Kalman滤波几种异常检验法

为了检测动态导航观测异常和动力学模型异常,采用预测残差构造观测误差和动力学模型误差整体检验 法,对观测异常可分别采用以模型为准的观测异常检验、以当前历元可靠观测为基准的异常检验或以Kalman 滤波估值为基础的异常检验的方法;对于动力学模型异常检验,可以分别采用状态不符值检验法、以状态参数 Kalman滤波估值为基础的动力学模型异常检验或以可靠观测为基础的动力学模型误差整体检验的方法。分析 了以上几种检验方法的特点,并用实测数据进行了检验。结果表明:在观测异常或动力学模型异常处,异常检验 对导航数据精度有一定程度地提高。     

Kalman滤波的发散现象及其克服方法

指出了Ｋａｌｍａｎ滤波可能出现的发散现象，分析了产生的原因，通过实例的讨论，提出了一种克服发散的方法。     

GPS监测网动态数据处理抗差Kalman滤波模型

为克服观测向量中的粗差对状态参数滤波值的影响,通过分析其影响规律,并充分顾及到粗差在预测残关或得到全部反映的特点,导出了GPS监测网动态数据处理的抗差卡尔曼滤波模型－该模型对观测空间和设计空间均具有良好的抗差性,通过利用该抗差滤波模型对含有粗差的模拟GPS监测网的计算,与采用标准卡尔曼滤波模型的计算结果相比较,可获得可靠的变形分析结果。     

基于Kalman滤波的MEMS陀螺仪滤波算法

针对MEMS陀螺仪精度不高、随机噪声复杂的问题,研究了某MEMS陀螺仪的随机漂移模型.应用时间序列分析方法,采用AR(1)模型对经过预处理的MEMS陀螺仪测量数据噪声进行建模,进而基于该AR模型并采用状态扩增法设计Kalman滤波器.速率试验和摇摆试验仿真结果表明,在静态和恒定角速率条件下,采用该算法滤波后的MEMS陀螺仪的误差均值和标准差都比滤波前有了明显的降低.针对摇摆基座下该算法随摆动幅度的增大效果变差的问题,从提高采样率和选择自适应Kalman滤波2个方面对算法进行改进.仿真结果表明,2种方法都能改善滤波效果,然而考虑到系统采样频率和CPU计算速度的限制,自适应滤波有更高的实用性.     

时变参数系统的自适应Kalman滤波在水文预报中的应用

用时变参数系统的自适应Kalman滤波预报方法,对时间序列模型进行最优和次优预报,用于解决河流年最大洪峰流量时变参数系统的自适应预报问题,通过松花江哈尔滨水站年最大洪峰流量的实例计算表明,其预报效果良好。     

Kalman滤波在ARIMA模型参数估计中的应用

在文献（２,５）研究的基础上,对ＡＲＭＡ模型的状态空间表达作了推广,证明了推广后的形式是ＡＲＩＭＡ模型的状态空间表达式,并证明了由此得到的估计量是最小均方线性无偏估计,最后给出ｌ步线性预报公式。     

抑制 Kalman 滤波发散的方法及其进展

探讨了抑制Ｋａｌｍａｎ滤波发散的若干方法，抑制滤波发散的算法，对实际应用及改进Ｋａｌｍａｎ滤波，提高状态估计精度是有益的。     

基于GPS/INS的自适应无迹Kalman滤波算法

载体的姿态参数是导航系统重要的影响因素,为提高姿态角测量精度,以INS和GPS紧组合导航系统为研究背景,针对无迹Kalman滤波算法对误差模型较敏感、新息噪声干扰数据需预处理、算法实效性低等缺点,提出改进的自适应无迹Kalman滤波算法.首先,用自适应窗口在线估计系统噪声和量测噪声的协方差值,得到与实际噪声更贴近的统计特性,减小数据预处理的干扰;其次,对状态预测方差阵引入次优渐消因子减少计算量,同时为了减少模型的精度损耗,对滤波过程引入统计量,确定模型不确定性检测阈值;最后,用扩展Kalman滤波、无迹Kalman滤波和改进后的新滤波算法对无人机航向轨迹进行数据处理.结果分析可得,改进的滤波融合算法能将姿态的测量精度提高到0.1°,具有更强的收敛性,能较好地抑制漂移误差.     

