基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.     

四元数约束的容积卡尔曼滤波及其应用

针对一些非线性系统状态变量中存在四元数约束的情况,提出了一种四元数约束下的容积卡尔曼滤波(quaternion constrained cubature kalman filter,QCCKF)算法．基于最小约束代价函数,采用三阶球面-相径容积规则近似计算系统状态的后验均值和协方差,给出了QCCKF滤波递推公式．设计的QCCKF算法可以有效地对状态进行估计,扩展了CKF的应用范围．最后对飞行器姿态估计系统进行仿真,仿真结果表明,该算法估计精度优于常规CKF和无迹四元数估计法(unscented quaternion estimator, USQUE),并满足四元数约束条件,较好地解决了非线性系统存在四元数约束的问题,验证了算法的有效性．     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

多伯努利滤波的快速红外弱小目标检测与跟踪

针对复杂背景下多个弱目标检测与跟踪中存在的跟踪不稳定、非实时及量测模型高度非线性问题,提出一种基于多伯努利滤波的快速检测与跟踪算法.首先,采用改进的Robinson Guard算法抑制背景杂波,避免强起伏背景图像中目标被抑制的问题;其次,采用平方根容积卡尔曼滤波实现多伯努利检测前跟踪,在保证实时跟踪的同时,解决了滤波的高度非线性,避免了协方差矩阵负定造成的数值不稳定.实测红外背景图像实验表明,改进的Robinson Guard算法能够有效抑制背景杂波、保留弱目标信息,平方根容积卡尔曼多伯努利检测前跟踪能更准、更稳定地估计目标数目和状态,实现目标的实时检测与跟踪.     

基于改进的迭代容积卡尔曼滤波姿态估计

为了充分利用新的量测信息,提高姿态估计的精度,在分析现有迭代滤波策略存在问题的基础上,采用一种新的容积点迭代策略,将其与容积卡尔曼滤波算法相结合,提出了一种改进的迭代容积卡尔曼滤波(improved iterated cubature Kalman filter, IICKF)算法．该算法采用容积数值积分理论近似非线性函数的均值与方差,利用状态扩维理论来解决量测迭代中量测噪声与状态相关的问题,同时利用一种新的容积点迭代策略,即在量测迭代过程中直接采用容积点迭代,避免每步迭代都进行均方根计算来产生容积点,克服传统迭代策略是基于高斯近似产生采样点的局限,有效地降低扩维带来的计算量．仿真结果表明：该算法的估计精度高于乘性扩展卡尔曼滤波(multiplicative extended Kalman filter, MEKF)以及迭代容积卡尔曼滤波(iterated cubature Kalman filter, ICKF)算法,该算法的提出有助于提高姿态估计的精度．     

一种高斯型非线性迭代更新滤波器

针对高斯型非线性滤波器在大初始偏差条件下性能下降、甚至发散的问题,提出了一种新的非线性滤波算法,即迭代更新扩展卡尔曼滤波器（iterated update extended Kalman filter,IU-EKF）。首先,该算法在EKF框架下,将传统的一步量测更新在伪时间上分为多步进行,采用部分增益将当前量测信息逐步地引入量测更新过程实现对状态的后验估计;其次,由于多步量测更新过程引入了每一步的过程噪声,因此将量测噪声与每一步更新后的状态估计误差之间的互协方差代入误差协方差矩阵,再利用此误差协方差矩阵的迹对标准卡尔曼增益矩阵求导并令结果为零,以导出噪声相关条件下的最优卡尔曼增益矩阵表达式;最后,根据后验量测残差自适应地调整迭代更新次数,在保证一定滤波精度的前提下,降低了算法的计算量。以2维目标跟踪问题为例,在大初始偏差条件下,通过仿真实验将本文算法分别与EKF、IEKF、UKF、CKF算法进行对比,并针对不同迭代次数对滤波精度的影响进行对比分析。仿真结果表明：本文算法较EKF大幅提高了滤波估计精度,且在大初始偏差条件下,本文算法性能优于现有经典高斯假设滤波器。同时,当迭代次数按1、2、5、10、20递增时,本文算法的滤波精度也随之提升,但提升幅度逐渐减缓。     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.     

