一种新的更好的基于"当前"统计模型的自适应滤波算法

提出一种新的基于"当前"统计模型的自适应滤波算法,针对"当前"统计模型自适应滤波算法中加速度极限值需要预设的不合理性,通过新息量和滤波值对加速度极限值进行估计,从而实现加速度极限值的自适应.通过对机动目标进行Monte Carlo仿真,结果表明了新算法的有效性和合理性.     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

基于神经网络的新息自适应卡尔曼滤波在高速公路变形监测中的应用

实际应用中卡尔曼滤波的动态噪声和观测噪声往往不是固定的,提出运用新息自适应卡尔曼滤波法则对噪声进行实时估计。同时,为了克服新息自适应卡尔曼滤波要求系统模型过分精确的缺点,基于神经网络的新息自适应卡尔曼滤波算法,通过使用神经网络进行误差补偿来提高滤波性能,并运用于高速公路变形监测中。结果表明：该模型与原始观测值的残差全部降到了０.２５ｍｍ以下,说明该模型精度很高,在实际应用中具有一定的可行性。     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

一种基于“当前”模型的改进卡尔曼滤波算法

针对“当前”模型中加速度上下限对卡尔曼算法造成的影响,提出了一种改进算法。该改进算法利用速度预测估计和速度滤波估计间的偏差进行加速度方差自适应调整,避免了加速度极限值对状态估计精度的影响。最后对具有不同加速度极限值参数的卡尔曼滤波算法进行了仿真,验证了加速度上下限对卡尔曼滤波算法精度有一定影响,并进一步对比了所提出的改进算法和基于“当前”模型的标准卡尔曼滤波算法的效果,结果表明改进算法的预测误差小,跟踪精度高。     

一种改进的群目标自适应跟踪算法

为提高对群目标在机动情况下的跟踪性能,提出一种改进的群目标自适应跟踪算法．在群质心状态估计中,在修正“当前”统计模型的基础上,利用群质心的速度预测和速度估计的偏差进行过程噪声方差自适应调整,并引入强跟踪滤波中的渐消因子,实时调节群质心的状态预测协方差．在扩展状态估计中,将其对应的椭圆面积预测值和估计值的偏差以及偏差变化率作为模糊输入量,采用模糊推理法自适应输出扩展状态的预测参数．此外,提供了群目标分裂机动的判决方法．仿真结果表明,与现有方法相比,本文算法增强了对群目标在突发机动时的自适应跟踪能力,并能有效检测出群的分裂机动．     

机动目标时差无源定位自适应滤波算法研究

基于加权最小二乘估计和卡尔曼滤波理论,采用时变均值修正瑞利分布密度函数描述机动目标加速度的统计分布规律,构造机动目标加速度“当前”统计模型,建立一种新的自适应卡尔曼滤波算法,计算机仿真结果验证了该算法的有效性、可行性。     

改进的CKF在SINS/GPS组合导航中的应用

为了降低动态扰动误差对容积卡尔曼滤波(Cubature Kalman Filter,CKF)精度的影响,采用新息自适应估计(Innovation-based Adaptive Estimation,IAE)理论构造改进的CKF滤波模型,利用新息序列在线估计和修正噪声统计特性,自适应地调整量测噪声。通过SINS/GPS组合导航系统对标准CKF与改进的CKF进行仿真验证,结果表明,改进的CKF算法能够在一定程度上提高组合导航系统对不同随机噪声的适应能力,有效地降低了滤波误差,提高了解算精度。     

一种基于极大似然准则的自适应卡尔曼滤波算法

在系统不能确切建模或模型本身会产生改变的应用场合，传统卡尔曼滤波算法的性能受到直接影响，甚至无法正常应用。基于标准卡尔曼滤波假设，利用极大似然估计准则推导了一种新的自适应卡尔曼滤波算法，这种滤波算法的主要思路是利用新息序列对系统和量测噪声方差阵Q和R实时估计和调整，以实时反映系统模型的变化。在相关理论分析的基础上，针对低成本惯性／GPS组合导航系统对这种自适应卡尔曼滤波方法的性能进行了仿真分析，与传统卡尔曼滤波算法进行了比较，探讨了这种算法的实用性。     

基于多新息理论的卡尔曼滤波改进算法

系统建模是卡尔曼滤波的基础,系统模型不准确带来的验前数据误差,使滤波器精度降低,甚至可能造成发散.针对这种情况,提出一种基于多新息理论改进的卡尔曼滤波算法.多新息卡尔曼滤波算法不仅考虑了运动目标当前的运动状态,而且也充分利用目标之前运动信息,从而使得多新息卡尔曼滤波算法的滤波精度和稳定性得到改善.仿真结果表明,改进的多新息卡尔曼滤波算法较标准卡尔曼滤波算法更有效,预测精度更高.