状态切换CDKF算法及其在低成本紧组合导航系统中的应用

成本SINS/GPS紧组合导航系统在大失准角情况下出现的滤波发散现象,建立了基于乘性四元数的非线性导航系统误差模型,并提出一种基于乘性四元数的状态切换中心差分卡尔曼滤波算法.该算法通过在均值四元数计算过程中引入修正的罗德里格参数进行状态切换,解决了传统中心差分卡尔曼滤波算法中对于四元数正交规范化的限制.仿真实验结果表明,本文提出的方法能够有效实现对于载体运动状态的在线估计,且与无迹卡尔曼滤波算法相比,具有更高的滤波精度.     

一种基于CKF的无线传感器网络分布式定位算法

为提高无线传感器网络节点定位的精度,降低算法计算复杂性,提出了一种基于容积卡尔曼滤波的无线传感器网络分布式节点定位算法。该算法假定移动锚节点按预定路径在传感区域移动,并周期性广播自身位置信标信息;每个未知位置节点首先收集多个锚节点信标信息及信号强度信息,然后估算出锚节点信标位置与未知节点的距离,最后在未知节点上运用容积卡尔曼滤波算法完成自身位置的分布式定位。仿真结果表明：本文所提算法具有优良的定位性能,定位精度和无迹卡尔曼滤波算法相当,明显优于极大似然估计定位算法,而计算复杂性则低于无迹卡尔曼滤波算法。     

无线传感器网络可扩展一致性目标跟踪算法研究

为提高机动目标跟踪性能,降低无线传感器网络的能量消耗,提出一种可扩展的动态平均一致卡尔曼滤波算法.根据预测的下一步目标位置,将无线传感器网络的节点动态组织成簇,多个传感节点协作执行目标的检测及分布式状态估计.给出三种可扩展动态一致卡尔曼滤波算法,即基于观测值、观测新息和估计值的一致性卡尔曼滤波,适应于不同情况的目标跟踪.簇中传感节点仅需接收邻居节点的信息,簇头节点负责下一步任务节点的选择并将当前状态估计值和对应的误差协方差发送给下一步的任务节点以减少整个网络的通信量.仿真结果表明,基于观测值、新息及估计值的分布一致卡尔曼滤波在跟踪精度方面与集中卡尔曼滤波性能相当,而其分布式结构决定了算法具有更强的鲁棒性和容错能力,能够提高系统的可靠性.     

含有分数阶有色关联噪声的分数阶系统的卡尔曼滤波器设计

提出基于Tustin生成函数的分数阶卡尔曼滤波器设计方法,以解决含有相互关联的分数阶有色过程噪声和分数阶有色测量噪声的连续时间线性分数阶系统的状态估计问题.通过Tustin生成函数方法,对连续时间线性分数阶系统进行离散化,将分数阶系统的微分方程转化为差分方程.利用增广向量法,将分数阶状态方程和分数阶有色噪声作为新的增广状态向量,从而将分数阶有色噪声转化为高斯白噪声.然后,提出一种基于Tustin生成函数的分数阶卡尔曼滤波算法,有效地实现对含有相互关联的分数阶有色过程噪声和分数阶有色测量噪声的连续时间线性分数阶系统的状态估计.与基于Grddotunwald-Letnikov差分的离散化方法相比,所提出的基于Tustin生成函数的卡尔曼滤波算法得到的状态估计精度更高,状态估计效果更好.最后,通过仿真结果验证所提出算法的有效性.     

带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法

无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法.算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计.设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计.将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计.仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度.     

基于IMM-IKF的无线传感器网络非视距节点定位方法

针对非视距(NLOS)环境下的移动定位问题,提出一种基于交互式多模型-改进卡尔曼滤波(IMM-IKF)的无线传感器网络NLOS节点定位算法.算法在IMM算法框架下估计移动节点位置,采用两个平行的改进卡尔曼滤波算法对多个移动节点候选位置进行滤波处理,通过Markov链实现LOS状态与NLOS状态的转换,根据似然概率对两个滤波结果进行加权融合,从而获得移动目标位置.仿真实验结果表明,所提出算法可以有效抑制NLOS误差,实现精确定位.     

