基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

基于旋转矩阵KF的低成本MEMS姿态解算

针对低成本MEMS器件组合的姿态检测系统在运动加速度干扰下姿态估计精度较差等问题,提出了一种基于旋转矩阵卡尔曼滤波器(KF)的姿态解算方法.为了克服四元数法观测方程为非线性的缺点,该方法以旋转矩阵部分元素建立状态方程,并对量测加速度采用状态反馈估计的运动加速度进行补偿,减小了外部加速度的干扰,然后通过构造水平观测向量降低了计算复杂度,并给出了量测噪声协方差的推导.最后设计了卡尔曼滤波器对量测信息实现融合.动静态测试表明,该方法消除了累计误差,与无迹卡尔曼滤波(UKF)相比,提高了在运动加速度干扰下的姿态估计精度.     

洋流影响下基于运动矢径的AUV协同定位方法

针对水下自主航行器（AUV）协同定位受水下未知定常洋流影响的问题,给出一种洋流影响下基于运动矢径的AUV协同定位方法.利用AUV的运动学方程和基于运动矢径的量测方程,建立AUV的导航模型;通过扩展的卡尔曼滤波,设计了协同定位滤波算法;利用该算法对洋流速度进行估计,以补偿AUV定位误差.仿真结果表明,该算法能有效估计未知定常洋流速度的大小,并对AUV定位误差进行实时补偿,显著提高了AUV的定位精度.     

基于GPS伪距的火箭弹扰动源最优估计方法

针对某型火箭弹纵向运动过程,根据小扰动运动理论,采用“系数冻结法”推导出了火箭弹纵向扰动运动的解析方程.根据风洞吹风实验数据,采用拟合的方法给出弹体纵向运动气动参数模型,建立了以气动系数误差扰动源和GPS误差源为状态量的系统状态方程,利用GPS伪距观测量构建了系统量测方程,应用扩展卡尔曼滤波方法对火箭弹被动段纵向平面的气动参数误差干扰源进行最优估计和仿真.仿真结果表明,改进方法加快了扰动源误差的收敛速度,并提高了估计精度.     

基于模糊神经网络优化扩展卡尔曼滤波的锂离子电池荷电状态估计

电池荷电状态(state of charge,SOC)的精确估计是判断电池是否过充或过放的重要依据,是电动汽车安全、可靠运行的重要保障.传统基于扩展卡尔曼滤波(extended Kalman filter,EKF)的SOC估计方法过度依赖于精确的电池模型,并且要求系统噪声必须服从高斯白噪声分布.为解决上述问题,基于模糊神经网络(fuzzy neural network,FNN)建立模型误差预测模型,并藉此修正扩展卡尔曼滤波测量噪声协方差,以实现当模型误差较小时对状态估计进行测量更新,而当模型误差较大时只进行过程更新.仿真和实验结果表明,该算法能有效消除由于模型误差和测量噪声统计特性不确定而引入的SOC估计误差,误差在1.2%以内,并且具有较好的收敛性和鲁棒性,适用于电动汽车的各种复杂工况,应用价值较高.     

基于轻量级姿态估计的跳绳检测计数算法

针对人体姿态估计算法可实施性低以及基于姿态估计的跳绳计数精度不高的问题, 提出了一种基于轻量级人体姿态估计网络的跳绳计数算法. 该算法首先输入跳绳视频, 接着利用帧间差分法提取关键帧图像并送入人体姿态估计网络进行关节点检测; 同时为了解决轻量级网络检测精度不高的问题, 提出优化的LitePose检测模型, 采用自适应感知解码方法对模型的解码部分进行优化从而减少量化误差; 然后采用卡尔曼滤波对坐标数据进行平滑降噪, 以减小坐标抖动误差; 最终通过关键点坐标变化判断跳绳计数. 实验结果表明, 在相同图像分辨率和环境配置下, 本文提出的算法使用优化的LitePose-S网络模型, 不仅未增加模型参数量和运算复杂度, 同时网络检测精度提高了0.7%, 且优于其他对比网络, 而且本算法在跳绳计数时的平均误差率最低可达1.00%, 可以利用人体姿态估计的结果有效地判断人体起跳和落地情况, 最终得出计数结果.     

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.     

