自适应UKF算法在目标跟踪中的应用

针对目标跟踪中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题, 提出了一种自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF)算法.该算法在滤波过程中,利用改进的Sage-Husa估 计器在线估计未知系统噪声的统计特性,并对滤波发散的情况进行判断和抑制, 有效提高了滤波的数值稳定性,减小了状态估计误差. 仿真实验结果表明,与标准UKF算法相比,自适应UKF算法明显改善了目标跟踪的精度和稳定性.     

基于SVD 的改进抗差UKF 算法及在组合导航中的应用

针对GPS/INS组合导航中因观测异常导致系统状态先验信息矩阵失去对称正定性,及传统等价权函数抗差算法易遇到病态矩阵,引起滤波性能下降的问题,提出一种基于奇异值分解的改进抗差UKF算法。该算法克服了先验协方差矩阵负定性变化,通过判断矩阵病态性实现智能选取抗差策略。最后利用车载实测数据进行验证,所得结果表明, SVD-UKF导航解精度稍优于EKF算法,改进的抗差策略能够极大减弱单独、连续以及混合的观测异常对导航解的影响,提高了导航解精度和可靠性。     

基于M-估计的UKF算法及其在运动估计中的应用

针对运动模型的非线性和运动估计的鲁棒性问题,提出一种结合M-估计等价加权原理的鲁棒无迹卡尔曼滤波(UKF)算法(M-UKF).该算法首先利用UKF算法获得初步的运动参数的估计,然后利用M-UKF算法得到较为准确的估计值.将M-估计与UKF方法相结合,既解决了针对运动模型非线性的估计问题,又能较好地克服离群数据的干扰,大大提高估计的鲁棒性.通过模拟数据的仿真和实际图像序列的测试说明该方法的有效性.     

自适应多尺度SVD去噪算法及在PQMD中的应用

为了提高电能质量复合扰动（PQMD）信号的去噪指标,实现扰动信号特征的准确检测,提出一种自适应多尺度SVD（Adaptive Multi-resolution Singular Value Decomposition,AMSVD）去噪新算法及数学框架。该算法首先分析了高斯白噪声奇异值分布情况及多尺度SVD消噪原理,针对不同尺度下的噪声近似与细节信号奇异值差值规律,确定出最佳消噪尺度的约束条件,由此实现噪声先验信息未知的自适应消噪方法。研究结果表明,在对不同噪声方差下的电能质量复合扰动去噪处理中,AMSVD消噪效果优于其他5种方法。为了进一步验证AMSVD算法去噪后特征量检测的准确性,采用希尔伯特黄变换（HHT）提取扰动特征信息,仿真结果表明该算法具有可行性和鲁棒性。     

基于分块SVD自适应数字水印算法

为解决基于SVD(singular value decomposition)的水印算法中调节因子单一性问题,提出一种频域率分块SVD的自适应数字水印算法。该算法在小波域进行载体图像分块,根据载体图像块自身亮度与纹理特性计算其均值、方差及信息熵等特征值,通过采用"类划分"思想自适应地确定各图像块最佳调节因子。仿真结果表明,该算法有效地克服了传统奇异值分解水印算法中存在的块效应问题,具有很好的透明性,而且对JPEG压缩、滤波、加噪等常见的图像攻击具有很强的鲁棒性,其整体性能明显优于同类的水印算法。     

基于UKF的自适应野值剔除算法

在基于RSSI信号的无线定位系统中,由于外界环境中各种存在随机干扰噪声,使得采样到的RSSI信号往往具有非线性、不稳定等特点,很大程度上偏离了其真实值,它直接影响了定位系统的定位精度。为了提取RSSI信号的真实值,提出一种基于UKF的自适应野值剔除算法,它根据信息来修正其预测值和增益,可以实时对动态观测数据中的野值进行检测和剔除。并通过与UKF算法对比仿真实验,matlab仿真结果表明,使用改进算法对RSSI信号进行滤波处理,提取的RSSI信号值更接近其真实值,收敛速度更快,误差更小,稳定性更好, 可以有效地剔除野值信号,并抑制了野值信号对滤波的影响。     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

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。     

基于极大后验估计和指数加权的自适应UKF滤波算法

针对传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)在噪声先验统计未知时变情况下非线性滤波精度下降甚至发散的问题, 设计了一种带噪声统计估计器的自适应UKF滤波算法. 首先根据极大后验(Maximum a posterior, MAP)估计原理, 推导出一种次优无偏MAP常值噪声统计估计器; 接着在此基础之上, 采用指数加权的方法, 给出了时变噪声统计估计器的递推公式; 最后对自适应UKF算法进行了性能分析. 相比于传统UKF, 该自适应UKF算法在噪声统计未知时变情况下不仅滤波依然收敛, 滤波精度及稳定性显著提高, 而且其具有应对噪声变化的自适应能力. 仿真实例验证了其有效性.     

基于PF和UKF的水下目标运动估计方法研究

针对无人水下航行器（UUV）目标跟踪控制需求,分别提出了水下目标的粒子滤波（PF）和无迹卡尔曼滤波（UKF）运动估计方法,建立了目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了建立了目标的典型运动模型和非线性随机运动模型,利用前视声呐实测实验数据,完成水下目标运动估计。通过与扩展卡尔曼滤波器（EKF）的目标运动估计对比仿真实验,验证了PF和UKF两种目标运动估计方法的有效性。     

基于SRCKF 的自适应高斯和状态滤波算法

针对非线性非高斯离散动态系统中的状态估计问题,基于高斯和递推关系,提出一种高斯和状态估计算法GSSRCKF.首先将状态噪声、观测噪声及滤波初值均表示为高斯和的形式,以平方根容积卡尔曼滤波为子滤波器分别估计各高斯子项对应的系统状态;然后结合各子项对应的权值实现全局估计;最后设计高斯子项对应权值的自适应策略,并采用约简控制法降低计算复杂度.仿真结果验证了所提出的算法在滤波稳定性方面的优越性.     

