电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

基于Unscented卡尔曼滤波的目标位置和信道参数同时估计算法

针对传统非线性最小二乘估计算法和多步迭代估计算法估计节点位置和信道参数时存在的缺点,提出一种新的基于卡尔曼滤波的目标位置和信道参数同时估计算法.新算法将接收信号强度指示(RSSI)定位问题转化为非线性方程组的参数向量估计问题,使用UKF对目标位置和无线信道参数同时进行估计.试验结果表明,与非线性最小二乘方法相比,新算法定位误差更小,对信道参数的估计也更准确.     

基于自适应 UKF 微型航姿系统噪声在线估计

针对先验噪声与系统真实噪声不符引起标准无迹卡尔曼(unscented Kalman filter,UKF)性能退化的情况,提出一种应用于非线性时变状态和参数联合估计的自适应UKF(adaptive unscented Kalman filter,AUKF)算法.根据新的协方差矩阵与相应估计值之间存在的误差,构建成本函数.采用梯度下降法进行在线预估,对噪声的协方差进行在线更新并反馈给标准的UKF.实验和仿真分析表明,与标准UKF相比,自适应UKF算法在精度上有较大的提高.对于时变噪声协方差不确定时,自适应UKF噪声在线估计的鲁棒性得到明显改善,验证了自适应UKF噪声在线估计模型的准确性和可行性.     

基于非线性预测滤波和UKF的状态估计方法

非线性系统存在建模误差时,UKF的状态估计误差较大,为了提高UKF对非线性系统的状态估计能力,本文将非线性预测滤波(NPF)方法和UKF相结合,提出了一种改进的UKF。首先应用NPF求得模型误差值,得到非线性系统的修正模型,将模型离散化再应用UKF进行状态估计。在仿真实验中分别应用单纯的UKF和改进后的UKF对一个存在模型误差的非线性系统进行状态估计,对它们的估计结果进行了比较和分析,结果表明结合NPF的UKF能够提高非线性系统状态估计的精度。     

一种基于协作和多普勒频移的车辆定位算法

为提高车辆间自组织网(VANET)中车辆定位的精度,提出了一种基于车辆间协作和多普勒频移的算法(CDCFO),并采用无迹卡尔曼滤波器(UKF)来进行车辆定位.多车辆间相互关联的状态和测量信息,如位置、速度以及专用近程车间通信(DSRC)信号的多普勒频移等,通过协作共享可以被有效融合和处理,来提高对车辆运动状态估计和预测的准确度;UKF直接使用非线性测量方程,因此可以避免扩展卡尔曼滤波器(EKF)在对非线性测量方程进行线性化时忽略高阶项带来的误差.计算机分析和仿真结果表明,相对于常规GPS和CDCFO-EKF算法,提出的CDCFO-UKF算法对车辆目标的位置估计平均误差和均方根误差等定位性能都有较大提高.     

基于RUKF-IMM的非线性系统滤波

从交互式多模型估计(IMM)方法的特点出发,提出用IMM估计方法对有测量数据丢失的非线性系统进行估计.IMM模型集中包含两个模型:一个模型对应测量数据丢失情况,另一个对应测量数据未丢失.最终基于两个模型的估计进行融合得到估计结果,改善估计器在测量信息丢失情况下的稳定性.采用随机无迹卡尔曼滤波(RUKF)方法对每个模型分别进行滤波,消除标准无迹卡尔曼滤波(UKF)方法的系统误差.仿真结果表明:在测量信息丢失的情况下,提出的估计方法在稳定性与估计性能上都优于传统的基于单模型的非线性系统混合估计方法.     

改进的强跟踪平方根分解UKF算法应用研究

针对一类非线性系统滤波问题,提出了一种改进的强跟踪平方根分解UKF算法.该算法通过引入自适应渐消因子改善了滤波器的鲁棒性,利用改善的平方根分解方法提高了滤波器的计算效率.通过实验仿真验证,该算法相对于传统的强跟踪UKF算法具有相近的估计精度和更快的计算效率,相对于强跟踪滤波器具有更高的精度.     

