.该文基于UKF算法提出了一种迭代UKF(IUKF)算法,通过对状态和协方差的迭代估计,改善了UKF协方差估计不足的问题.仿真结果表明在不同的参数测量精度条件下,IUKF算法既保持了较好的稳定性又提高了算法的跟踪精度和收敛速度.     

改进的平方根容积卡尔曼滤波及其在POS中的应用

为解决扩展卡尔曼滤波在处理复杂非线性状态估计时,存在收敛速度慢、估计精度低及数值稳定性差等问题,引入一种改进的平方根容积卡尔曼滤波算法(A-SRCKF)。该算法在容积卡尔曼滤波基础上引入矩阵QR分解、Cholesky分解因数更新等技术,避免了矩阵分解、求逆及求导等复杂运算,极大降低了计算复杂度;并针对系统时变及统计特性未知情况下量测噪声协方差阵难以获取问题,通过引入自适应噪声估计器并结合小波卡尔曼滤波思想,构造出加权量测噪声协方差阵,提高了数值精度及稳定性。将A-SRCKF应用于机载定姿定位系统中,仿真结果表明:该算法有效地提升了估计精度,并且运行速度较快。     

基于变分贝叶斯双尺度自适应时变噪声容积卡尔曼滤波的同步定位与建图算法

为解决移动机器人在同步定位与建图(SLAM)中因系统噪声和观测噪声时变导致状态估计精度降低的问题,该文提出一种基于变分贝叶斯的双尺度自适应时变噪声容积卡尔曼滤波SLAM算法(DSACKF SLAM)。该算法采用逆Wishart分布对一步预测误差协方差矩阵P_k|k-1和观测噪声协方差矩阵R_k建模,分别用来降低系统噪声和观测噪声的影响,并利用变分贝叶斯滤波实现对移动机器人状态向量X_k,P_k|k-1和R_k的联合估计。分别在系统噪声和观测噪声时变和时不变的条件下进行仿真实验,结果表明与基于无迹卡尔曼滤波的SLAM算法(UKF SLAM)、自适应更新观测噪声的容积卡尔曼滤波的SLAM算法(VB-ACKF SLAM)相比,所提DSACKF SLAM算法在噪声时变时,平均位置误差分别减小1.54 m, 3.47 m;噪声时不变时,平均位置误差分别减小0.62 m,1.41 m,证明DSACKF SLAM算法有更好的估计性能。     

基于SRUKF的组网雷达系统偏差估计方法

雷达组网数据处理首先要进行误差配准,来准确地估计和消除系统偏差。该算法模型建立在ECEF坐标系下,并采用均方根不敏卡尔曼滤波（SRUKF）对组网雷达系统偏差进行实时估计。该算法不仅无需计算雅可比矩阵,而且算法的方根形式增加了数值稳定性和状态协方差的半正定性。仿真结果表明,该算法可以有效地实现组网雷达的系统误差配准。     

基于协方差控制的相控阵雷达资源管理算法

基于协方差控制策略研究了相控阵雷达搜索及跟踪方式下的资源管理问题.建立了相控阵雷达资源分配的最优化模型,该模型可以依据传感器对所跟踪目标设定的期望协方差矩阵与当前目标实际协方差阵之间的偏差,来确定下一时刻传感器的工作模式.分别提出了基于协方差偏差均值最小准则和最大协方差偏差最小准则两类资源管理算法.所提出的资源管理算法可以依据最优资源分配准则来控制传感器搜索及跟踪模式,使得对所有目标的跟踪维持在最佳状态.进一步,选取绝对值求迹度量和2范数度量进行仿真分析,结果表明基于协方差控制的资源管理算法可以在维持目标期望跟踪状态的条件下,有效分配雷达资源.最后讨论了期望协方差矩阵选取的原则.     

一种基于卡尔曼滤波器的联合检测

由于实际无线信道环境的随机性,所以很难精确估计信道高斯白噪声,传统联合检测算法应用在实际通信系统中的性能很不稳定,因此针对此不足提出了一种新型Kalman滤波器联合检测方法,并对其方法进行了详细的阐述,在系统中进行了性能仿真,对其工作性能进行了分析,通过分析验证了此方法在实际系统中的可行性,对主要工作进行了全面总结,提出了进一步研究和改进的方向,为工程应用提供联合检测算法实现和算法性能等方面的参考。     

