扩展容积卡尔曼滤波-卡尔曼滤波组合算法

传统单一线性或非线性滤波方法往往难以获得最优线性/非线性混合动态系统状态估计,针对这一问题,结合卡尔曼滤波（KF）方法可获得线性状态估计最优解、计算量小等优势,提出了一种基于KF和扩展容积卡尔曼滤波（A-CKF）的组合滤波方法。该方法将系统状态分解为线性状态与非线性状态两部分,分别采用KF和简化两次扩展容积卡尔曼滤波（STA-CKF）方法进行系统状态估计。机动目标跟踪和捷联惯性导航系统非线性对准仿真结果表明,相比于Rao-Blackwellized粒子滤波方法,新方法在保证滤波精度的前提下,使得计算成本有效降低;相比于STA-CKF方法,新方法在滤波精度和滤波实时性方面均得到明显提高。     

多平台对单目标的被动跟踪系统研究

由于多平台对单目标的被动系统具有隐蔽性强、实时性好等优点,因此近年来成为电子战领域研究的热点之一。针对多平台观测下的单目标被动跟踪系统进行了研究,首先提出2种跟踪系统结构:一是基于最小二乘(LS)和线性卡尔曼滤波(KF)相结合的伪线性模型系统,二是基于扩展卡尔曼滤波(EKF)并行滤波技术的非线性跟踪系统;其次分别给出具体设计步骤,并在计算机上进行仿真验证。仿真结果表明,基于EKF的非线性并行滤波技术对目标跟踪精度较高。     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。      

扩展卡尔曼滤波在无源定位中的应用研究

阐述了卡尔曼滤波(KF)和扩展卡尔曼滤波(EKF)的原理和方法,建立了无源定位系统的状态模型和观测模型,推导了将非线性观测模型线性化,并利用EKF进行递推滤波估计的步骤和公式。通过计算机仿真,验证了运用EKF算法解决基于方位角及其变化率测量信息的无源定位方法,结果表明,运用EKF滤波算法,可以实现单观测站对运动目标的无源定位,初始状态估计误差对定位收敛的性能有较大影响。     

平方根容积卡尔曼滤波在角测量跟踪中的应用

为解决扩展卡尔曼滤波算法(EKF)在处理角测量跟踪问题时对复杂非线性状态估计收敛速度慢、估计精度低的问题,引入一种平方根容积卡尔曼滤波算法(SRCKF)。SRCKF是一类sigma点滤波方法,基于容积原则的数值积分方法计算非线性随机函数的均值与协方差,避免了EKF中Jacobian矩阵的计算,有效提高了计算效率。另外,与一般容积卡尔曼滤波算法相比,SRCKF确保了状态协方差矩阵的对称性与半正定性,有效改进了数值精度和鲁棒性。将SRCKF应用于角测量跟踪系统中,仿真结果表明,SRCKF、Unscented卡尔曼滤波(UKF)滤波精度较传统EKF有较大提高,同时,与UKF相比,SRCKF能以较快的运行效率获得较好的滤波效果。     

健康管理对老年冠心病危险因素治疗及控制率影响

捷联惯导系统(SINS)静基座初始对准中,过高的陀螺噪声不但导致系统状态方程非线性,也会使对失准角的估计不能收敛到真值.因此,提出了一种磁强计辅助对准方法,对系统观测方程的分析证明了该方法不仅可提高滤波精度,同时还可对磁场强度和磁倾角进行估计.非线性滤波采用平方根无迹卡尔曼滤波(SRUKF),SRUKF与无迹卡尔曼滤波(UKF)滤波精度相当,优于扩展卡尔曼滤波(EKF).相比UKF,SRUKF具有更高的计算效率和稳定性.仿真结果表明,该算法在陀螺噪声较高的情况下仍能满足SINS初始对准要求.     

简化SPKF在捷联惯导系统非线性对准中的应用

基于欧拉平台误差角的概念,建立了大失准角条件下的激光捷联惯导系统(SINS)非线性误差模型,深入研究了Sigma点卡尔曼滤波(SPKF)及其在大失准角对准中的应用.针对对准模型的特性,推导了SPKF简化算法,进行了静基座下基于扩展卡尔曼滤波(EKF)、简化SPKF的SINS初始对准仿真.仿真结果表明简化型SPKF能有效克服EKF的不足,具有更高的估计精度,且减少了计算量,是SINS非线性对准的一种理想的方法.     

抗差SRCKF滤波在惯性导航初始对准中的应用

针对惯性导航系统大失准角初始对准问题,文中建立了一种基于捷联惯导系统的非线性误差模型,并采用标准容积卡尔曼滤波(CKF)进行数据融合。在系统模型噪声不确定情况下,标准的CKF可能会出现发散的问题,为解决其发散的问题,采用抗差平方根容积卡尔曼滤波(抗差SRCKF)算法进行滤波,抗差SRCKF算法能够保证数值计算稳定性和消除粗差对CKF滤波器的影响,从而抑制滤波的发散,进一步提高滤波器的稳定性。最后,在静基座下对惯性导航系统大失准角初始对准进行仿真。结论表明,随着失准角的增大,在观测量中存在一次或多次粗差时,相较于KF、EKF和SRCKF算法,抗差SRCKF算法具有较好的鲁棒性,估计结果不受观测量粗差的影响。     

