有限时间一致无迹Kalman滤波器

本文研究多个传感器测量非线性系统时的分布式无迹Kalman滤波器(Unscented Kalman filter, UKF)的设计问题.借助离散多智能体系统有限时间平均一致算法的思想, 针对无向通信和有向通信网络分别设计了两种不同的滤波算法.对于无向连通的通信拓扑, 利用节点存储的一致性算法的迭代值构造差向量, 由该差向量构成的Hankel矩阵的核来得到分布式无迹Kalman滤波器, 并通过利用误差协方差矩阵的逆来构造Lyapunov函数, 基于随机稳定性引理证明了该有限时间一致无迹Kalman滤波器的稳定性.对于有向强连通的通信拓扑, 结合比率一致和Hankal矩阵的核来设计分布式无迹Kalman滤波器, 该滤波器的稳定性与无向通信拓扑的滤波器相同.最后, 通过仿真例子来验证所提滤波器的跟踪效果.     

强跟踪平方根UKFNN的铝电解槽工耗动态演化模型

铝电解过程具有多变量、强耦合、强干扰、参数时变等特征,故其模型开发是一个技术难点. 根据该过程的特点,本文提出强跟踪平方根无迹Kalman神经网络（Strong tracking square root unscented Kalman filter neural network,STR-UKFNN）,并用其建立铝电解槽工艺能耗的动态演化模型. 该方法利用误差协方差矩阵的平方根代替UKFNN算法中的协方差阵,避免误差协方差矩阵可能出现负定而导致滤波发散,并在UKFNN算法中引入渐消因子和弱化因子,实时调整滤波增益,提高模型收敛速度和其对突变状态的跟踪能力. 通过某铝厂170kA预焙槽的日报样本验证表明,该方法提高了能耗模型的精度和对电解槽突变状态的实时跟踪能力,有助于指导铝电解过程操作参数的优化.     

一种鲁棒的Kalman滤波方法

在目标跟踪测量中,由于各种噪声的影响,Kalman滤波算法对野值数据的估计经常出现较大误差,直接影响了定位结果.修正增益的滤波方法在野值相对较小的情况下误差不能有效的识别.为此,提出残差权重自适应抗野值的Kalman滤波方法,该方法能明显的降低野值对定位结果的影响,对实测数据的仿真结果表明了该方法的有效性,满足试验要求.     

基于自适应滤波的MEMS姿态确定方法

针对消费类电子设备对姿态测量系统的需求,本文提出了一种基于MEMS加速度计、陀螺仪和磁强计的九轴姿态确定算法.针对实际系统中传感器量测噪声未知的情况,首先介绍了一种基于矢量观测器的矩阵Kalman滤波姿态确定算法,然后利用残差匹配技术,设计了一种基于残差匹配的自适应滤波方法.论文采用自适应滤波对传感器量测噪声进行估计,并将估计的量测噪声代入线性矩阵Kalman滤波算法,有效解决了线性矩阵Kalman滤波需要准确量测噪声统计信息的缺陷.最后设计了仿真实验验证本文提出的算法,并将其与线性矩阵Kalman滤波算法比较.仿真结果表明,自适应矩阵Kalman滤波的姿态旋转误差角为0.6091°,标准差为0.3009°,能够有效的估计传感器量测噪声,并具有更高的姿态确定精度和稳定性.     

基于平方根UKF双向滤波的单站无源定位算法

单站无源定位可观测性弱、参数测量精度不高,因此初始值测量误差往往较大.而无迹卡尔曼滤波(Unscented Kalman filtering,UKF)算法对初始值较为敏感,并且由于数值计算的舍入误差会产生滤波发散,为了解决以上问题,提出了一种基于平方根UKF(Square-root UKF,SRUKF)的双向滤波算法.该算法通过使用误差协方差的平方根替代协方差阵参与滤波,保证了算法的稳定性,同时运用平方根无迹卡尔曼滤波后向平滑(Un-scented Rauch-Tung-Striebel smoother,URTSS)后向平滑方法,用平滑值取代初始值,为前向滤波提供较高精度的起始值,提高算法的滤波精度,从而提高了算法对初始值的鲁棒性.仿真结果表明,与UKF算法和SRUKF算法相比,该算法提高了滤波的稳定性、收敛速度、定位精度及对初始值的鲁棒性.     