State estimation and control of the Fibonacci system

In this paper the second-order unstable Fibonacci system is defined by adding a control input to the recursion relation that generates the Fibonacci numbers, and the characteristics of its Kalman state estimator and its control using both the LQR and deadbeat control approaches are investigated. It is found that the elements of the Kalman estimator's steady state gain and error covariance matrices are functions of the golden ratio, and, under certain assumptions on the noise variance and the initial-state error covariance, that the recursion relations for the elements of the a priori error covariance matrix involve functions of the Fibonacci numbers. On the control side, as the control weight increases relative to the weights on the states in the LQR design, the elements of the feedback gain matrix and the closed loop pole locations approach functions of the golden ratio. Finally, the deadbeat design is capable of bringing the unstable Fibonacci system from any initial state to an “idle” state of (1, 1) in two control iterations, of maintaining it there with the simple control sequence {−1, −1, −1, …}, and then of regenerating the Fibonacci sequence at any later time by simply turning off the control.     

单站无源定位中的抗野值鲁棒CKF算法

单站无源定位系统的测量噪声中如果出现野值,会影响滤波器的估计精度和稳定性,严重时还会导致滤波器发散。针对这一问题,基于Bayes定理并结合归一化受污染正态模型,提出了一种抗野值鲁棒容积卡尔曼滤波算法。该算法采用球面径向积分原则直接计算非线性函数的均值和方差,并对测量误差建立一个归一化的受污染正态模型,然后根据野值出现的后验概率来自适应调整测量预测残差的方差阵。结合空频域单站无源定位模型进行仿真实验表明,该算法可以较好地抑制测量噪声中的离散或成片连续野值的不利影响,具有较强的鲁棒性。     

一类多速率多传感器系统的状态融合估计算法

基于不同传感器以不同采样率对同一目标状态进行观测的多传感器单模型动态系统,该文提出了一种状态融合估计算法。不同传感器之间采样率之比可以是正有理数。该算法不仅具有好的实时性,而且在线性最小方差意义下是最优的。进一步可以证明:融合多个传感器获得的最高采样率下状态的估计值优于单传感器的估计结果,而减少任何一个传感器的信息所获得的估计值的误差协方差都将增大。仿真结果验证了算法的可行性与有效性。     

基于地心地固坐标系的多运动平台实时配准方法

固定平台情况下基于地心地固（ECEF）坐标系的配准模型,在运动平台中已不适用,鉴于此,在考虑系统误差固定不变的条件下,推导了基于ECEF坐标系的多运动平台多传感器的配准模型,并提出采用卡尔曼（Kalman）滤波方法来估计系统偏差,实现了对固定系统误差的实时估计,便于工程应用实现。仿真表明了该方法的有效性。     

CO-OFDM系统中基于卡尔曼滤波对相位噪声补偿算法的研究

基于卡尔曼滤波提出了两种相干光正交频分复用(CO-OFDM)系统的相位噪声补偿算法,这两种算法在发射端的时域均插入导频,并在接收端对导频进行卡尔曼滤波,最后利用插值算法补全全部子载波的相位噪声.仿真结果表明,基于最小均方误差(MMSE)准则的判决反馈算法在相位噪声比率为10-1时,系统误码率约为10-4,并且出现了错误平层,而基于卡尔曼滤波所提出的两种相位噪声算法在大相位噪声的情况下仍然具有较好性能且能有效地降低错误平层,因而所提出的相位噪声补偿算法能改善CO-OFDM系统的性能.     

一种改进自适应机动目标跟踪算法

针对“当前”统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷和强跟踪滤波器对非机动部分跟踪精度不理想的缺陷。通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度;对卡尔曼滤波算法中预测误差协方差及渐消因子的计算作出修正,改进机动部分和非机动部分的精度;将目前常用的估计协方差的计算公式采用Joseph公式,增强数值的稳定性和算法的鲁棒性。仿真和实践结果表明该算法具有良好的性能。     

高速公路多路段状态联合估计方法

为了准确估计高速公路多个路段的交通状态,该文通过分析高速公路的路段宏观模型,提出了一种新的多路段误差状态方程。在该模型中,考虑了各路段交通密度、平均速度估计误差的传播。通过该模型,可以采用推广Kalman滤波方法进行多路段的交通状态估计。为了克服多路段状态方程的维数灾、提高计算效率并增强数值稳定性,根据系统矩阵分块的特点,该文采用了平方根滤波方法。仿真计算和实际应用表明,该文方法不仅避免了估计误差的积累效应,而且大大提高了多路段交通状态估计的计算效率。