工业物联网中的精确时钟同步: 网络化控制理论观点

本文针对物联网中时变的时钟参数, 运用网络化控制理论观点, 通过对时钟状态建模的本质分析, 区别于"相对时钟建模", 提出了全分布规模化时钟状态追踪卡尔曼滤波(Kalman filtering). 考虑量测的丢失, 则扩展为追踪时钟参数的修正Kalman filtering算法. 我们提出了以BMU (Basic measurement unit)构建新的MMSE (Minimum mean square error)等价变换下的能观测性状态解耦量测模型, 新的量测模型能够实现MMSE量测规模化扩展, 且理论上分析了时钟同步的条件和计算了统计时钟同步误差的相应上界, 并且在时钟同步精度与潜在的通信网络质量间作出了量化均衡.     

一种红外导引头量测误差抑制方法研究

针对自寻的反坦克导弹的红外导引头由于受复杂背景和随机干扰影响测角精度不高的问题,提出了一种惯导信息辅助的无迹卡尔曼滤波方法;利用惯导信息描述导弹自身的运动,基于弹目信息状态变量构建弹目相对运动模型,采用无迹卡尔曼滤波方法实现对导引头量测误差的抑制;该方法实现了导引头量测信息与惯导信息的融合,充分利用信息资源,抑制导引头量测误差,提高了导弹的打击精度,仿真实验证明了该方法的有效性.     

基于UKF 和神经网络的一类非线性系统状态估计

在模型未知的情况下,估计过程的重要变量尤为重要.鉴于此,采用不敏卡尔曼滤波(UKF)与神经网络相结合的方法,解决一类未知模型非线性系统的状态估计问题.采用动态神经网络对非线性系统进行建模,利用UKF对状态和权值进行同时更新,从而达到神经网络逼近真实模型,估计值跟随真实值的目的.通过两个仿真实例表明了所提出的方法具有良好的估计效果,并且状态在输出中的比重越大,其估计精度越高.     

基于人体和场景上下文的多人3D姿态估计

深度歧义是单帧图像多人3D姿态估计面临的重要挑战,提取图像上下文对缓解深度歧义极具潜力.自顶向下方法大多基于人体检测建模关键点关系,人体包围框粒度粗背景噪声占比较大,极易导致关键点偏移或误匹配,还将影响基于人体尺度因子估计绝对深度的可靠性.自底向上的方法直接检出图像中的人体关键点再逐一恢复3D人体姿态.虽然能够显式获取场景上下文,但在相对深度估计方面处于劣势.提出新的双分支网络,自顶向下分支基于关键点区域提议提取人体上下文,自底向上分支基于三维空间提取场景上下文.提出带噪声抑制的人体上下文提取方法,通过建模“关键点区域提议”描述人体目标,建模姿态关联的动态稀疏关键点关系剔除弱连接减少噪声传播.提出从鸟瞰视角提取场景上下文的方法,通过建模图像深度特征并映射鸟瞰平面获得三维空间人体位置布局;设计人体和场景上下文融合网络预测人体绝对深度.在公开数据集MuPoTS-3D和Human3.6M上的实验结果表明:与同类先进模型相比,所提模型HSC-Pose的相对和绝对3D关键点位置精度至少提高2.2%和0.5%;平均根关键点位置误差至少降低4.2 mm.     

Cubature卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出cubature卡尔曼滤波-卡尔曼滤波算法(CKF-KF),分别应用CKF和KF估计模型中的非线性和线性状态.该算法对非线性与线性状态均进行cubature采样,并将两种样本通过线性方程和量测方程进行传播,以获得非线性状态估计.机动目标跟踪仿真结果表明,CKF-KF的估计精度比Rao-Blackwellized粒子滤波器(RBPF)略低,但算法运行时间不到其1％;与无迹卡尔曼滤波器(UKF-KF)相比,估计精度相当,但算法运行时间降低了22％,有效地提高了实时性.     