一种基于Kalman滤波的实时校准算法

雷达组网融合多雷达的观测数据,可监视大范围的空中态势。但是首先要解决各雷达的系统偏差校准问题,雷达组网才能发挥效能。传统的雷达组网校准技术多基于固定雷达站给出,没有考虑姿态角及其偏差对校准的影响,因此不适合机动雷达偏差校准。该文针对这一问题进行了研究,通过泰勒级数展开推导了系统偏差和量测之间近似的线性关系,在此基础上提出了一种基于Kalman滤波的实时机动雷达系统偏差校准算法。仿真表明,本文提出的算法能有效地对机载雷达的系统偏差和姿态角偏差进行实时估计。     

一种二阶非线性Kalman滤波算法

应用Ｋａｌｍａｎ滤波理论，导出了一种适用于钢终点碳的计算机算法。     

基于卡尔曼滤波的多传感器测量数据融合

为解决最小二乘数据融合方法不能显式考虑测量的不确定性等问题,提出基于Kalman滤波的多传感器测量数据融合方法,此方法不仅显式考虑各测量设备的不确定性,而且还能实现单点和批量融合数据,有助于用户根据测量数据的多少选择有效的融合方法;且能有效地过滤基于Mahalanobis统计距离的异常噪声点.实例证明,此方法能获得高质量的融合曲面.     

Wiener滤波,Kalman滤波和信息融合滤波理论研究进展

综述最优和自校正滤波的一种新的方法论——现代时间序列分析方法,其中给出了同Wiener滤波方法和Kalman滤波方法的比较,并且综述了近20年来由作者分别基于Kalman滤波方法和现代时间序列分析方法关于Wiener滤波、Kalman滤波和信息融合滤波理论的研究进展,其中包括一系列新方法、新理论和新的研究方向,并提出了存在的几个问题和今后研究方向,具有重要理论、工程应用和科学方法论意义.     

有色噪声条件下的卡尔曼滤波

针对在实际工程中处理有色噪声存在滤波发散或结果失真的问题,提出一种有色噪声条件下的卡尔曼滤波方法。该方法利用线性变化,根据有色噪声相邻历元间噪声相关的特点,在动态噪声和观测噪声均为有色噪声的条件下,研究了卡尔曼滤波的方法,推导出有色噪声条件下卡尔曼滤波的递推公式。仿真结果表明,改进的方法比传统卡尔曼滤波对有色噪声信号处理效果更佳。     

离散卡尔曼滤波用于GPS动态变形数据处理

研究了一种卡尔曼滤波算法，通过算例对我国1998年洪水期某大坝的实测GPS动态变形数据，采用自编软件（用C语言）进行处理，其成果图形象直观地显示出滤波值数据曲线与原始数据曲线的变化趋势基本一致。同时验前与验后的单位权方差σ^∧2奶相近，并且滤波值中误差σ^∧滤也比观测值中误差σ^∧小得多，该离散卡尔曼滤波数学模型较好地模拟了目标系统的物理的物理变化规律，其程序运算结果对于改善GPS动态变形的数据精度的效果比较理想。     

卡尔曼滤波法方差估计的理论研究

在卡尔曼滤波中,用传统的赫尔默特法进行方差估计时,不仅计算公式复杂,而且计算量非常大.基于广义最小二乘法导出的滤波公式,根据赫尔默特方差估计的基本原理,推导出了用预测残差向量进行方差估计的新公式.与传统的方差估计公式相比较,新公式不仅形式简单,而且大大减少了方差估计的计算量.     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

GPS／INS组合导航的变分贝叶斯自适应卡尔曼滤波

为解决GPS／INS组合导航的数据融合问题中卡尔曼滤波器因噪声统计特性会发生变化而性能严重退化的问题,针对组合导航的系统模型提出并推导了一种基于变分贝叶斯学习的自适应卡尔曼滤波算法。该方法从概率角度将系统状态与噪声的统计矩一起作为待估计的随机变量,在每次递推地对状态进行估计之前,用变分贝叶斯学习迭代逼近得到噪声的后验分布。仿真结果证明：在组合导航系统中,该自适应算法能够较好地跟踪变化的噪声方差,并对速度、位置等系统状态进行估计。     

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。     

Kalman滤波器的抗干扰算法

在Kalman滤波意义下,提出将观测值划分为正常和病态两种属性,病态值可以是通常的野值,也可以是部分的正常值,这种模糊划分降低了辨识的难度,也比较符合客观实际,避免了由于划分不当所造成的误判或漏判情况的出现;为了提高Kalman滤波器的抗干扰能力,通过对新息分量统计特性的逐一修正,提出了重新构造状态估计的改进算法.由于充分利用了新息各分量服从正态分布的统计特性,所以算法具有结构简单,计算量小的特点.仿真实验表明,不论出现何种形式的干扰,算法都具有稳定的滤波性能,不仅克服了经典Kalman滤波器易受干扰,滤波效果不稳定的问题,而且克服了众多Kalman滤波改进算法的不足之处,适用范围更为广泛.