一种改进的多伯努利多目标跟踪算法

针对粒子势均衡多目标多伯努利滤波的粒子实现形式所需粒子数多、粒子退化严重的问题,将均方根容积卡尔曼滤波与粒子势均衡多目标多伯努利滤波相结合,提出均方根容积卡尔曼粒子势均衡多目标多伯努利滤波算法．该算法利用均方根容积卡尔曼滤波构建重要性密度函数,再对其进行采样获得预测粒子状态,从而提高粒子的准确性,减轻粒子退化．与基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波相比,该算法更稳定,且算法性能不受目标状态维数的限制．仿真实验表明,所提算法与粒子势均衡多目标多伯努利滤波算法和基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波算法相比,其跟踪精度更高．     

似然迭代平方根容积卡尔曼滤波算法的克拉美罗下界分析

本文介绍了平方根容积卡尔曼滤波算法和似然迭代平方根容积卡尔曼滤波算法,推出了后验克拉美罗下限.将两种算法应用到弹道再入段的状态估计中,分析和比较了两种算法的标准差与后验克罗美罗下限的关系.仿真实验结果表明,相比于平方根容积卡尔曼滤波算法,似然迭代平方根容积卡尔曼滤波算法的位置、速度和弹道系数的标准差与后验克拉美罗下限很接近,算法的滤波性能明显优于平方根容积卡尔曼滤波算法,是一个有效的状态估计算法.     

基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

马尔可夫链蒙特卡罗容积粒子滤波器

针对非线性、非高斯系统状态估计问题,提出了一种基于重要密度函数的改进粒子滤波器-马尔可夫链蒙特卡罗容积粒子滤波器。在状态转移概率的基础之上综合考虑了当前的量测信息,利用容积卡尔曼滤波对每个采样粒子进行估计,使得重要密度函数更加贴近于真实后验;同时为避免粒子贫乏,在重采样后加入马尔可夫链蒙特卡罗步骤。理论分析和实验仿真表明:马尔可夫链蒙特卡罗容积粒子滤波器的性能要优于容积粒子滤波器以及其他参照滤波器。     

基于伪线性卡尔曼滤波的两站红外无源定位及跟踪技术

建立了目标的两站红外搜索与跟踪系统的伪线性观测模型，基于该模型提出了运动目标的伪线性卡尔曼滤波算法．该算法利用伪线性方程组获得滤波器的初值，从而提高了滤波器的跟踪精度和速度．分别采用伪线性卡尔曼滤波器与推广卡尔曼滤波器对目标进行定位及跟踪的仿真结果表明：在跟踪初始阶段，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波．在近距离范围，不论目标是匀速还是机动运动，两者的跟踪精度都非常高．在远距离范围，当目标机动时，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波；当目标匀速运动时，推广卡尔曼滤波的跟踪精度略优于伪线性卡尔曼滤波．从整个仿真过程可以看出，目标的运动形式对推广卡尔曼滤波性能的影响是非常明显的，而对伪线性卡尔曼滤波性能的影响则很小．     

量测不确定的四元数约束CKF姿态估计

针对姿态估计系统在量测不确定和四元数约束下存在发散及估计精度差的缺陷,提出了一种基于不确定量测的四元数约束容积卡尔曼滤波算法(quaternion constrained cubature Kalman filter based on uncertain measurements,UCCKF).该算法克服了约束容积卡尔曼滤波算法的局限性,采用独立的伯努利随机变量来描述量测的不确定性,利用三阶球面-相径容积规则近似计算非线性函数的后验均值和协方差.并针对四元数规范化问题,采用两步投影理论来解决四元数约束限制.仿真结果表明,相比较于约束容积卡尔曼滤波(constrained cubature Kalman filter,CCKF)和无迹混合滤波(unscented mixture filter,UMF),提出的UCCKF算法在量测不确定情况下具有更好的收敛性和更高的估计精度,说明该算法对量测不确定下的非线性姿态估计系统是有效、可行的.     

