电子档案信息化数据自适应无迹卡尔曼滤波降噪算法

针对降噪过程极易丢失原始数据,产生粗大误差后数据的噪声协方差初始值偏差的问题,研究了电子档案信息化数据自适应无迹卡尔曼(Kalman)滤波降噪算法。电子档案信息化架构包含数据层、业务层、用户层,数据层根据用户层的用户数据请求,完成电子档案信息化数据预处理、决策、监测、分析等,通过拉以达(Laida)准则对电子档案信息化数据提出假设,获取标准偏差概率,确定区间剔除粗大误差,应用Sage-Husa滤波器估计剔除粗大误差后数据的噪声协方差、抑制初始值偏差,最大限度地保留其原始数据,利用无迹卡尔曼算法,实时估计电子档案信息化数据的未知噪声特性,完成电子档案信息化数据降噪,并通过虚拟感应服务连接数据层、用户层、业务层,在业务层呈现用户所需电子档案信息。实验结果表明,该算法能够有效去除电子档案信息化数据的多种噪声,并保留有效数据。     

基于李群的无迹卡尔曼滤波视觉SLAM算法

视觉SLAM算法的理论框架已经十分完备,但是在实际应用中导航准确性还有待改善.基于此问题,提出了基于李群的无迹卡尔曼滤波(UKF?LG)视觉SLAM算法,优化了传统无迹卡尔曼滤波(UKF)的系统状态,把UKF的系统状态用李群表示,并构建视觉惯性紧耦合模型.在Euroc数据集下对包含该算法在内的5种滤波法进行了仿真对比,...     

基于PDR与蓝牙区段匹配的室内融合定位算法

针对行人航迹推算(Pedestrian Dead Reckoning)和蓝牙室内定位各自的特点及存在的问题,提出一种基于PDR和蓝牙区段模糊匹配的室内融合定位算法。根据用户与蓝牙信标距离匹配用户大概率所在区段,采用方向构建算法建立并反复纠正当前方向,依靠蓝牙不断修正PDR累积误差,最终使用防回退算法确定本次定位位置。实验表明,在地下环境中能够修正90%以上的定位误差到1.5m以下。利用PDR短期内高可靠性特点和蓝牙定位修正偏差,保证室内较高精度、较低时延的定位导航体验。     

基于多模融合的室内定位算法研究

针对现有单模定位算法精度较低的问题,基于融合技术的思想,通过分析各种典型的室内定位技术及现有的融合定位系统,提出了一种WiFi与蓝牙两种技术进行融合的室内定位方案,旨在提高定位精度。提出的算法采用指纹法得到两种模式的定位结果,并在决策级上利用权重分析的方法进行多模融合,最终得到目标的坐标定位。     

基于蓝牙/INS的室内组合导航算法

蓝牙是一项低成本的室内定位导航的技术,但容易受室内环境影响;惯性导航系统(INS)常用于估计航姿,可通过加速度计的输出进行位置估计,但它容易受传感器误差和漂移的影响.为了实现更精准的室内导航,提出了使用卡尔曼滤波器(KF)融合蓝牙和惯导系统进行导航的算法.组合导航算法中,梯度下降法被用于对惯性传感器(ICM20602和...     

多传感器信息融合的车载定位方法的研究

阐述一种利用多传感器信息融合技术提高车辆定位精度和可靠性的方法。首先,通过建立陀螺仪、加速度计和里程计传感器的数学模型和联邦卡尔曼滤波器数学模型,对SINS/GPS/OD传感器采集到的数据进行信息融合处理,提高系统定位精度和可靠性;其次,采用MATLAB对纯惯性导航系统、SINS/GPS/OD组合导航系统及其各子系统进行了数字仿真。仿真实验结果表明:本系统较纯惯性导航系统定位精度显著提高,并具备一定的容错能力。     

基于差分演化算法的自适应无迹卡尔曼滤波

该文在分析无迹变换缩放参数选择方法的基础上,通过对几种缩放参数选择方法的对比分析后,确定以缩放参数选择作为优化目标,将差分演化算法(Differential Evolution, DE)应用到无迹卡尔曼滤波(Unscented Kalman Filter, UKF)计算中,选择每时刻滤波误差最小的缩放参数。提出了基于差分演化算法的自适应无迹卡尔曼滤波算法。通过实验表明,这种自适应策略不仅能够有效提高UKF的精度,避免使用固定缩放参数时可能造成的滤波随机发散;而且不受缩放参数个数限制,可以应用到任意形式的UKF中。     

基于UKF的移动信标辅助节点定位算法

常用的节点定位方法通常要求较多的信标节点,因此容易造成资源浪费.提出一种基于目标跟踪的移动信标辅助节点定位算法,信标节点在移动过程中周期性地发布自身位置信息,未知节点首先获取自身位置的近似估计,然后再利用无迹卡尔曼滤波(UKF)方法对移动信标进行跟踪,并完成进一步位置求精.在该算法中,未知节点之间无需相互通信,降低了能...     

