广义离散随机线性系统降阶固定区间最优Kalman平滑器

利用Y-可观广义系统典范型,将广义系统状态估计问题转化为一个降阶常规系统的状态估计问题.应用Kalman滤波方法和白噪声估计理论,提出了广义离散随机线性系统降阶固定区间最优Kalman平滑器,可减少计算负担,便于实时应用,一个仿真例子说明其有效性.     

广义系统降阶极点配置Kalman估值器

应用现代时间序列分析方法,基于ARMA新息模型和白噪声估计理论,提出了广义系统降价极点配置Kalman状态估值器.它可统一处理滤波、平滑和预报问题,且具有渐近稳定性.在计算上与非降阶的方法相比明显地减少了计算负担.同经典降阶Kalman滤波方法相比,避免了求解Riocati方程.仿真例子说明了所提的理论和算法的有效性.     

广义离散系统降阶Wiener滤波、平滑和预报

应用现代时间序列分析方法,基于Kalman滤波和白噪声估计理论,对于广义离散随机线性系统的一种典范型,提出降阶Wiener状态估值器,可统一处理滤波、平滑和预报问题,并且能减少计算负担,便于实时应用.一个仿真例子说明其有效性.     

一种新的固定滞后最优Kalman平滑器

基于带相关噪声系统的一种最优Kalman滤波算法,应用白噪声估计理论和射影理论,提出了一种带白噪声估值器的固定滞后最优Kalman平滑器。它可递推实现,一个仿真例子说明了其有效性。     

一种基于联邦Kalman滤波结构的自适应信息融合方法

鉴于联邦Kalman滤波是一种能在复杂信息融合系统中进行目标状态估计的有效方法．介绍了联邦Kalman滤波器的原理和结构，提出了一种基于联邦Kalman滤波结构的自适应多传感器信息融合算法．仿真结果表明，该算法能有效提高信息融合系统的精度和容错性．具有较高的实用价值．     

一类广义系统Kalman滤波新方法

基于矩阵理论[8]和时域上的Kalman滤波理论[5],对广义离散随机线性系统进行研究.运用矩阵约当分解,将一类广义系统化为正常系统,并利用已有的正常系统结果,给出一类广义最优Kalman滤波器,其算法简单,为递推算法,且避免了计算ARMA新息模型和白噪声估值器,便于实时应用.仿真例子说明了算法的有效性.     

Y可观典范型广义系统降阶Wiener状态估值器

用现代时间序列分析方法,基于ARMA新息模型和白噪声估计理论,提出了在Y可观典范型下广义系统的降阶Wiener状态估值器.它们可统一处理,滤波,平滑和预报问题且具有渐近稳定性.在计算上与非降阶的方法相比明显地减少了计算负担,同多项式方法相比避免了求解Diophantine方程.仿真例子说明了所提的理论和算法的有效性.     

相关噪声系统固定区间最优Kalman平滑器

基于带相关噪声系统的一种Kalman滤波器,应用射影理论,提出了一种固定区间最优Kalman平滑器,它可用反向递推形式实现,算法简单,但于实时应用.推广了带不相关噪声系统的一个现有结果.一个仿真例子说明了其有效性.     

两传感器最优观测融合解耦Wiener状态估值器

基于观测数据融合功能等价性原理,利用加权方法合并两传感器系统的各传感器的观测方程为一个最优融合观测方程,可得到全局最优稳态Kalman滤波器,进而可得到等价的解耦W iener状态估值器.可统一处理滤波、预报和平滑问题.且它可减小计算负担,便于实时应用.一个目标跟踪系统的仿真例子说明其有效性.     

Kalman滤波器在WCDMA功率控制中的应用

介绍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.当数据包连续传送时,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.     

基于鲁棒时变卡尔曼滤波估计的无人机视觉编队

针对一般多输入多输出不确定系统,提出一种基于鲁棒时变卡尔曼滤波的估计算法. 该方法将时变卡尔曼滤波与自适应神经网络相结合,利用自适应神经网络克服外界非线性不确定因素,采用两个误差信号对其进行训练以提高估计精度,并对估计误差有界性进行证明. 将该方法用于无人机视觉编队视线信息的状态估计,仿真结果表明该算法能够很好地估计不确定机动长机的加速度,实现了僚机对长机的有效跟踪.     

