改进的扩展卡尔曼滤波在航空器4D航迹预测算法中的应用

为有效地推进基于轨迹运行(TBO)的发展,准确预测不同实时飞行状态下的航空器4D航迹,根据航空器基本数据库(BADA)提出的基本动力学方程,引入航空器运动的六自由度模型和风场扰动函数,并且用状态变量和输入变量建立非线性控制系统,与BADA中的总能量模型(TEM)结合进行4D航迹预测.由于非线性控制系统与航空器运动状态复杂性的矛盾,首先用扩展的卡尔曼滤波(EKF)改进预测系统,将EKF嵌入非线性控制系统,建立EKF的基本方程模型,通过泰勒级数展开并且求解其对应的雅克比行列式,求出连续性线性优化卡尔曼滤波方程组,形成初步改进的4D航迹预测系统;但是由于航空器在爬升和下降状态时非线性控制系统呈现出强非线性,使得滤波精度变差,EKF鲁棒性变差,所以进一步应用多新息理论改进当前EKF预测系统,构建多新息扩展卡尔曼滤波(MIEKF)预测模型.仿真实验结果表明,EKF预测模型比基于运动学的传统预测方法的预测精度更高,但是在爬升和下降状态时出现较大截断误差;MIEKF有效地降低了预测误差的产生,而且MIEKF比EKF能够有效地追踪航空器的实时运动状态,显示出了改进的EKF预测模型的优点.     

基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题,提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题,并补偿低成本的惯性传感器陀螺仪和加速度计的误差,从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明UKF参数设计简单,姿态估计误差小于EKF,方差估计优于EKF,估计精度、计算量基本与EKF相当．因此,UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．     

改进重采样粒子滤波算法在GPS中的应用

为解决粒子滤波(PF)固有的退化现象及因简单重采样引起的粒子匮乏问题,采用扩展卡尔曼滤波(EKF)来优选PF的重要性分布,并对重采样方法进行改进.通过理论分析及针对全球定位系统(GPS)的计算机仿真,对比扩展卡尔曼滤波(EKF)、扩展卡尔曼粒子滤波(EKPF)以及改进的EKPF算法来实现导航定位的定位估计精度与效率,分析在不同条件状况下的最佳非线性滤波算法.实验结果表明,与其它方法相比,该算法在高动态,高机动状态下性能得到了明显的改善.     

基于改进扩展卡尔曼滤波的姿态解算算法研究

为了解决标准扩展卡尔曼滤波器(EKF)在多旋翼无人机姿态解算中精度较低的问题,提出了一种改进扩展卡尔曼滤波算法(BPNN-EKF),使得解算精度得到较大提升。针对EKF存在预测模型参数要求具有先验已知性,在工程实践中难以获得准确的参数,以及标准EKF对非线性系统采用线性化模型带来的误差等问题,利用神经网络的非线性映射能力和自适应能力对标准EKF的估计值进行补偿,减小模型以及滤波参数误差对最优估计值的影响,从而提高最优估计精度。仿真实验证明,BPNN-EKF对多旋翼无人机姿态解算精度的提升具有显著作用。     

扩展风险性滤波算法的修正方法

针对非线性系统扩展风险性滤波(ERSF)估计精度较低的缺点,提出一种基于二阶Taylor展开对其进行高阶修正的算法.该算法利用高阶项对一阶扩展卡尔曼滤波(EKF)的状态估计向量及协方差阵进行适当修正,并由新息滤波方法得到修正的扩展风险性滤波(MERSF).高度非线性的仿真研究表明,所提出的算法在计算量增加不多的情况下,滤波精度有明显的提高.     

一种非线性滤波方法用于卫星的姿态估计

由于用于卫星姿态估计的传统非线性滤波方法,即扩展卡尔曼滤波(EKF)方法不仅容易引入线性化误差,而且必须计算系统函数的Jacobi矩阵,而Unscented卡尔曼滤波(UKF)是一种比较新的非线性滤波方法,能够克服EKF的上述缺点。该方法不仅能提高滤波精度,而且更容易实现。因此,利用UKF方法,基于修正的罗德里格参数(MRPs),设计了一种无陀螺卫星的姿态估计算法,并通过仿真验证了算法的有效性。     

改进粒子滤波与预测滤波相结合的单星敏姿态估计

针对卫星姿态估计的非线性、非高斯特性,提出一种粒子滤波和预测滤波相结合的估计方法,在无角速率测量时,首先利用预测方法在线估计系统模型误差和姿态角速度,再通过改进的规则化粒子滤波器估计姿态四元数.粒子初始化和重要性函数等的设计加快了算法的收敛速度,预测方法的引入有效降低了粒子维数.在某通用小卫星平台上进行仿真,并与扩展卡尔曼滤波(EKF)比较,所得结果表明,算法在不同初始姿态估计时具有较好的稳定性和收敛精度.算法还为粒子滤波和无陀螺定姿的研究提供了参考.     