一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用

针对粒子滤波的重要性密度函数选择问题,提出一种基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的改进粒子滤波算法。该方法利用集合卡尔曼滤波产生粒子滤波在每一时刻各粒子的重要性密度函数,在融合最新观测信息的同时,使重要性密度函数更加符合状态的真实后验概率分布。为消除样本枯竭现象,对重采样后的粒子进行马尔科夫链蒙特卡洛处理。在仿真实验中,将新算法用于GPS/DR组合定位系统,与粒子滤波、扩展卡尔曼粒子滤波以及无迹粒子滤波进行比较。仿真结果表明,该算法的估计精度高于传统粒子滤波算法,同时其能够有效控制计算量,并且在粒子数目较少时仍能保证较好的估计性能。     

一种卡尔曼增益约束滤波算法

在滤波过程中,将卡尔曼增益结合约束条件,可以有效地提高滤波精度.论文推导了含有卡尔曼增益约束条件的代价函数,根据Karush-Kuhn-Tucker（KKT）最小化的一阶必要条件,使用高斯牛顿法求出约束卡尔曼增益的最优约束解.最后对具有约束条件的目标跟踪问题进行了仿真实验,结果表明该算法的跟踪精度要高于普通卡尔曼滤波算法.     

基于自适应Kalman滤波的改进RTQC算法

为对原始雷达数据进行空间配准,对原始的实时质量控制方法(real time quality control,RTQC)进行了研究.在传统的RTQC算法的基础上,加入Kalman滤波,用于对随机误差进行处理,得出雷达测量的固定误差.对Kalman算法进行改进,改进了传统的Kalman滤波算法,通过对量测噪声方差矩阵和模型噪声方差矩阵进行实时估计,减少了Kalman滤波对于方差矩阵先验知识的要求,提高了Kalman滤波的自适应性,并初步分析了算法的有效性.与实际数据的对比实验结果表明了该方法的有效性.     

带宽受限下的基于一致性的分布式融合估计器

研究带宽受限下的基于一致性的分布式融合估计问题. 建立以一致性滤波增益为决策变量, 以所有传感器有限时域下融合估计误差协方差矩阵的迹的和为代价函数的优化问题. 在给定一致性权重的前提下, 给出使得系统融合估计误差在无噪声时渐近稳定的一致性滤波增益存在的充分条件, 并通过最小化代价函数的上界得到一组次优的一致性滤波增益. 最后通过算例仿真验证了所提出方法的有效性.     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

A Filtering Approach Based on MMAE for a SINS/CNS Integrated Navigation System

This paper explores multiple model adaptive estimation (MMAE) method, and with it, proposes a novel filtering algorithm. The proposed algorithm is an improved Kalman filter-multiple model adaptive estimation unscented Kalman filter (MMAE-UKF) rather than conventional Kalman filter methods, like the extended Kalman filter (EKF) and the unscented Kalman filter (UKF). UKF is used as a subfilter to obtain the system state estimate in the MMAE method. Single model filter has poor adaptability with uncertain or unknown system parameters, which the improved filtering method can overcome. Meanwhile, this algorithm is used for integrated navigation system of strapdown inertial navigation system (SINS) and celestial navigation system (CNS) by a ballistic missile's motion. The simulation results indicate that the proposed filtering algorithm has better navigation precision, can achieve optimal estimation of system state, and can be more flexible at the cost of increased computational burden.      

An adaptive unscented Kalman filter approach to secure state estimation for wireless sensor networks

Wireless sensor networks are vulnerable to false data injection attacks, which may mislead the state estimation. To solve this problem, this paper presents a chi-square test-based adaptive secure state estimation (CTASSE) algorithm for state estimation and attack detection. Taking advantage of Kalman filters, attack signal together with process noise or measurement noise are described as total white Gaussian noise with uncertain covariance matrix. The chi-square test method is used in the adaptation of the total noise covariance and attack detection. Then, a standard adaptive unscented Kalman filter (UKF) is used for the state estimation. Finally, simulation results show that the proposed CTASSE algorithm performs better than other UKFs in state estimation and is also effective in real-time attack detection.     