基于动态加权的量化分布式卡尔曼滤波

针对一个无融合中心传感器网络中的状态估计问题,提出一种基于量化信息的分布式卡尔曼滤波(QDKF)算法。首先,在分布式卡尔曼滤波(DKF)中,以节点状态估计精度为加权准则,动态选取加权矩阵,使得全局估计误差的协方差最小;然后,进一步考虑了网络带宽受限制的情况,在DKF算法中加入均匀量化器,节点之间通信使用量化后的信息,以减少网络通信的带宽需求。QDKF算法仿真采用了8 bit的均匀量化器,与Metropolis加权法和最大度加权法相比,动态加权法的状态估计均方根误差分别降低了25%和27.33%。实验结果表明,采用动态加权法的QDKF算法能提高系统的状态估计精度,减少带宽需求,适用于网络通信受限制的应用场合。     

基于AIUKF的WSN节点定位算法

针对无线传感器网络节点定位精度不足的问题,在无迹卡尔曼滤波( UKF)的基础上,结合迭代约束条件和自适应因子,提出了一种自适应迭代无迹卡尔曼滤波( AIUKF)算法。根据基于测距的节点定位模型,采用RSSI进行测距,以极大似然估计法进行节点初步定位,利用AIUKF算法对节点进行精确定位,并且直接以RSSI作为系统的观测量。仿真结果表明,本文提出的基于AIUKF的定位算法相比EKF和UKF算法具有更高的定位精度。     

分布式动态一致性非线性目标跟踪策略研究

针对集中目标跟踪和分层目标跟踪中心节点通信瓶颈以及容错性能差的不足, 提出了一种分布式动态一致性非线性目标跟踪策略。目标状态初始化由网络节点采用加权最小二乘法完成。整个跟踪过程采用动态成簇策略, 分阶段选择并唤醒任务节点检测目标并执行分布式一致性扩展卡尔曼滤波策略完成目标的状态估计, 其余节点进入休眠状态从而能降低系统的能耗。从跟踪误差和能量两个方面, 与集中目标跟踪算法相比, 仿真结果表明所提算法与集中卡尔曼滤波相比, 跟踪精度相当, 适用于要求高可靠度的非线性跟踪。此外分布式的工作方式使得节点仅需与邻居交换数据并在局部完成状态估计, 消除集中式结构中心节点的瓶颈, 以保证部分传感器节点的损坏不会影响到全局任务的完成。     

基于有向无环图网格独立任务调度算法*

提出了基于有向无环图多约束网格环境下独立任务的调度模型,为其建立多约束线性规划模型,通过求解模型节点的优先级,获得网格各计算节点最优任务调度数;然后基于多约束最优任务调度方案,提出多约束带宽优先启发式算法(MCOPBHATS)和多约束计算速度优先启发式算法(MCOPCHATS)。实验结果表明,在多约束异构的网格环境下实现大量独立任务调度时, MCOPBHATS和MCOPCHATS算法的性能优于基于多约束最优任务调度方案的MinMin 算法。     

分布式传感网络的自适应一致性算法

为了提高分布式传感网络的估计精度,提出了一种新的自适应一致性算法。该算法在每次迭代时只需部分节点工作,即进行目标状态的监测。通过节点之间二进制信息的交换来调整每次迭代时的一致性权值,使得每次迭代时工作节点所占的权值更大,进而将该一致性算法与卡尔曼滤波相结合对目标状态进行估计。对该算法进行数值仿真,并与其他一致性加权算法进行比较,验证了该算法的有效性。     

带二次约束的容积卡尔曼目标跟踪算法

为了提高对带约束目标的跟踪精度,提出了一种带二次约束的容积卡尔曼目标跟踪算法。使用容积卡尔曼滤波得到当前时刻后验估计,通过将系统二次约束作为测量方程引入系统,对后验估计进行修正,最后采用仿真实验对算法性能进行测试。实验结果表明,相对于传统的约束卡尔曼滤波算法,在同等条件下,该算法提高了目标跟踪精度,并且稳定性更强。     

多传感器时滞系统信息融合最优Kalman滤波器

基于线性最小方差最优加权融合估计算法,对多传感器的离散线性状态时滞随机系统,给出了一种非增广分布式加权融合最优Kalman滤波器.推导了状态时滞系统任两个传感器子系统之间的滤波误差互协方差阵的计算公式.它与状态增广加权融合滤波器具有相同的精度.与每个传感器的局部滤波器相比,分布式融合滤波器具有更高的精度.与状态和观测增广最优滤波器相比,具有较小的精度.但避免了增广所带来的高维计算和大的空间存储,可减小计算负担.仿真例子验证了其有效性.     