基于粗大误差检测和补偿的改进型EKF动态目标跟踪算法

卡尔曼滤波作为当前动态目标跟踪中的常用滤波算法,研究其动态跟踪的准确性对于军事制导,交通导航等领域具有重大意义。针对动态系统目标跟踪观测过程中存在的坏值、静差和漂移三种粗大误差,基于传统扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法框架,引入了一种粗大误差检测和补偿方法,实现了对动态系统观测值中粗大误差的准确辨识和优化补偿,使得扩展卡尔曼滤波能够结合粗大误差检测和补偿方法有效地排除观测值中的粗大误差,滤波后的状态估计值更加准确地逼近真实值。经过仿真实验和对比,提出的改进型EKF算法能有效地排除粗大误差观测值对状态预测过程的影响,并且实现了对动态系统目标的准确跟踪,这大大提高了动态目标跟踪的精确度。     

基于SMC和AFEKF的PMSM无传感控制

针对传统扩展卡尔曼滤波(EKF)估计永磁同步电机(PMSM)速度、位置存在模型不精确,噪声不确定时估计精度不高、实时性差,且有可能导致滤波发散的问题,采用一种基于Sage-Husa的自适应渐消扩展卡尔曼滤波(AFEKF)算法。为了提高模型误差鲁棒性、减少超调,采用一种新型的基于指数趋近律的滑模转速控制器(SMC)。实验结果表明:所提出的控制策略相较于传统的比例积分(PI)和EKF算法能准确估计转速和位置。在启动时能较快到达预定速度,且无超调现象,迅速达到稳定状态;在加载后最大偏差较传统算法减小了1. 77%,且稳定状态下,转速误差下降了0. 371%,稳态位置误差减小了0. 45%。证实所提算法在PMSM无传感器控制系统中稳定性强,具有更好的实用性。     

基于EKF的永磁同步电机的无传感器控制研究

基于位置传感器永磁同步电机控制,一方面提高了设计成本,另一方面降低了系统可靠性。对扩展卡尔曼滤波（extended Kalman filter,EKF）原理进行分析研究,将 EKF 优化算法应用到永磁同步电机控制中,对永磁同步电机转子转速、转子位置进行预测估计。最后,基于MATLAB仿真平台,构建扩展卡尔曼滤波( EKF)仿真模型。仿真结果表明,永磁同步电机转子位置、转子转速能够被准确预测估计,表明了基于扩展卡尔曼滤波( EKF)算法仿真模型是有效的,为永磁同步电机控制系统研究提供了坚实理论基础。     

一种机动目标的跟踪算法研究

目前在机动目标跟踪领域中讨论比较多的算法包括扩展卡尔曼滤波算法、强跟踪算法、UKF算法和粒子滤波算法;扩展卡尔曼滤波算法对非线性方程进行一阶线性阶处理,这种近似所带来的误差会随着非线性化程度的严重而越来越显著,最终造成滤波器的发散;而粒子滤波作为一种基于蒙特卡洛方法的贝叶斯滤波算法,虽然不需要对非线性方程进行一阶近似,但是其计算负担过于繁重,很难满足实时性的要求,提出了一种基于粒子滤波（PF）的径向基（RBF）神经网络（PF—RBF—Neural—Networks）机动目标跟踪算法,该算法能够获得和粒子滤波几乎相同的跟踪精度,同时又克服了粒子滤波计算量大的缺陷,仿真结果验证了该算法的有效性和可行性。     