GPS/INS组合导航中的自适应滤波算法

研究了GPS/INS导航系统中的不确定噪声问题,给出了一种基于协方差匹配技术的自适应卡尔曼滤波算法,该法当测量噪声的协方差已知时可以自适应估计出系统噪声的协方差.它是在滤波过程中通过判定系统噪声的协方差是否发生了变化,若它发生了变化再估计出新的协方差,然后再按得到的噪声统计估计值计算新息序列的协方差阵,因此有效地提高了滤波结果的精度并消除了滤波发散现象.数字仿真表明效果良好.     

基于EKF的Duffng振子正弦策动力判别算法

以Duffng振子系统为研究对象,分析了以正弦函数为周期策动力的Duffng方程基本形式及相应的振子运动,并用扩展卡尔曼滤波(extended Kalman filter,EKF)对Duffng振子系统进行递推滤波,实现了对Duffng振子系统的稳定估计.根据滤波过程中周期策动力随卡尔曼增益的变化,提出了一种基于卡尔曼增益判别Duffng振子系统周期策动力的方法,可以作为运用Duffng振子进行弱信号检测的依据.仿真结果表明,与经典Lyapunov指数判别法相比,该算法具有更好的判别性能.     

不确定广义系统的鲁棒非脆弱H∞控制

研究状态反馈控制器增益具有摄动的一类不确定广义系统的鲁棒非脆弱H∞控制问题．分别对控制器增益具有加法式摄动和乘法式摄动两种情形加以讨论,并通过对系统广义二次能稳定且满足H∞范数界这一性质的研究而得到解决．控制器的设计可通过求解一组线性矩阵不等式得到．     

卫星导航系统与气压高度计的信息处理与融合

提出一种卫星导航系统与气压高度计的高度数据融合算法. 利用ARIMA(autoregressive integrated moving average)模型信号降噪技术对卫星导航系统和气压高度计的高度信号进行降噪处理. 建立高度测量系统的状态方程和量测方程,并结合卡尔曼滤波对高度数据进行第1 次融合,再利用递推加权最小二乘法对高度数据进行第2 次融合,得到精度更高的飞行高度信息. 实测数据分析结果表明：该算法所获得的高度信息与气压高度计、卫星导航系统相比,标准差降低一半以上,有效地提高了测量精度,可满足飞行器对高度测量信息的要求.     

机器视觉辅助的无人机空中加油相对导航

为准确获取无人机空中加油对接阶段的相对位姿信息,提出了一种机器视觉辅助的INS/GPS/MV 组合导航方案,研究了机器视觉图像的特征点提取与匹配算法. 引入相对惯导误差,建立了全局滤波器的增广状态方程,并根据杆臂矢量推导了GPS和机器视觉量测方程. 设计了基于联邦滤波器结构的全局多速率扩展卡尔曼滤波算法,以融合多速率传感器信息,并与标准EKF算法进行对比. 仿真结果表明,所提出的算法能有效融合惯导、GPS和机器视觉的测量信息,使导航参数的精度和输出带宽均满足导航系统的设计要求,有利于改善无人机的飞行品质,放宽对飞控系统的性能要求.     

按三种不同加权准则的信息融合Kalman滤波器的性能比较

用Kalman滤波方法,在三种不同的线性最小方差最优融合准则下分别提出两传感器按矩阵加权,按对角阵加权和按标量加权的信息融合稳态Kalman滤波器.它们可以处理带相关的输入和观测噪声和带相关的观测噪声系统.一个目标跟踪系统的仿真例子说明了它们的有效性.仿真结果表明,同按矩阵加权和按对角阵加权融合滤波器相比,按标量加权融合滤波器的精度没有明显损失,但却显著地减小了计算负担,构成一种快速信息融合估计算法,适合实际应用.