基于PF的EKF算法及应用

针对拦截弹与目标遭遇时间短,制导精度要求高的特点,提出了一种基于预测滤波(PF)的扩展卡尔曼滤波(EKF)算法.PF是在综合了模型预测控制理论和最小模型误差估计法(MME)的基础上提出的一种新的估计方法.该方法最大特点是能实时地估计出校正项(模型误差项)并加到估计模型中,使产生的新模型更能准确地描述实际系统的行为.PF的这一特点,恰恰可以解决EKF无法处理由于模型不准而导致估计精度下降的问题.因此,可以利用PF估计出的模型误差项实时地修正系统模型,令原来的系统模型更加准确,然后再利用EKF对新的、能更准确描述系统行为的模型进行滤波,最后得到更为精确的制导信息估计值.仿真结果表明,该算法与扩展卡尔曼滤波相比,增加的计算量并不明显,却在系统模型不准确的情况下,能够显著提高制导信息的估计精度,有效减少了拦截弹的脱靶量.     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.     

捷联惯导系统中卡尔曼滤波的应用研究

为提高捷联惯导系统初始对准精度,提出将卡尔曼滤波技术应用于系统初始精对准,用以估计系统的失准角和惯性误差。对卡尔曼滤波技术在捷联惯导系统中的应用进行分析,建立捷联惯导系统初始对准误差模型和卡尔曼滤波量测方程。分析不同条件下不同滤波方法的滤波原理和滤波精度。在此基础上,提出一种将预测扩展卡尔曼滤波应用于逆向导航技术的思路,并进行了理论分析和捷联惯导系统自对准流程设计,为后续进一步深入开展惯导系统初始对准奠定基础。     

基于EKF神经网络的扩频系统抗窄带干扰技术

针对消除扩频系统中的窄带干扰问题,文章提出了一种基于扩展卡尔曼滤波(EKF)的递归神经网络预测器(RNNP)。扩展卡尔曼滤波被用于反馈修改递归神经网络的权值系数,从而准确地估计干扰信号,具有收敛速度快、预测精度高和适用于非线性处理的优点。仿真结果表明:基于EKF学习算法的RNNP相对于自适应线性最小均方差(LMS)干扰预测器、自适应近似条件均值(ACM)干扰预测器和基于实时递推学习(RTRL)算法的RNNP在预测误差的均方误差、收敛速度、信噪比改善量方面上有不同程度的改进。     

自适应卡尔曼滤波在目标跟踪系统中的应用

目标跟踪是精确制导系统中的重要组成部分.文中针对运动目标跟踪问题,在建立运动模型的基础上,应用卡尔曼滤波算法进行了跟踪仿真研究.考虑到直角坐标系下的扩展卡尔曼滤波容易发散,可能导致滤波精度变差,所以文章提出一种针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器.直角坐标系下的自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测器模型的线性化误差,削减了系统的观测误差,并对其滤波理论及算法进行了仿真研究.结果表明:该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法.     

一种基于表面肌电信号的腕部肌力估计方法研究

基于表面肌电信号(Surface ElectroMyoGraphy,sEMG)的人机交互力控制需要检测肌力的大小,而直接、精确地测量肌力十分困难,因此常使用肌力估计的方法估计肌力,为了实现基于sEMG信号的腕部肌力估计,文中提出了一种方法.该方法首先制作一个肌力采集平台,然后采集腕部一系列不同肌力水平的肌力信号和sEMG信号,将两种信号滤波后同步匹配,取sEMG信号的均方根、平均绝对值(MAV)、均值频率、谱矩比(Spectral Moments Ratio,SMR)作为4个特征值,最后使用支持向量机(Support Vector Machine,SVM)建模实现肌力估计,并与BP神经网络建模结果比较.两名实验者肌力估计均方根误差分别达到9.1％MVC(最大等长收缩力)和8.7％MVC,结果表明所提方法是一种有效的、简便的腕部肌力估计方法.     

基于ANN伪量测建模的配电网状态估计

针对配电网状态估计实时量测数量的不足,提出了一种基于ANN伪量测建模的配电网状态估计算法。该方法采用人工神经网络网络（ANN）,将部分实时量测数据作为神经网络的输入,产生较为精确的负荷伪量测数据。此外,应用高斯混合模型对产生伪量测的误差进行分解拟合,从而获得负荷伪量测的权重。最后,将获得的伪量测及其权重输入到状态估计模块中,实现了配电网的状态估计。通过英国标准配网系统（UKGDS）中16节点模型的仿真结果表明,该算法提高了配电网状态估计的精度,具有一定的现实意义和理论价值。