差分线性化EKF滤波方法研究

针对扩展卡尔曼滤波(EKF)框架下非线性模型线性化时雅克比矩阵计算复杂且精度难以保证的情况,提出一种基于差分线性化的EKF算法。该方法用目标位置的量测值和状态一步估值作差分的方法代替雅克比阵的计算。通过蒙特卡洛仿真表明,差分EKF在保证跟踪精度的前提下,大大简化了复杂的求导运算,适合于实际的跟踪系统应用。     

基于改进UKF的GPS非线性动态滤波研究

为了提高动态定位精度,将一种改进的UKF(Unscented galman Filter)算法应用在GPS非线性动态定位解算中.将UKF算法与IEKF(Iterated Improved Kalman Filter)算法相结合,因此保持了基本UKF算法易于实现和收敛速度快的优点,同时由于滤波值是通过迭代扩展的卡尔曼滤波机制得到,进而更新值能更准确的逼近非线性系统状态概率密度函数,具有更高的精度.应用于GPS非线性动态滤波定位中,仿真结果表明:与UKF算法相比,算法能够明显提高定位精度.     

基于车载GPS导航的非线性动态滤波算法

为了提高车载导航定位精度,根据全球定位系统（GPS）的特点,在分析线性滤波算法缺陷的基础上,建立了车载导航动态定位模型,并在通过准确获取后验概率密度函数的均值和方差经过非线性变换修正导航定位位置,给出了一种非线性动态滤波算法。仿真实验表明,与卡尔曼滤波相比,该方法能克服了滤波发散导致结果失真的问题,提高滤波的精度,解决线性滤波算法发散的缺陷。     

非线性离散随机时变系统比例微分滤波

扩展卡尔曼滤波（EKF）是从极小化状态估计误差的方差得到的，没有考虑状态误差的变化率，因而对非线性时变系统EKF估计方法惯性作用 较大，从而产生估计滞后，提出了非线性离散随机系统比例微分滤波（PDF），PDF联合考虑极小化状态估计误差和状态误差变化率的方差，克服了EKF对非线性时变系统估计滞后的缺点，估计具有适时性，提出了高估计的精度，仿真例子证明了所提出的估计方法的有效性。     

基于神经网络的非线性系统近似线性化

神经网络具有同时逼近某一函数及其高阶导数的功能，这一结果为神经网络在非线性系统中的应用提供了可行的工具，本文提出了一种利用网络的近似功能的非线性系统的近似线性方法，无论系统是否满足可积条件，神经网络都可实现其对各条件的近似职分，从而构造满足系统近似线性化的反馈控制，对球－杆系统的仿真结果显示了这种方法的有效性。     

非线性滤波及其在GPS航姿系统中的应用

ＧＰＳ航姿系统中如何快速、可靠地解算出航向姿态,依赖于载波相位模糊度的确定。对于测量噪声较在的接收机或模糊度只有浮点解的情况来说,ｋａｌｍａｎ滤波技术是确定模糊度的有效方法之一,但其滤波需要较长的时间。为了加快滤波的收敛速度,缩短ＧＰＳ航姿系统的初始化过程,文中提出了基于基线长度约束的非线性Ｋａｌｍａｎ滤波方法,并通过实验研究结果证明,该方法是确实可行的。     

非线性动态滤波的迭代算法

阐述了标称状态的线性化方法和扩展的卡尔曼滤波公式及迭代卡尔曼滤波,探讨了非线性动态滤波的近似处理方法,围绕标称状态将非线性模型进行线性化,将标准的卡尔曼滤波扩展到非线性模型,得到扩展的卡尔曼滤波公式,研究了迭代滤波计算方法。扩展的卡尔曼滤波方法已经有效地用于非线性模型。     

数值鲁棒的非线性滤波新方法

应用多维情形的二阶插值公式构造新型非线性滤波器。该滤波器不需非线性函数的偏导计算，便能代替常规的扩展卡尔曼滤波器，并有滤波精度高、数值计算稳定和适用范围宽等优点。仿真实例表明新滤波器具有较高的性能。     

基于多新息理论的 EKF 改进算法

针对标准的扩展卡尔曼滤波算法（EKF）在强非线性系统中估计精度较低的问题,提出了一种改进的扩展卡尔曼滤波算法（MI-EKF）,使得滤波精度得到很大的提高。MI-EKF 是在标准 EKF 基础上,结合多新息理论,不仅考虑了系统当前的测量值,而且也充分考虑了之前时刻的有用信息,从而使得 MI-EKF 的滤波精度和稳定性得到改善。最后,讨论了新息数量对改进算法精度的影响,仿真结果表明包含两个新息的 MI-EKF 算法滤波效果最佳。     