基于自适应平方根UKF的微机械传感器融合航姿估计

提出一种新的基于自适应平方根UKF的微机械传感器组合姿态测量系统.该系统采用3轴微机械陀螺积分得到姿态角,采用3轴微机械加速度计测量重力矢量得到俯仰角和横滚角,分别校正俯仰漂移和横滚陀螺漂移;采用磁强计得到航向角,并与陀螺积分角度融合校正航向陀螺漂移.跑车实验结果表明,基于自适应平方根UKF算法可实时估计机动加速度干扰,并在融合滤波器中进行补偿,能够有效去除车辆机动加速度干扰,姿态角估计精度在±0.6°以内.     

基于平方根迭代UPF滤波的无源定位算法研究

无源定位是基本的导航问题之一,是机动目标跟踪问题研究的基础。针对固定辐射源的无源定位问题,常见的标准粒子滤波器存在收敛速度慢的缺陷,设计了一种基于平方根迭代的UPF滤波器,采用平方根迭代UKF算法作为提议函数,改进了传统PF算法,给出了一种SRUPF算法的设计方案。以一个典型的二维平面无源定位问题对算法进行仿真,仿真结果表明平方根迭代UPF滤波器和标准粒子滤波器相比,具有更高的估计精度,同时较一般UPF滤波器具有更好的数值鲁棒性和更快的收敛速度。     

基于模糊逻辑四元数的平方根UKF算法

针对目标跟踪估计算法中,利用传感器离散观测建模并估计目标连续状态,进行导航解算时滤波精度低,及传统四元数扩展卡尔曼滤波算法无法满足目标姿态测量精度要求等问题,文中提出一种基于模糊逻辑四元数的平方根UKF姿态估计算法.该算法将四元数作为模糊逻辑UKF滤波器状态,应用测量的角速率完成滤波器的时间更新及量测更新,采用模糊逻辑的平方根协方差形式作为更新参数,既降低了算法的计算量和复杂度,又保证了数值的稳定性.文中还以近地卫星为例,在Matlab和C++软件上进行了仿真实验.实验结果表明:文中所提算法可保证对机器人和特征的姿态控制估计精度;可对目标实时跟踪定位并进行量测更新,抑制了姿态误差发散问题.     

分布式不敏卡尔曼滤波状态估计技术

在许多实际的分布式多传感器系统中,系统的动态或传感器的观测方程是非线性的.解决分布式多传感器非线性系统的状态估计问题,通常采用的一种方法是分布式扩展卡尔曼滤波.但由于模型的线性化误差,EKF的滤波效果在很多情况下并不能令人满意.另外,在许多实际应用中,模型的线性化过程比较繁杂,而且也不容易得到.为了有效解决分布式多传感器非线性系统的状态估计问题,提出了一种基于不敏卡尔曼滤波的状态估计技术.不敏卡尔曼滤波是最近提出的一种新的非线性滤波方法.由于不需要对非线性系统进行线性化,不敏卡尔曼滤波可以很容易地应用于非线性系统的状态估计,并且其性能也要优于扩展卡尔曼滤波.仿真结果说明分布式不敏卡尔曼滤波方法的性能要优于分布式扩展卡尔曼滤波方法.     

新型UKF在非线性系统执行器故障估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法使用受限,粒子滤波算法动态跟踪能力差、易产生退化,单一无先导扩展卡尔曼滤波(unscented Kalman filter,UKF)算法滤波精度低等缺陷,根据极大后验(maximum a posterior,MAP)估计原理,设计了一种带限定...     