基于SCKF方法的非线性随机动态系统故障诊断方法

基于平方根容积卡尔曼滤波方法(Square root cubature Kalman filter, SCKF),研究一类非线性随机动态系统的故障检测与估计问题。SCKF对解决复杂非线性系统的状态估计问题,具有精度高、稳定性优和计算复杂度低等优点。针对发生执行器故障的非线性随机动态系统,采用SCKF估计系统状态,并根据状态估计结果,利用滑动时间窗口技术设计残差信号,检测故障发生。在检测到故障之后,构造增广系统,实现对执行器故障幅值的估计。通过仿真试验验证了所提出方法的有效性。     

基于抗差Kalman滤波的精密单点定位

当精密单点定位的观测值含有异常数据时,Kalman滤波的精度将会降低。采用抗差Kalman滤波方法能够有效抑制观测异常,提高滤波的精度和可靠性。运用武汉国际GPS服务跟踪站数据对该方法进行了验证。结果表明,抗差Kalman滤波的精度比Kalman滤波的精度有一定程度提高,说明抗差Kalman滤波能够有效抑制观测异常。     

卡尔曼滤波在陀螺稳定吊舱控制中的应用

通过对当前流行的控制方法进行比较,采用变结构控制的原理对系统控制器进行设计.以典型的两轴四框架结构吊舱系统的内俯仰框架为控制对象,设计了一种基于Kalman滤波器的滑模变结构控制方案.当过程噪声和量测噪声较大时,针对不同形式的跟踪信号,对有无滤波器两种控制方案的跟踪效果进行了比较.仿真结果表明,采用基于Kalman滤波器的滑模变结构,系统的跟踪性能较没有Kalman滤波器的跟踪性能有明显的改善,提高了系统跟踪精度.     

精密单点定位的抗差卡尔曼滤波研究

从卡尔曼滤波的新息出发,推导了卡尔曼滤波残差的新息表达式,并用其构造抗差因子.根据精密单点定位的内部可靠性和观测值的随机性,确定完全可探测的载波相位和伪距粗差,并分别加入相应观测值粗差.通过标准卡尔曼滤波、新息的抗差卡尔曼滤波和残差的抗差卡尔曼滤波3种方案对比,粗差使标准卡尔曼滤波的估计结果产生一定的偏差.当观测值精度不等时,新息的抗差卡尔曼滤波对较高精度观测值的粗差抗差效果较差.而残差的抗差卡尔曼滤波能够实现不等精度观测值粗差的同时抗差.     

一种基于无线视觉传感器网络的分布式多目标跟踪滤波算法

本文提出基于积分卡尔曼滤波的无线视觉传感器网络的分布式目标跟踪算法,用于从多个监控数码相机中汇总跟踪结果,然后通过中央处理器处理数据,返回到各个数码相机中,从而优化目标跟踪。无线视觉传感器网络是一个重叠视觉领域里的一个多监控摄相机网络,重叠视觉领域里有同样的目标经过,通过交换它们当地的目标位置和速率的估计值,在估计的过程中,每个加入的摄相机通过一致性算法汇总收到的状态。仿真结果表明,多个数码相机对目标预测的真实状态值要比单个数码相机预测值更精确。     

基于U-D分解滤波的盲空时多用户检测算法

多用户检测作为CDMA系统的抗多址干扰环节,在16bit或32bit专用微处理器或DSP上实现,采用卡尔曼滤波算法的最佳多用户检测算法必然面临数值计算稳定性的问题．文中提出利用U-D分解渐消记忆滤波算法估计CDMA系统多用户接收器的最优判决向量,构造出一种收敛速度快、跟踪性能好、数值稳定性好的高性能盲空时多用户检测算法．仿真实验表明,该方法具有很强的抗多址干扰能力和较高的数值鲁棒性．     

基于变权新息协方差的自适应卡尔曼滤波器

针对传统卡尔曼滤波器鲁棒性差,无法实时精确跟踪系统突变状态的现实,设计了一款基于变权新息协方差的自适应卡尔曼滤波器。在传统卡尔曼滤波器的基础上,分析了突变状态无法跟踪的缘由;基于滤波发散判据,分析储备系数与均权新息协方差之间的关系,对状态突变程度进行分层;基于Sage-Husa估计原理与加权最小二乘准则,对于不同程度的突变状态,采用实时调整各历元新息协方差权重的策略,优化渐消因子,激活滤波增益,增权量测新息。实例研究表明,自适应卡尔曼滤波器鲁棒性强,能够精确跟踪系统突变状态,其状态收敛速度优于抗差卡尔曼滤波器,稳态精度提升了42.05%。