组合导航自适应卡尔曼滤波改进算法研究

针对常规卡尔曼滤波由于噪声的统计特性与实际情况不相符而引起滤波误差增大的问题,提出了一种新的在线估计系统噪声和量测噪声的自适应滤波算法.新算法通过新息序列自适应量测噪声,对Sage-Husa滤波算法进行改进以估计系统噪声,该算法在噪声统计特性未知的情况下能进行滤波计算.最后对改进的新算法与常规卡尔曼滤波算法作了对比试验...     

一种鲁棒自适应推广Kalman滤波及其在飞行状态估计中的应用

本文在自适应推广Kalman滤波基础上，为了防止滤波发散，改善自适应Kalman滤波的数值稳定性和计算效率，利用U－D分解滤波，并引进滤波发散的判据等，提出一种鲁棒自适应推广Kalman滤波新算法，并把该算法应用于飞行器飞行状态估计问题，仿真及实际计算结果证明了本文方法的有效性。     

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。     

基于SVD的彩色图像自适应盲水印算法

本文提出了基于SVD(奇异值分解)的自适应彩色图像盲水印算法,利用HVS(人类视觉系统)特性自适应地调整水印嵌入强度,通过SVD变换来进行嵌入,在保持不可见性的前提下提高了鲁棒性.实验表明,该算法在水印嵌入总量不变时,可减弱嵌入水印后对原始图像的破坏,减少视觉影响.     

基于小波掩模的自适应图像SVD水印算法

基于小波掩模给出了一种奇异值分解盲水印算法,算法自适应于图像特征。算法用重要小波系数确定不同图像特征对应的量化步长,以达到最大化水印嵌入强度的目的,在透明性和鲁棒性之间实现了较好的平衡。实验结果表明,对于常见的图像处理操作均有较好的鲁棒性。     

拒绝服务攻击下基于UKF的智能电网动态状态估计研究

针对连续拒绝服务（Denial of service,DoS）攻击导致量测数据丢失使得动态状态估计失效、进而破坏智能电网安全经济运行问题,本文提出了一种适用拒绝服务攻击的改进无迹卡尔曼滤波（Unscented Kalman filter,UKF）方法,以进行智能电网动态状态估计.首先,分析拒绝服务攻击引起数据丢包特性并设计了数据补偿策略,以重构电力系统动态模型;然后,结合Holt's双参数指数平滑和无迹卡尔曼滤波方法,构造了融合补偿信息的新状态估计方程,并进一步基于估计误差协方差矩阵推导了状态增益更新方法,从而得到了无迹卡尔曼滤波动态状态估计新方法.最后,针对IEEE 30和118节点系统进行仿真,验证了所提方法的可行性和有效性.     

SVD域的图像高斯噪声强度估计

精确估计图像或视频中的噪声强度对于后续的信号处理是至关重要的先决条件。通过对含噪图像的奇异值特性的研究,提出一种精确的SVD域的图像噪声强度估计算法。该算法对噪声强度估计提出了创新的解决方法:1)利用奇异值的尾部数据进行噪声强度估计,这样达到尽可能地降低图像信息对噪声估计的干扰;2)对含噪图像加入已知强度的高斯白噪声,以计算噪声估计时需要设置的与图像内容相关的参数,因此该算法可以自适应图像的结构,能够广泛地适应各种类型的图片。实验结果表明SVD域噪声强度估计算法适用于各种图片类型,而且在极大的噪声强度范围内都能够稳定精确地估计噪声强度。     

基于改进UKF的滚动时域估计方法及其在PVC聚合过程中的应用

聚合过程具有高度非线性和时变性等特点,参数在线估计有助于聚合过程控制性能和优化效果的改善。滚动时域估计(MHE)方法是一种用于聚合过程参数和状态估计的有效方法。本文提出了一种基于改进无迹卡尔曼滤波(UKF)的滚动时域估计方法,用于氯乙烯聚合过程机理模型时变参数的估计。滚动时域估计方法的关键问题之一是抵达成本(Arroval Cost)的近似估算,文中采用2种采样策略来实现抵达成本的自适应计算和更新。将提出的方法应用于氯乙烯聚合过程传热系数的在线估计,并与传统的滚动时域估计方法相比较,体现了该方法的有效性。     

UKF与EKF在卫星姿态估计应用中的比较

针对卫星的姿态和角速度估计问题,分别给出基于Unscented卡尔曼滤波(UKF)与推广卡尔曼滤波(EKF)的估计算法,并做了相应比较.为了避免欧拉角带来的奇异问题,UKF选用Rodrigues参数而EKF选用四元数参数法来描述姿态误差.考虑卫星的非线性模型,UKF采用Unscented变换而EKF采用线性化方法对姿态误差进行估计.利用陀螺和磁强计的测量信息,KF和EKF都可得到三轴稳定卫星的姿态估计值,但UKF的收敛速度高于EKF.数值仿真结果表明,当初始姿态存在大偏差时,所给出的UKF的滤波算法性能明显优于EKF.