基于最优定界椭球的扩展集员滤波算法研究

针对噪声未知但有界的非线性系统,提出了一种基于最优定界椭球的扩展集员滤波算法.首先,对非线性状态方程和量测方程进行泰勒级数展开,采用区间分析方法对线性化误差进行外包定界,并通过椭球近似将其整合到系统噪声中;在此基础上通过预测步和滤波步两步过程来计算与量测和噪声边界近似相一致的待估计状态的可行集.以Duffing方程为例,与扩展卡尔曼滤波方法的仿真比较表明了该算法的精确性和鲁棒性.     

一种改进的集员滤波仿射投影算法

在优化算法的研究中,集员滤波的仿射投影算法具有比传统仿射投影算法迭代次数少、计算量小等优点,但实际应用中,算法的计算复杂度与滤波器长度成正比,当滤波器长度较大时限制了实时实现.为减少误差,实时运行,提出了一种改进算法.算法中当输出误差小于给定误差门限时,滤波器系数不必进行调节;否则将滤波器系数分成多个系数子集,通过仅更新权系数某一子集的方法,减少了原算法每次迭代中需更新的抽头权系数个数.采用一个声回波消除方法进行仿真.仿真验证了改进算法的性能,表明新算法与基于集员滤波的仿射投影算法相比,具有更快的收敛速度,并降低了计算复杂度.     

目标跟踪的自适应双重采样粒子滤波算法

针对传统粒子滤波存在的粒子退化、贫化问题及粒子集个数不能自适应改变带来的滤波精度和收敛速度下降的问题,提出一种基于双重采样的自适应粒子滤波算法。该算法首先利用观测新息来确定重采样粒子分布方案,然后在首次重采样基础上,采用粒子交又聚合算法进行二次重采样,提高了粒子的使用效率,避免了由于使用过多粒子而增加计算量的问题。基于DR/GPS的实验仿真结果表明,与传统的PF算法相比,该算法有效提高了滤波精度和稳定性。     

联合H∞滤波算法及其在组合导航系统中的应用研究

针对联合卡尔曼滤波器对系统模型和系统噪声先验知识依赖性过强的局限性，基于H∞滤波对系统模型和噪声等不确定性因素具有极强的鲁棒性能的特点，介绍了一种H∞滤波的分散化技术，并在此基础上提出了联合H∞滤波算法，给出了信息分配方式，并对其性能作了详细的分析．指出该算法能有效解决局部滤波器测量更新之间的相关性问题。对MIMU／GPS／HMR组合导航系统进行了计算机仿真，仿真结果表明，该联合H。滤波算法虽然不是最优的，但是其状态估计精度仍然要优于分散H∞滤波器的估计精度。     

基于集员滤波的双归一化数据重用盲均衡算法

数据重用可以有效地加快盲均衡算法的收敛速度,但会带来噪声放大的问题。针对这种情况,该文将数据重用方法应用到基于实虚部分开处理的改进常模盲均衡算法中,采用集员滤波克服应用数据重用时引起的噪声放大问题,推导出一种收敛速度较快的盲均衡算法。实验仿真表明,该算法具有较快的收敛速度,适用于短时信号处理。     

多模图像联合非局部滤波快速算法

提出一种新的基于非局部均值的多模图像滤波方法。在该方法中,对于噪声图像 滤波采用非局部均值方法,其中对于噪声图像块之间灰度相似测度权重由另一幅图像引导计算。 实验结果表明,该方法比基于局部的图像去噪方法如双边滤波算法有更好地去噪效果。通过构 造联合积分图像对提出算法进行加速,与原始算法相比其显著提速两个数量级,加速算法的复 杂度不受滤波器大小影响,易于在并行系统中实现。     

集员辨识理论发展及算法综述

基于UBB噪声假设下的集员辨识是一种新型的系统辨识方法,与传统辨识方法相比具有较强的鲁棒性.本文以参数线性模型为例介绍了集员辨识理论的发展历程和相关算法.     

一种简化的网络回声消除算法

针对网络回波抵消器中大量抽头系数需要更新的问题,提出一种基于集员滤波和Mmax局部迭代策略的符号数据归一化LMS算法。仿真与实验结果表明：由于每次迭代将对误差性能贡献最大的输入信号筛选出来作为输入,从而提高集员滤波算法的稳态性能,并加快符号数据归一化LMS算法的收敛速度,同时还能够减少算法的运算量。     

多专家联合求解系统中不确定性处理

在多个专家联合求解的系统中,有时每个专家给出了多个不同的结论和可信度值,有时给出同一个结论和不同的可信度值。为处理这种不确定性,本文提出了模糊综合评判的方法来处理第一种不确定性;对第二种不确定性的处理采用平均值、加减法和影响法来调整各可信度值,最后用加权平均和模糊熵方法来求出一个统一的可信度值。     

多专家联合求解系统中不确定性处理

在多个专家联合求解的系统中,有时每个专家给出了多个不同的结论和可信度值,有时给出同—个结论和不同的可信度值。为处理这种不确定性,本文提出了模糊综合评判的方法来处理第一种不确定性;对第二种不确定性的处理采用平均值、加减法和影响法来调整各可信度值,最后用加权平均和模糊熵方法来求出一个统一的可信度值。     

Decentralized Adaptive Filtering for Multi-agent Systems with Uncertain Couplings

In this paper, the problem of decentralized adaptive filtering for multi-agent systems with uncertain couplings is formulated and investigated. This problem is challenging due to the mutual dependency of state estimation and coupling estimation. First, the problem is divided into four typical types based on the origin of coupling relations and linearity of the agent dynamics. Then models of the four types are given and the corresponding decentralized adaptive filtering algorithms are designed for the purpose of estimation of the unknown states and couplings which denotes the relations between agents and their neighbor agents in terms of states or outputs simultaneously, with preliminary stability analysis and discussions. For testing the effects of algorithm, with the so-called certainty-equivalence principle, control signals are designed based on the results of state estimation and coupling estimation got by the proposed decentralized adaptive filtering algorithms. Extensive simulations are conducted to verify the effectiveness of considered algorithms.      

