单传感器多尺度状态融合估计算法

该文在离散小波变换理论和动态多尺度系统理论的基础上,建立了一种基于单传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,对Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建多尺度Kalman滤波模型,充分利用状态估计和观测数据在不同尺度上的特征进行融合估计,获得了优于单尺度Kalman滤波及已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证该算法的有效性。      

多分辨率传感器多尺度融合估计算法

该文在基于信号统计特性的离散小波变换理论(DWT)和基于状态转移模型的动态多尺度系统理论(DMS)的基础上,提出了一种多分辨率传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,首先对不同分辨率传感器Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建统一的多尺度Kalman滤波模型,然后将不同分辨率传感器在同一尺度上获得的观测向量融合滤波,获得了优于已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证了该算法的有效性。     

三状态样条Kalman滤波与目标机动检测

基于样条方法和Kalman滤波理论，给出了一种新的三状态样条Kalman滤波方法及对目标进行机动检测的方法。该滤波方法用样条函数建立目标运动模型，应用Kalman滤波进行状态估计；该机动检测方法通过检测滤波新息来对目标机动发生或消除进行判断。由于考虑了加速度的实时估计，该滤波方法尤其适用于对弹道式目标的机动跟踪。仿真计算与实测数据计算表明：该滤波具有较高的精度；该机动检测方法具有较高的检测效率。     

粒子滤波优化的相关向量回归多步预测方法

为有效削弱多步回归预测中的累积误差,提出粒子滤波优化的相关向量回归多步预测方法。采用相关向量机建立预测对象的状态特征参数回归预测模型。将回归模型作为系统状态方程,预测输出的概率分布作为重要性分布,采用粒子滤波算法对预测值进行动态修正,逼近状态的最优估计。对比实验验证了该方法的预测精度相比相关向量回归多步预测有较大的提高。     

一种卡尔曼滤波与粒子滤波相结合的非线性滤波算法

提出一种基于卡尔曼滤波与粒子滤波的非线性滤波算法.这种方法对于状态变量服从线性变化而观测方程为非线性的动态系统模型具有显著的效果.首先使用粒子滤波对状态变量进行初估计,然后对估计结果进行卡尔曼滤波,另外推导出该系统模型下状态变量估计误差的克拉美劳下界.通过计算复杂度分析及仿真实验验证,表明新方法与标准粒子滤波算法复杂度相当,但参数估计精度要高于标准粒子滤波以及扩展卡尔曼滤波算法,估计误差甚至要低于系统模型的克拉美劳下界.     

一种基于交互式多模型算法的联邦滤波器

针对联邦滤波器对实际目标尤其是机动目标的估计精度较低的问题, 将联邦滤波器与动态多模型估计算法相结合, 提出一种基于交互式多模型算法的联邦滤波器。该算法采用交互式多模型算法来代替卡尔曼滤波算法作为子滤波器, 克服非线性条件下的滤波发散, 从而提高滤波稳定性和状态估计精度。仿真结果表明, 在目标做机动的情况下, 联邦IMM滤波器的估计误差始终保持在一定范围内, 具有良好的稳定性和容错性。     

基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法

针对多说话人跟踪的非线性系统模型,提出了一种基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法。该方法采用麦克风阵列的时间延迟估计作为观测数据,利用具有三次代数精度的球面-径向数值积分准则计算非线性系统贝叶斯滤波器中的多维积分,通过数值积分卡尔曼滤波和概率假设密度滤波对后验多说话人状态的一阶统计量进行估计,并通过递推更新得到说话人状态信息,实现非线性高斯系统的多说话人跟踪。该方法无需求解非线性系统函数的雅克比矩阵,且计算量较小。仿真实验分析了检测概率、虚警点数目、采样周期、信噪比以及混响时间变化时跟踪算法的性能。实验结果表明,该方法降低了系统模型非线性对滤波算法的影响,增强了跟踪算法的鲁棒性,提高了说话人状态和数目的估计精度。      

多模型粒子滤波跟踪算法研究

针对机动目标跟踪问题,该文设计了一种改进的多模型粒子滤波(EMMPF)算法。与传统的多模型粒子滤波(MMPF)算法按照模型概率分配粒子数不同,该算法可根据用户定义的准则灵活控制各个模型的粒子数,且无需对模型间的粒子进行交互。模型估计和状态估计分开计算,并用模型似然函数更新模型后验概率。与MMPF进行的仿真比较表明,该算法能用较少的粒子数获得更好的滤波性能。     

一种基于RFID原理的交通信息获取系统与车辆定位方法

 车辆的无线定位技术已成为近年来的一个研究热点。该文首先提出了一种基于RFID(射频识别)技术的交通信息获取系统,并在此基础上,提出了一种新的多基站TDOA(到达时间差)车辆定位方法。该方法是一种基于鲁棒性估计的两步定位方法。第1步利用多个基站的TDOA信息通过鲁棒性估计找到车辆的大致位置,然后进一步采用与车辆距离最近的3个基站的TDOA信息对车辆进行精确定位。该方法可有效地克服传统Chan算法当信号衰减引起TDOA估计误差较大时性能迅速恶化的问题。仿真实验结果表明该方法的定位精度优于传统的Chan算法和基于直接平均的2次定位法,可满足交通信息获取系统中对机动车辆定位的要求。     

一种基于CMKF建立跟踪初始估计的方法

针对极坐标观测条件下的目标跟踪，本文基于去偏转换测量卡尔曼滤波算法(CMKF-D)，提出了一种建立跟踪初始估计的方法：目标初始状态由前两点观测值估计，初始估计误差协方差由状态方程和CMKF-D中观测误差协方差计算得到。仿真结果表明，使用该方法建屯初始估计，能使滤波器迅速收敛至稳态，提高滤波初始阶段的跟踪精度。     