基于SVD的推广卡尔曼滤波及其在飞行状态和参数估计中的应用

基于矩阵的奇异值分解技术，本文提出一种鲁棒推广卡尔曼波新算法，并将该算法应用于飞行状态和参数估计中，该算法不仅具有很好的数值稳定性，而且无需任何变换即可处理相关噪声，且适于并行计算。两种不同型号飞机飞行数据计算结果表明；与ＥＫＦ相比，本文算法对不同初始值的不同噪声均可获得更准确的估计结果，并且对飞机机动形式、噪声水平，数据长度等要求不高，收敛性好。     

基于粒子滤波的重力梯度与地形信息融合辅助导航方法

基于粒子滤波（PF）的重力梯度与地形信息融合辅助导航方法充分利用了重力梯度特征与地形特征融合的优点,可提高舰艇导航系统信息的利用程度。仿真比较了基于重力梯度的扩展卡尔曼滤波、基于重力梯度的粒子滤波和重力梯度与地形多特征融合粒子滤波算法得到的位置均方根误差,分析了基于EKF的重力梯度匹配辅助导航系统的稳定性和状态能观性。仿真结果表明,提出的融合算法既能加快粒子滤波的收敛速度,又能提高粒子滤波算法的估计精度。     

一种基于改进型Logistic映射的混沌信号估算跟踪方法

虽然无先导卡尔曼滤波(UKF)技术在性能上要优于一阶线性化的扩展卡尔曼滤波(EKF)技术,但是对于改进型Logistic混沌映射的扩频通信系统,UKF运算时间长,算法复杂。针对上述缺点以及改进型Logistic映射的泰勒展开式最高项为二阶的特点,提出将二阶EKF运用到接收系统中,该接收系统能精确到泰勒展开式的二阶,达到与UKF相同的性能。相比UKF的复杂算法更加简单,运算速度也更快。仿真实验表明,虽然二阶EKF与UKF的误码率相同,但在运算速度与复杂度方面均优于UKF。     

基于粒子滤波的AUV组合导航方法

讨论了粒子滤波器和RB(Rao-Blackwellised)粒子滤波器两种滤波方法在组合导航中的应用,给出了组合导航算法用于自治水下航行器(AUV)的具体数学模型,并且与拓展卡尔曼滤波器的导航结果进行比较.利用AUV湖上试验验证了3种算法的导航性能,试验结果表明RBPF组合导航算法能够获得最好的导航精度;然而通过对算法进行分析,发现其计算复杂度高于其余两种滤波算法.     

基于Sigma点Kalman滤波的车载导航系统状态估计

针对扩展卡尔曼滤波(EKF)在车载组合导航系统状态估计问题中的缺陷,本文介绍了一种新的方法——Sigma点卡尔曼滤波(SPKF)用于车载组合导航系统的非线性状态估计。其思想是基于非线性函数的加权统计线形化,SPKF滤波算法能够给出随机变量非线性变换以后更精确的均值和协方差的估计,从而带来更高的精度。最后通过GPS/DR组合导航模型时间序列的状态估计仿真实例说明:同EKF相比,SPKF的滤波精度和稳定性都显著提高了,还可避免计算烦琐的Jacobi矩阵,是一种良好的非线形滤波方法。     

粒子滤波在无线传感器网络目标跟踪中的应用

将粒子滤波（PF）算法应用于无线传感器网络（WSNS）的目标跟踪,并给出了粒子滤波实现的具体步骤。动态组织传感器网络节点成簇,实现了对网络中做匀速直线运动的单个目标的跟踪。分别采用扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和PF算法进行了仿真试验。结果表明,在无线传感器网络目标跟踪领域,PF算法比EKF算法、UKF算法的滤波精度更高,性能更好,并且在实际应用中,由于该算法能够有效解决非线性、非高斯环境中的目标跟踪问题,实现简单而增强了可用性。     

基于组合EKF的自主水下航行器SLAM

针对标准扩展卡尔曼滤波(EKF)在噪声统计特性不准确、系统模型与实际模型无法完全匹配情况下滤波精度严重下降的问题,提出了一种基于Sage-Husa自适应EKF和强跟踪EKF组合的SLAM(同步定位与地图构建)算法.首先建立了AUV(自主水下航行器)的动力学模型、特征模型以及传感器的测量模型,然后通过Hough变换进行特征提取,最终采用组合EKF实现了自主水下航行器的同步定位与地图构建.海试数据仿真试验表明本文所提方法降低了噪声统计特性时变以及模型不精确对系统的影响,提高了SLAM系统的精确性和鲁棒性.     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.