谱估计中解析公式与卡尔曼滤波比较研究

功率谱估计中,解析公式法由于未能解决白噪声与系统输出之间的相关性问题,计算结果误差较大且稳定性较差,为此在谱估计中引入Kalm an滤波.对于某一给定的AR过程来设计Kalm an滤波器,在滤波器的迭代运算中把AR过程的激励和AR过程的系统输出作为滤波器的输入、白噪声作为滤波器参数,并将该滤波器融合于谱估计的计算当中.仿真结果表明,与解析公式相比,Kalman滤波计算精度和结果稳定性都有较大提高,可以作为解决此类问题的选择之一.     

使用遗传算法的自适应Kalman滤波器

基于Magill的Kalman滤波器池结构,设计了使用遗传算法的自适应Kalman滤波器,给出了离线和在线两种实现方案。离线方案以辨识滤波参数为主要目的,进而可以对状态进行较准确的事后估计;在线方案以实时地对状态进行估计为目的。对滤波参数寻优使用具有良好性能的浮点数编码遗传算法,该算法与二进制编码遗传算法相比收敛速度更快、搜索全局最优的能力更强。仿真结果验证了所提出的自适应Kalman滤波器的有效性。     

Kalman滤波器在WCDMA功率控制中的应用

介绍了一种适合于分组交换WCDMA无线网络的Kalman滤波器功率控制方法。娄数据包连续传送时,信道干扰具有时域上的相关性,Kalman滤波器可用来预测干扰功率。通过干扰预测和路径增益的估计,可确定合适的符合SINR（signal-to-interference-plus-noise)要求的发送功率。给出了仿真结果,结果表明,使用Kalman滤波器的功率控制方法可以提高功率控制的性能。     

稳态分数阶Kalman滤波器

基于CARMA新息模型对线性离散分数阶状态空间系统提出一种稳态分数阶Kalman滤波器。分数阶描述比整数阶描述更精确,所提出的滤波器相比已有的整数阶系统的相关研究结果更具普遍性和实用性。仿真实例表明了该滤波器的有效性。     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。     

Kalman滤波器的抗干扰算法

在Kalman滤波意义下,提出将观测值划分为正常和病态两种属性,病态值可以是通常的野值,也可以是部分的正常值,这种模糊划分降低了辨识的难度,也比较符合客观实际,避免了由于划分不当所造成的误判或漏判情况的出现;为了提高Kalman滤波器的抗干扰能力,通过对新息分量统计特性的逐一修正,提出了重新构造状态估计的改进算法.由于充分利用了新息各分量服从正态分布的统计特性,所以算法具有结构简单,计算量小的特点.仿真实验表明,不论出现何种形式的干扰,算法都具有稳定的滤波性能,不仅克服了经典Kalman滤波器易受干扰,滤波效果不稳定的问题,而且克服了众多Kalman滤波改进算法的不足之处,适用范围更为广泛.     

使用遗传算法的自适应Kalman滤波器

基于Magill的Kalman撼波器池结构，设计了使用遗传算法的自适应Kalman滤波器，给出了离线和在线两种实现方案．离线方案以辨识滤波参数为主要目的，进而可以对状态进行较准确的事后估计；在线方案以实时地对状态进行估计为目的．对滤波参数寻优使用具有良好性能的浮点数编码遗传算法，该算法与二进制编码遗传算法相比收敛速度更快、搜索全局最优的能力更强．仿真结果验证了所提出的自适应Kalman滤波器的有效性．     

随机非线性Kalman－Bucy滤波器方程

本文讨论了具有非零均值、系统模型噪声与测量噪声互为相关的随机非线性Ｋａｌｍａｎ－Ｂｕｃｙ滤波器，得到了滤波器方程，从而推广了文献〔４〕的结果     

基于Kalman滤波器和遗传算法的参数估计方法

提出了一种基于Kalman滤波器和遗传算法的系统参数估计方法,可以对带测量噪声和过程噪声的线性系统中的未知参数进行有效估计。理论分析和数据仿真表明,此方法能较好地处理已知数据中的噪声,并且能应用于系统未知参数存在较复杂关联的情况。     

基于模糊控制的舰船组合导航Kalman滤波器应用与仿真

为了克服舰船组合导航Kalman滤波器对异常量测值处理过于简单（只分为野值、正常值）的弊端,提出在滤波器中加入模糊控制器,以便对不同类型的滤波新息进行判别后加权和处理,从而增强滤波器对野值的适应能力,提高了滤波稳定性和可靠性。     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

基于小波变换与卡尔曼滤波的多目标跟踪

利用小波变换和卡尔曼滤波研究多目标检测与跟踪问题.采用小波三层分解原理,对图像进行去噪处理,得到的低频图像再进行背景差分运算,从而检测出运动目标.采用卡尔曼滤波先预测出目标在下一帧的位置,通过前后帧的目标位置计算半径值,结合k近邻算法在半径内采用k近邻数据关联,取与预测位置欧氏距离最短的点为目标在下一帧中出现的真实位置.通过MATLAB对实验进行仿真.结果表明,方法可有效提高多目标检测与跟踪的准确性和抗遮挡性.     

自适应卡尔曼滤波的新算法

本文提出了自适应卡尔曼滤波的一种新算法,对Sage-Husa及Myers-Tapley的滤波器作出了改进,计算机模拟结果表明新滤波器有较好的性能.     

联邦卡尔曼滤波与集中式卡尔曼滤波的等价性

给出了联邦卡尔曼滤波与集中式卡尔曼滤波的等价性证明,并用GPS/INS组合导航系统的静态仿真实验验证了等价性。     

Kalman滤波在视频监控中的应用

卡尔曼滤波(Kalman)是一种根据时变随机信号的统计特性,对信号的未来值做出尽可能接近真值的一种估计方法.首先对卡尔曼滤波进行介绍,然后阐述了它在视频监控技术中的运动目标检测和运动目标跟踪两个方面的应用.     

组合导航系统中的自适应卡尔曼滤波技术

在比较了组合导航系统多种卡尔曼滤波技术的基础上,提出了能提高系统鲁棒性的自适应卡尔曼滤波技术。并利用系统静态仿真证明了该算法的有效性。     

自适应卡尔曼滤波在地铁监测中的应用

目的通过滤波后的数据对比,验证自适应卡尔曼滤波在处理地铁变形监测数据工作中优于经典卡尔曼滤波.方法分别应用经典卡尔曼滤波和自适应卡尔曼滤波建立动态处理数据模型,对地铁变形监测数据进行处理,并与人工实测值进行对比.结果使用经典卡尔曼滤波处理后,数据精度提高38%,使用自适应卡尔曼滤波处理后,数据精度提高55%.结论自适应卡尔曼滤波与经典卡尔曼滤波相比,自适应卡尔曼滤波剔除噪声效果强与经典卡尔曼滤波,并且自适应卡尔曼滤波后数据整体变化平稳,与实测值吻合性较好,自适应卡尔曼滤波在处理沈阳地铁一号线监测数据中,优于经典卡尔曼滤波.