基于回归神经网络的非线性时变系统辨识

为克服基于前馈神经网络的非线性系统辨识算法存在需预先估计系统输入输出滞后阶数的缺陷，提出一种基于回归神经网络的非线性时变系统的辨识算法，针对现有的回归网络学习算法大多采用梯度算法，收敛速度缓慢问题，提出一种具有快速收敛性的扩展卡尔曼滤波学习算法，大大提高了学习收敛速度，并推导了一种基于单个神经元的局部化算法，减少了计算量，仿真实例证明，所提出的算法是有效的。     

一种用于解决非线性滤波问题的新型粒子滤波算法

粒子滤波算法受到许多领域的研究人员的重视,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度.在扩展卡尔曼滤波和Unscented卡尔曼滤波算法的基础上,该文提出一种新型粒子滤波算法.首先用Unscented卡尔曼滤波器产生系统的状态估计,然后用扩展卡尔曼滤波器重复这一过程并产生系统在k时刻的最终状态估计.在实验中,针对非线性程度不同的两种系统,分别采用5种粒子滤波算法进行实验.结果证明,文中所提出的算法的各方面性能都明显优于其他4种粒子滤波算法.     

改进的卡尔曼滤波算法系统参数辨识仿真研究

研究系统参数辨识精度提高问题。辨识是从实验数据中提取有关系统信息的过程,由于存在噪声影响辨识精度,针对传统的卡尔曼滤波算法不能很好地提高跟踪精度且算法复杂的缺陷,为了解决实际系统辨识中参数噪声方差和观测噪声方差未知的等相关问题,提出了一种改进的无味卡尔曼滤波算法系统参数辨识方法,仿真结果表明,算法具有更好的泛化能力,在复杂的系统负载等情况下,也可以对系统的参数精确有效的进行辨识,验证了该算法是一种有效适用的系统参数辨识方法。     

Evolutionary-Programming-Based Kalman Filter for Discrete-Time Nonlinear Uncertain Systems

Some observations and improvements on the conventional Kalman filtering scheme to function properly are presented. The improvements can be achieved using the minimal principle evolutionary programming (EP) technique. A new linearization methodology is presented to obtain the exact linear models of a class of discrete-time nonlinear time-invariant systems at operating states of interest, so that the conventional Kalman filter can work for the nonlinear stochastic systems. Furthermore, a Kalman innovation filtering algorithm and such an algorithm based on the evolutionary programming optimal-search technique are proposed in this paper for discrete-time time-invariant nonlinear stochastic systems with unknown-but-bounded plant uncertainties and noise uncertainties to find a practically implementable “best” Kalman filter. The worst-case realization of the discrete-time nonlinear stochastic uncertain systems represented by the interval form with respect to the implemented “best” nominal filter is also found in this paper for demonstrating the effectiveness of the proposed filtering scheme.     

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.     

基于非线性滤波算法的GPS与北斗定位研究

全球导航卫星系统GNSS可以提供全天时的三维位置信息和三维速度信息。传统只靠单一的导航系统不能满足系统的可靠性和完善性。为此提出GPS系统与北斗导航系统兼容定位方法,描述了测量模型和状态模型,并使用平淡卡尔曼滤波进行定位解算,在GPS和北斗导航系统环境下分别进行了单系统和多系统定位的验证、比较与分析。定位实验结果表明,与通用的最小二乘迭代法和扩展卡尔曼滤波等方法获得的结果相比,所提出的算法能获得更高的定位精度。当可见卫星数量发生跳变时,得出的滤波结果具有较高的精度和稳定性,特别是在卫星数比较少的情况下,通过组合两个不能单独定位的系统,可获得更高的融合定位精度。     

基于非线性数字滤波器的混沌Hash函数设计

在分析变系数非线性数字滤波器的混沌特性的基础上,提出一种带密钥的混沌Hash构造方法.首先构建能产生高维混沌序列的非线性数字滤波器;然后通过混沌调制方式将明文信息注入滤波器均匀分布的混沌轨迹中;最后以扰动映射和滤波器的初态作为密钥,以轨迹的粗粒化量化形成明文的Hash值.研究表明,该算法简单快速,比基于单一混沌映射的Hash算法安全性更高;同时,滤波器结构中没有复杂的浮点运算,比一般复合混沌系统更易于软硬件实现.