降维CKF算法在大失准角传递对准中的应用

惯性导航具备完全自主、高度隐蔽、数据频率高等优点,在机载精确制导武器中得到广泛应用。由于空中传递对准可能处于恶劣条件下,初始失准角较大,传统的线性传递对准模型不能反映系统的真实情况,线性滤波算法也将导致很大的对准误差,为实现精确对准,需要应用非线性模型和非线性滤波算法。而非线性滤波算法如无迹卡尔曼滤波(UKF)、容积卡尔曼滤波(CKF)等,在高维情况下,计算量很大,在弹载计算机计算资源受限的情况下,如何降低滤波算法的计算量是一个重要问题。本文将降维容积卡尔曼滤波算法应用在非线性传递对准模型中,将容积卡尔曼滤波的采样点由30个减少为6个,大幅减少了所需计算量。     

基于卡尔曼滤波和粒子滤波器级联模型的静基座惯导初始对准算法及仿真

传统静基座初始对准主要采用扩展卡尔曼滤波技术。扩展卡尔曼滤波器本质上要求系统近似线性。当近似线性要求得不到满足,会产生很大的偏差,大大降低对准精度,甚至会发散。粒子滤波是一种新出现的滤波技术,对模型不作线性限制,非常适于解决非线性问题,估计精度大大高于传统扩展卡尔曼滤波器。但是,要求维数不能太高,否则会产生计算灾难问题。惯导误差模型的维数较高,这使得粒子滤波技术无法实际应用于初始对准中。本文通过对静基座误差方程进行分析,提出了一种级联模型。将原有模型分解为级联的两个子模型,每个子模型的状态变量维数都很低,然后对两个子模型分别应用卡尔曼滤波器和粒子滤波器进行滤波处理。实验仿真结果表明,这种基于卡尔曼滤波器和粒子滤波器级联模型的算法降低了计算量,大大提高了初始对准的精度,具有重要的现实意义。     

CDKF在GPS/SINS组合导航系统非线性模型中的应用

GPS/SINS组合导航系统模型的非线性会导致扩展卡尔曼滤波（EKF）的估计精度降低。而中心差分卡尔曼滤波（CDKF）的新型非线性滤波方法,则利用插值公式对非线性系统的状态估计进行逼近,从而减小线性化误差对系统精度的影响。针对GPS/SINS导航系统的特点,建立了一种非线性误差模型,并将EKF与CDKF分别应用于组合导航系统模型中进行仿真比较。仿真结果表明,该算法简单易实现,且能满足系统在非线性模型下的导航要求,并具有较高的精度和收敛性。     

Tracking application about singer model based on marginalized particle filter

This article deals with the problem of maneuvering target tracking which results in a mixed linear/non-linear model estimation problem.For maneuvering tracking system,extended Kalman filter (EKF) or particle filter (PF) is traditionally used to estimate the states.In this article,marginalized particle filter (MPF) is presented for application in a mixed linear/non-linear model estimation problem.MPF is a combination of Kalman filter (KF) and PF.So it holds both advantage of them and can be used for mixed linear/non-linear substructure,where the conditionally linear states are estimated using KF and the nonlinear states are estimated using PF.Simulation results show that MPF guarantees the estimation accuracy and alleviates the potential computational burden problem compared with PF and EKF in maneuvering target tracking application.     

EKF、UKF、PF目标跟踪性能的比较

雷达系统的非线性目标跟踪已被人们广泛重视。扩展卡尔曼滤波器（EKF）是将卡尔曼滤波器（KF）局部线性化，其算法简单、计算量小，适用于弱非线性、高斯环境下。不敏卡尔曼滤波器（UKF）是用一系列确定样本来逼近状态的后验概率密度，在高斯环境中，对任何非线性系统都有较好的跟踪性能。粒子滤波器（PF）是用随机样本来近似状态后验概率密度函数，适用于任何非线性非高斯系统。文中通过仿真实验，对三者的性能进行了仿真比较，结果证明在复杂的非高斯非线性环境中，粒子滤波器的性能明显优于另外两种滤波器，但计算复杂，耗时长。     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

EKF、PF在目标跟踪中的研究

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter,EKF）、粒子滤波器（Particle filter,PF）。EKF利用泰勒级数方法,将非线性问题转化到线性空间,再利用卡尔曼滤波器进行滤波,并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法,它将复杂的目标状态分布表示为一组加权值,通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布,已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验,对二者的性能进行了仿真比较,结果证明在复杂的非高斯非线性环境中,PF的性能明显优于EKF,但计算复杂,耗时长。     

UKF在GPS/INS伪距、伪距率组合导航中的应用

扩展卡尔曼滤波（EKF）是GPS／INS组合导航系统中常用的数据融合方式。但是EKF的线性化会带来截断误差,从而影响系统定位精度。不敏卡尔曼滤波（UKF）是一种新的非线性滤波的方法,它能减少线性化截断误差对系统定位精度的影响。文中在线性状态方程的条件下,主要研究了伪距、伪距率的非线性对系统定位性能的影响。UKF采用非线性观测方程,EKF采用线性观测方程。仿真结果表明UKF能明显改善位置项的定位精度。