An Improved Dual Unscented Kalman Filter for State and Parameter Estimation

A dual unscented Kalman filter (DUKF) is used to estimate the state and the parameter simultaneously via two parallel unscented Kalman filters. The original DUKF usually has performance degradation as a result of assuming the control inputs of each filter are constant, which usually are disturbance inputs or systematic measurement errors in the control system. An improved dual unscented Kalman filter (IDUKF) with random control inputs and sequential dual estimation structure is derived and applicable to the system in which the parameter is linearly observed and uncorrelated with the state. The accuracy, observability, and computational efficiency of the new filter are discussed. Then, the expansibility of the IDUKF for nonlinear parameter observed substructures is investigated. Finally, two simulation experiments about space target tracking and typical time series filtering are shown. The theoretical analyses and simulation results demonstrate the following. (1) the IDUKF can obtain higher accuracy than the original DUKF and a comparative accuracy with the JUKF (joint unscented Kalman filter) when the state and the parameter are not strongly correlated; (2) the IDUKF has better applicability than the DUKF when the state is correlated with the unknown parameter; (3) when the modeling error is not ignorable, the IDUKF is more robust and more accurate than the JUKF due to lower sensitivity to the modeling error.     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

自适应粒子滤波在卫星紫外导航中的应用

基于紫外敏感器的自主导航系统是典型的非线性和噪声非高斯分布的系统,针对扩展卡尔曼滤波(EKF)和Unscented 卡尔曼滤波(UKF)不适于噪声非高斯分布的系统,和一般粒子滤波缺乏在线自适应调整能力等问题,提出了将基于正交性原理的自适应强跟踪滤波器(STF)和UKF相融合作为重要密度函数,应用于基于紫外敏感器自主导航粒子滤波器新方法,通过UKF构造粒子群,对粒子群中的每一个粒子的每一个sigma点用STF进行更新,使得算法的鲁棒性增强,有极强的对突变状态的跟踪能力,具有强的自适应能力.为了说明算法的有效性,结合模拟的轨道数据和测量数据进行了仿真,仿真结果说明了所提算法的有效性.     

自适应SVD–UKF算法及在穿刺状态估计中的应用

柔性针在实际穿刺过程中会产生不规则形变, 导致柔性针模型存在参数不确定性问题, 影响穿刺精度. 本文针对柔性针穿刺过程存在的不确定性问题以及超声成像等设备存在的量测噪声统计特征不准确性问题, 提出了一种带有噪声估计器的自适应奇异值分解无迹卡尔曼滤波算法. 该算法采用自适应因子实时修正动力学模型误差, 通过奇异值分解抑制系统状态协方差矩阵的负定性, 利用Sage-Husa估计器在线估计噪声的统计特性, 减小了系统状态估计误差. 将新算法应用于带有曲率不定性的柔性针穿刺模型进行计算仿真, 仿真结果显示, 新的算法较现有的UKF算法相比, 估计误差减小了0.28 mm(82.7%), 与AUKF算法相比, 估计误差减小0.06 mm(52%). 因此, 新算法可有效改善滤波性能, 提高穿刺状态的估计精度.     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

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．     

改进的扩展卡尔曼滤波算法研究

扩展卡尔曼滤波已被广泛地应用到工程实际等各领域,但是此算法因假设过程噪声固定而带来误差,精度不高。研究了一种改进的EKF算法,主要通过假设过程噪声由滤波结果和观测结果得到,再用差分进化算法对所得到的过程噪声方差进行最优化选择来提高滤波精度,通过Matlab对算法进行验证,并与EKF滤波效果、无迹卡尔曼滤波效果进行比较,结果表明,改进的扩展卡尔曼滤波算法减小了状态估计偏差,获得了比较理想的滤波效果,提高了滤波精度。     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。