广义系统信息融合稳态与自校正满阶Kalman滤波器

基于线性最小方差标量加权融合算法和射影理论,对带多个传感器和带相关噪声的广义系统,提出了分布式标量加权融合稳态满阶Kalman滤波器.推得了任两个传感器子系统之间的稳态满阶滤波误差互协方差阵,其解可任选初值离线迭代计算.所提出的稳态融合滤波器避免了每时刻计算协方差阵和融合权重,减小了在线计算负担.当系统含有未知模型参数时,基于递推增广最小二乘算法和标量加权融合算法,提出了一种两段融合自校正状态滤波器.其中第1段融合获得未知参数的融合估计;第2段融合获得分布式自校正融合状态滤波器.与局部估计和加权平均融合估计相比,所提出的标量加权融合参数估计和自校正状态估计都具有更高的精度.仿真研究验证了其有效性.     

迭代测量更新CDKF的粒子滤波方法

为了提高中心差分卡尔曼粒子滤波（CDKFPF）算法跟踪时的估计精度,提出了一种基于迭代测量更新CDKF的粒子滤波（ICDKFPF）新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,并用Levenberg-Marquardt方法对状态协方差进行修正,使粒子的观测信息得到充分有效的利用,更加符合真实状态的后验概率分布。仿真结果表明,所提出算法的估计性能要明显优于标准的粒子滤波（PF）和中心差分卡尔曼粒子滤波（CDKFPF）。     

无线传感器网络时钟参数追踪与一致性同步*

针对无线传感器网络分布式时钟同步问题,本文提出了基于卡尔曼滤波的最大一致性时钟同步算法。在获得硬件时钟参数后,通过设置预定偏斜目标,各节点可不通过网络交换来调整时钟偏斜。为了进一步使节点间时钟偏移达到同步,本文设计了最大一致性控制方案来补偿节点,并基于图论给出算法收敛性证明。仿真结果表明本文的算法能够快速跟踪硬件时钟参数,较加权最大一致性时钟同步算法收敛速度更快,全局平均同步误差下降了一个数量级。     

The optimal filtering of a class of dynamic multiscale systems

Inthelasttwodecades,themultiscaleautoregressive(MAR)framework[1—6]wasdevelopedtomodelavarietyofrandomprocessescompactlyandestimatethemeffi-ciently.TheMARwasfirstmotivatedbyBassevilleetal.[1],andbasedontheirworkChouetal.proposedthemultiscalestochasticmodelsandoptimalestimationalgorithmsforarichclassofprocesseswhitenedbywavelettransforms(WT)[7—11].Luettgen[5]andFrakt[6]contributedalottothestochasticrealizationoftheMAR.MARestimatesthestationaryprocessesfromnumerousmeasurementsbymultiscale…     

Constrained Kalman filtering via density function truncation for turbofan engine health estimation

Kalman filters are often used to estimate the state variables of a dynamic system. However, in the application of Kalman filters some known signal information is often either ignored or dealt with heuristically. For instance, state variable constraints (which may be based on physical considerations) are often neglected because they do not fit easily into the structure of the Kalman filter. This article develops an analytic method of incorporating state variable inequality constraints in the Kalman filter. The resultant filter truncates the probability density function (PDF) of the Kalman filter estimate at the known constraints and then computes the constrained filter estimate as the mean of the truncated PDF. The incorporation of state variable constraints increases the computational effort of the filter but also improves its estimation accuracy. The improvement is demonstrated via simulation results obtained from a turbofan engine model. It is also shown that the truncated Kalman filter may provide a more accurate way of incorporating inequality constraints than other constrained filters (e.g. the projection approach to constrained filtering).