基于数据融合理论的多传感器几何定位算法

为解决多部(3部及以上)2D传感器网络对三维空间目标的定位估计和定位精度问题,克服地球曲率对观测模型的影响,建立了考虑实际地球曲率的等效地球模型和传感器观测模型,提出了此模型中基于二次数据融合的多传感器组网几何定位算法,该方法将几何定位与数据融合理论相结合,并对融合数据进行二次融合,充分利用了各传感器的量测数据。仿真实验证明了方法的有效性和实用性,在多部2D传感器组网的情况下可对三维空间内目标实现精确定位,定位误差趋近于克拉美-罗下界(CRLB),具有工程实用价值。     

UKF训练RMLP网络的快速算法

UKF训练PMLP的优点是无需计算动态偏导数,但UKF面临计算量大的问题,降低计算量是UKF的研究重点之一。本文提出反向遍历sigma点的方法,可以显著降低UKF有2N_w 1或N_w 2个sigma点两种情况下的计算量。另外,对2N_w 1个sigma点的情况,本文提出解耦合方法,能有效降低存储协方差阵所需空间。综合反向遍历方法和解耦合方法,本文给出UKF训练RMLP的快速算法。在动态系统辨识的仿真中,本文方法节省近80%的计算量和近90%的存储空间。     

基于UKF算法的被动目标跟踪

对于单站的被动目标跟踪,在笛卡儿坐标系下建立跟踪模型,并用扩展的卡尔曼滤波(EKF)进行预测,得到的结果通常是不稳定且容易发散的。针对这种情况,提出了在修正的极坐标系下建立状态模型,摒弃传统的EKF算法,采用无迹卡尔曼滤波(UKF)算法,通过采样逼近非线性函数。数字仿真结果表明:在修正的极坐标中利用UKF算法得到的结果比EKF算法具有更快的收敛速度和更高的估计精度,且稳定性更好。     

有色噪声下的不敏卡尔曼滤波器

有色噪声干扰情况下非线性系统的状态估计是许多实际工程需要解决的问题。通常的方法是利用扩展卡尔曼滤波方法将非线性系统线性化后,再利用线性系统的方法对有色噪声系统进行估计。然而,模型的线性化误差往往会严重影响最终的滤波精度,甚至导致滤波发散。为了避免此类误差,先通过对测量方程进行变换的方法,将观测方程的有色噪声转换为白噪声后,再利用不敏卡尔曼滤波方法,对系统的状态进行估计。虽然,该方法也需要对观测方程进行线性化,但是由于此线性化过程是在求解新量测方程的测量误差中进行,因此对系统的误差影响不是很大。仿真结果表明新方法能够有效地对有色噪声环境下系统的状态进行估计,性能要优于现有的一些基于EKF的方法。     

一种基于无先导卡尔曼滤波的混沌相移键控通信系统的非相干检测方法

基于UKF算法,该文提出一种CSK通信系统的非相干检测方法。第一个发送符号作为训练符号,接收端根据第一个发送周期内的接收信号,应用UKF算法估计载波信号;然后将估计的载波信号和后续接收信号相乘,解调后续发送符号。与相干检测方法相比,这种方法不需要混沌同步。仿真结果表明,与已有的非相干检测方法相比,这种方法具有较好的误码性能,甚至比FM-DCSK通信系统的误码性能更好。     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。     

集中式多传感器不敏多假设滤波算法

为了解决非线性系统中杂波环境下的多传感器多目标跟踪问题,提出了一种集中式顺序多传感器不敏多假设滤波算法。在算法中,首先根据顺序结构多传感器系统实现方法将研究问题转化为顺序处理多个非线性单传感器多目标跟踪问题,然后结合多假设跟踪的思想将单传感器中量测点迹与多个航迹互联,在此基础上采用不敏卡尔曼滤波完成非线性条件下目标状态估计与协方差的递推。仿真结果表明,与MSJPDA/EKF算法相比,本算法具有更高的跟踪精度和稳定性。     

一种基于差分演化的粒子滤波算法

针对粒子滤波(Particle Filter, PF)存在的粒子退化和贫化问题,该文提出一种基于差分演化(Differential Evolution, DE)的PF算法。首先,为了充分利用最新的观测信息,采用无迹卡尔曼滤波(Unscented Kalman Filter, UKF)来产生重要性分布,对重要性分布产生的采样粒子不再做传统重采样操作,而是直接把采样粒子当作DE中的种群样本,粒子权重作为样本的适应函数,对粒子做差分变异、交叉、选择等迭代优化,最后得到最优的粒子点集。试验结果表明,该算法有效缓解了传统PF算法中的粒子退化和贫化,提高了粒子的利用率,具有较好的估计精度。     

基于小波变换的UKF改进算法及其应用

众所周知,UKF滤波的应用需要事先准确知道量测噪声的统计特性。首先简要分析了UKF滤波的基本算法,然后利用小波变换可以实时分离信号和噪声的特性,提出了一种在未知量测噪声条件下的UKF算法,该算法可以实时跟踪量测噪声的变化,即实现了对量测噪声的实时估计,从而解决了在未知量测噪声的条件下UKF滤波问题。最后讨论了该方法在信息融合中的应用,仿真结果证明了方法的有效性和实用性。     

基于改进神经网络增强自适应UKF的组合导航系统

基于微机电系统(MEMS)的惯性器件和全球定位系统(GPS)的组合导航系统在卫星信号失锁时存在误差发散的问题,该文提出一种基于人工蜂群算法(ABC)改进的径向基函数(RBF)神经网络增强改进的自适应无迹卡尔曼滤波算法(AUKF)。在GPS信号失锁的情况下利用训练好的神经网络输出预测信息来对捷联惯导系统进行误差校正。最后通过车载半实物仿真实验验证该方法的性能。实验结果表明该方法在失锁情况下对于捷联惯导系统的误差发散有较为明显的抑制效果。