Processing performance of two Kalman filter algorithms with aDSP32C by using assembly and C languages

Two Kalman filter algorithms are implemented with a DSP32C processor. These two Kalman filters use conventional matrix operation and U-D factorization algorithms, respectively. The real-time processing performance of each algorithm is evaluated in terms of throughput, program and data memory sizes. Both DSP32C assembly and high-level C language programs of these two algorithms are developed (a total of four programs) for evaluating the coding efficiency. It is observed that both algorithms can be more efficiently programmed by using assembly language, a matrix-based algorithm enjoys its simple and regular operations so that less program memory is required in both assembly and in C languages, the U-D factorization algorithm involves fewer multiply-accumulate operations and provides a fast throughput in C language only, and the advantage of less multiply-accumulate operations in U-D factorization algorithm no longer exists in assembly language when the number of states of a Kalman filter is large     

改进的平方根容积卡尔曼滤波及其在POS中的应用

为解决扩展卡尔曼滤波在处理复杂非线性状态估计时,存在收敛速度慢、估计精度低及数值稳定性差等问题,引入一种改进的平方根容积卡尔曼滤波算法(A-SRCKF)。该算法在容积卡尔曼滤波基础上引入矩阵QR分解、Cholesky分解因数更新等技术,避免了矩阵分解、求逆及求导等复杂运算,极大降低了计算复杂度;并针对系统时变及统计特性未知情况下量测噪声协方差阵难以获取问题,通过引入自适应噪声估计器并结合小波卡尔曼滤波思想,构造出加权量测噪声协方差阵,提高了数值精度及稳定性。将A-SRCKF应用于机载定姿定位系统中,仿真结果表明:该算法有效地提升了估计精度,并且运行速度较快。     

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。     

扩展卡尔曼滤波在目标跟踪中的应用研究

扩展卡尔曼滤波在非平稳矢量信号和噪声环境下具有广泛的应用,针对机动目标运动模型的特点,采用基于扩展卡尔曼滤波的算法对运动目标进行跟踪处理,该算法首先建立了运动目标的状态模型和观测模型,然后对观测数据进行滤波和误差估计处理,最后通过计算机的蒙特卡洛仿真得到了滤波轨迹和运动目标的距离和角度误差,仿真结果表明,扩展卡尔曼滤波算法具有很好的目标跟踪性能.     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

基于粒子优化的多模型粒子滤波算法

针对模型信息引入粒子采样过程中导致用于逼近当前时刻真实状态与模型的粒子数减少问题,本文给出了一种基于粒子优化的多模型粒子滤波算法．在算法实现中,对每个粒子运行一个扩展卡尔曼滤波器,结合扩展卡尔曼滤波中预测更新机制实现最新量测信息的有效利用,进而提升单个采样粒子对于真实系统状态和模型逼近的有效性．理论分析和仿真结果表明：新算法在系统状态估计的精度以及模型辨识的准确性方面均明显地优于交互式多模型粒子滤波算法和多模型粒子滤波算法．     

基于ARMA-AKF的HRG随机误差建模分析

针对半球谐振陀螺(HRG)随机误差影响惯性测量单元测量精度的问题,提出了一种改进的基于自回归滑动平均(ARMA)模型和自适应滤波(AKF)的随机误差处理方法。该文对预处理的数据进行了自相关和偏相关特性分析,判断随机误差的适用模型,以及利用贝叶斯信息准则(BIC)准则估计ARMA模型的阶数,通过长自回归模型计算残差法获取模型参数,引入加权自适应因子在线调整一步预测误差阵和量测噪声矩阵用于改进滤波方程,并比较了5项主要误差系数值。结果表明,改进的算法能够有效抑制随机误差,为HRG的随机误差建模补偿提供了新方法。     

零速修正技术在车载惯性导航中的应用研究

针对车载惯性导航系统由于无外部信息长时间运动导致的误差积累的问题,提出一种运用动态零速修正技术来提高导航精度的方法。利用零速修正技术的约束条件,构造观测量;用基于普条件数可观测理论对系统各状态进行了可观测性分析,确定卡尔曼滤波器的滤波效果,并进行仿真实验对姿态角误差、速度误差进行了估计。实验表明,在惯性导航系统中,零速修正技术很大程度上提高了导航的位置、速度、姿态信息,有效地确保了车载导航的导航精度。     

基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing, CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter, SEKF)方法,以用于脉冲多普勒(Pulse Doppler, PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标多普勒估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果表明,本文所提出的方法和传统的SEKF方法以及已有基于压缩感知的跟踪方法相比对机动目标有更好的跟踪性能。      

基于自适应信息融合的导航系统构成与算法研究

由于组合导航系统应用环境的不确定性,给噪声统计特性的准确描述带来困难,这将造成Kalman滤波器不稳定甚至发散,目前常用的解决办法是直接估计系统噪声与量测噪声的方差阵 Q及R ,进行自适应滤波.但方程的增加将使计算量加大、实时性不能保证.本文在对基于信息融合的INS/GPS组合导航系统进行分析和设计的基础上,探讨了通过ARMA模型自适应参数辨识求解可变增益K,从而求出状态估计值的方法,并对辨识误差协方差的防饱和算法进行了研究.计算机仿真结果表明:该算法对提高导航精度和运算速度是行之有效的,所得结论有一定的工程实用价值.