线性分式扰动下奇异系统鲁棒滤波递推算法

研究了线性分式扰动下线性奇异系统的状态估计问题, 给出了一种 Kalman 形式的递推滤波算法. 研究表明, 线性分式不确定性可以表示为一系列加性不确定性的交集. 本文讨论了如何寻找保守性最弱的加性不确定性来近似该交集, 并证明了该问题在鲁棒滤波过程中可以转化为凸优化问题. 数值仿真验证了上述算法的有效性. 对于具有结构约束的线性分式不确定性, 该算法的性能优于现有算法.     

广义区间系统非结构化参数不确定性的鲁棒滤波算法

本文针对广义区间系统的参数不确定性,将参数不确定性确定为随机非结构化参数形式,提出一种卡尔曼形式的递推鲁棒滤波算法.研究表明,滤波过程中的随机非结构化参数不确定性可以表示为一系列依赖系统真实状态的不确定性集合,数值仿真结果表明,当广义区间系统参数存在随机非结构化不确定性时,该算法能够实现递推状态估计,从而验证了该算法的有效性.     

一种无矩阵求逆的最优滤波计算方法

本文回顾了在改善卡尔曼滤波数值稳定性,提高计算效率等数值计算方面的主要研究与发展,包括平方根协方差、U—D分解、奇异值分解(SVD)等计算方法。这些算法都存在不同程度地通过牺牲计算效率换取数值稳定性的不足。本文提出了一种无矩阵求逆的最优卡尔曼滤波计算方法,该算法数值稳定性强,且计算量也比较小。     

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.     

UKF与EKF在卫星姿态估计应用中的比较

针对卫星的姿态和角速度估计问题,分别给出基于Unscented卡尔曼滤波(UKF)与推广卡尔曼滤波(EKF)的估计算法,并做了相应比较.为了避免欧拉角带来的奇异问题,UKF选用Rodrigues参数而EKF选用四元数参数法来描述姿态误差.考虑卫星的非线性模型,UKF采用Unscented变换而EKF采用线性化方法对姿态误差进行估计.利用陀螺和磁强计的测量信息,KF和EKF都可得到三轴稳定卫星的姿态估计值,但UKF的收敛速度高于EKF.数值仿真结果表明,当初始姿态存在大偏差时,所给出的UKF的滤波算法性能明显优于EKF.     

一类非匹配不确定性系统的变结构控制

研究一类非匹配不确定性系统的变结构控制问题. 引入适当的状态变换, 将非匹配不确定系统描述成具有分级形式的两个子系统. 在保证第一个子系统二次渐近稳定的条件下, 利用线性矩阵不等式方法得到第二个状态变量的期望值, 并由第二个状态变量与其期望值之差构造滑动模, 并利用滑模运动的到达条件, 得到变结构控制律.     

多率系统Kalman滤波算法的鲁棒性分析

多率系统Kalman滤波算法是多率采样系统中对多源观测进行融合的重要手段. 基于化工过程的多率采样特点, 给出了多率Kalman滤波算法, 分析了该算法在模型失配情况下的鲁棒性. 在给定的假设条件下, 通过对滤波误差变化规律的分析, 给出了多率Kalman滤波稳定与发散的基本判定方法. 针对一类典型系统, 推导出了滤波稳定与发散判据. 通过仿真对该判据进行了验证, 仿真结果表明所提出的滤波鲁棒性分析方法可以用于算法的实际应用.     

一种强跟踪有限差分滤波二元估计算法

针对非线性工业过程测量的滞后性和模型不确定性给系统状态估计和模型参数估计造成的困难,在扩展Kalman滤波器（EKF）的基础上,引入有限差分滤波器（FDEKF）和次优渐消因子,提出了一种强跟踪有限差分滤波状态和参数二元估计算法。该二元估计算法将滤波器分解为参数滤波和状态滤波两个过程,分别估计模型参数和系统状态。最后,将该算法应用于一化学反应过程的仿真,结果表明,这种强跟踪有限差分滤波的二元估计算法在原模型或参数存在偏差的情况下,仍能较准确地估计系统状态和模型参数,并具有较强的数值鲁棒性。     

一种用于目标跟踪的改进粒子滤波算法

为解决目标跟踪中粒子滤波算法的估计精度、粒子退化问题,提出一种改进的粒子滤波算法。在粒子滤波的基础上,利用UKF生成粒子滤波的建议分布,以改善滤波效果,在无味粒子滤波的基础上,融合典型的MCMC抽样算法,减少传统算法未考虑当前量测对状态的估计作用所带来的影响,增加采样粒子多样化。将该算法应用于具有非线性、非高斯特点的目标跟踪问题中,仿真结果表明,与普通的粒子滤波算法相比,其跟踪精度和滤波效果有较大提高。