跟踪系统卡尔曼滤波器的仿真对比分析

比较了跟踪系统中扩展卡尔曼滤波、无迹滤波在二阶常速(CV)统计模型下实现的性能。比较结果显示,无迹滤波(UKF)的性能要明显优于扩展卡尔曼滤波。     

仅测距信息可用的编队卫星自主相对导航简化UKF方法

针对仅测距信息可用条件下编队卫星自主相对导航问题,首先,使用解析方法对仅测距条件下系统可观性进行分析,给出满足系统可观的条件。然后,针对线性状态方程和非线性量测方程的特点设计了简化UKF( Simplified Unscented Kalman Filter,SUKF )滤波算法,使用标准卡尔曼滤波中的时间更新代替UKF中的无迹变换,无需对状态变量进行扩维,可以在保证滤波估计精度的前提下有效地减少运算量,便于实时应用。最后的仿真结果表明在仅测距信息可用时,SUKF的滤波估计精度高于传统的EKF算法,相对定轨精度在米级,对于相对导航精度要求不高的场合是适用的,同时也可以作为测角失效时的备份方案。     

基于极大后验估计的STUKF算法跟踪再入弹道目标

针对弹道导弹再入阶段飞行受力情况复杂多变,状态噪声未知时变的非线性跟踪问题,提出基于极大后验估计的STUKF非线性滤波跟踪算法。该算法采用最小偏度单行采样策略,在保证跟踪精度的同时,提高实时性;引入带有多重次优渐消因子的强跟踪算法,在线调整状态一步预测均方误差阵,提高系统对突发机动跟踪的稳定性;采用指数加权的方法,利用次优无偏MAP时变噪声统计估计器,在线估计未知系统过程噪声的统计特性,提高系统应对噪声变化的能力。仿真结果表明:该算法具有比不敏卡尔曼滤波算法(UKF)和扩展卡尔曼滤波算法(EKF)更好的跟踪性能。     

匹配信息丢失条件下传递对准方法研究

针对传递对准过程中匹配信息的丢失会导致对准滤波器的估计误差过大甚至发散的问题,提出了一种基于改进无迹卡尔曼滤波（UKF）方法的舰载传递对准方案. 该方法通过在滤波器的更新方程中设置一个控制变量,根据当前时刻是否存在匹配数据丢失的判断结果对滤波更新过程进行相应处理,并对所提对准算法的估计误差的有界性进行了分析. 在几种不同等级的匹配信息丢失率的情况下,所提出的方法均能够以较高精度完成对姿态失准角的估计. 仿真结果表明了该方法的有效性.      

基于EMA_UKF的移动机器人传感器故障诊断

针对移动机器人多传感器单个或组合故障的情况,提出一种基于EMA_UKF(expected mode augmentation-unscented Kalman filter)方法,用于解决传统固定结构交互多模型算法(FSMM)因模型数量多而造成实时性较差,以及扩展卡尔曼滤波(EKF)计算复杂且精度不高的问题。EMA_UKF方法将期望模型扩张算法(EMA)与无味卡尔曼滤波方法(UKF)相结合,首先利用模型集合自适应来确定期望模型;然后用期望模型扩张初始模型集,通过UKF滤波得到接近真实模型状态的估计结果,判断传感器故障类型。最后,通过与传统的FSMM方法的实验对比,表明该方法能够有效地判断出移动机器人单个或组合传感器故障类型,并且明显地提高了诊断精度。     

基于 VB-UKF 的 SINS/ GPS 自适应融合技术

针对SINS／GPS组合导航中量测噪声统计特性不准确引起卡尔曼滤波精度下降的问题,提出基于变分贝叶斯自适应无迹卡尔曼滤波（VB-UKF）的非线性融合方法．分析了线性的变分贝叶斯自适应卡尔曼滤波（VB-KF）算法的原理与性能,针对其仅适用于线性系统的问题,将VB-KF与UKF结合导出了非线性的VB-UKF算法．该算法可对系统状态和时变的量测噪声方差进行同步非线性估计,且与传统的UKF算法具有统一的形式．导航仿真结果表明：VB-UKF对于突变或慢变的量测噪声方差均能实时跟踪,较常规UKF算法可有效降低噪声统计特性不准确给系统造成的不利影响,提高定位精度．