基于Kalman滤波的人工神经网络算法及在矿物机械活化中的应用

为了避免传统BP算法的局限性，通过利用Kalman滤波算法对权值矩阵作为滤波状态变量进行估计，在迭代过程中还引入神经元增益gi和状态动量因子γm两参数来平滑权值矩阵．在此基础上建立的BP算法不仅大大加快了收敛速度，而且提高了网络数值的稳定性，应用于矿物机械活化过程模拟得到令人满意的效果，证明是一种有效的BP学习算法．     

基于星间链路的星上时间自主完好性监测方法

针对北斗卫星系统难以在全球布站的现实情况,提出了一种基于Kalman滤波的星上时间自主完好性检测方法.该方法利用北斗卫星真实在轨数据,从星间链路测距值中解算出时间信息,经过历元归算得到相对钟差.利用原子钟时频基准的工作机理分析了星间测量数据的误差模型,设计了Kalman滤波监测算法.仿真分析了Kalman滤波对于北斗卫星真实在轨星间链路测距值中相位跳变和频率跳变的监测性能.结果表明,以钟差数据作为Kalman滤波的观测值,可以有效检测并识别出钟差数据的相位跳变和频率跳变,且为工程实践提出合适的检测门限.     

信息融合超前k步稳态最优Kalman预报器和Wiener预报器

应用Kalman滤波方法,基于Riccati方程,在线性最小方差信息融合准则下,提出了两传感器信息融合超前k步稳态最优Kalman预报器和Wiener预报器,给出了最优加权阵和最小融合误差方差阵.同单传感器情形相比,可提高预报精度.一个雷达跟踪系统的仿真例子说明了其有效性.     

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.     

应用联邦自适应UKF的卫星多传感器数据融合

在卫星自主导航系统中,一方面,系统状态模型存在难以准确建模的问题,要求信息融合算法具有一定的自适应性;另一方面,系统的量测模型通常具有较强的非线性,又要求信息融合算法在强非线性下保持较高的精度和鲁棒性. 针对以上两个问题,本文提出了基于星敏感器、红外地平仪、磁强计、雷达高度计、紫外敏感器的多信息联邦自适应UKF组合导航方案,该方案将多个导航传感器提供的信息在联邦滤波器里融合,并采用自适应UKF算法构建联邦滤波器的子滤波器. 采用这种方案,可有效组织并充分利用导航传感器提供的导航信息,并且系统模型具有一定的自适应性. 数字仿真结果表明,与传统的联邦卡尔曼滤波方法相比,该方法更适合于非线性较强、系统模型参数不准确的场合,有效提高了导航精度.     

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。     

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.     

两传感器按对角阵加权信息融合稳态Kalman滤波器

应用现代时间序列分析方法,在按对角阵加权线性最小方差最优信息融合准则下,基于Riccati方程,提出两传感器信息融合稳态最优Kalman滤波器.与按矩阵加权最优融合.Kalman滤波器相比,可减少计算负担,与单传感器情形相比,提高了滤波精度.一个仿真例子说明其有效性.     

基于Kalman滤波方法的多传感器信息融合最优白噪声反卷积滤波器

应用Kalman滤波方法和白噪声估计理论,在线性最小方差按矩阵加权最优信息融合准则下,提出了多传感器信息融合稳态最优白噪声反卷积滤波器,其中给出了局部滤波误差之间的协方差公式,它被用于计算最优融合加权阵.同单传感器情形相比,可提高滤波精度.它可应用于石油地震勘探信号处理.一个3传感器信息融合Bernoulli-Gaussian白噪声反卷积滤波器的仿真例子说明了其有效性.     

带限图象信号的数据外推

引进正则参数能够处理数据外推问题的内在不稳定性.本文通过应用正则参数,给出了一种能够抑制噪声的二维正则外推矩阵,提出了一种实现二维数字外推器的流程结构,建立了一种二维递归外推的Kalman滤波算法.     

渐消递推滤波辅助光谱分析：最佳自适应算法

研究了Ｋａｌｍａｎ渐消递推最佳滤波辅助光谱辨析。基于Ｋａｌｍａｎ滤波达到最优时其新息序列互不相关的性质，提出了一种新的渐消滤波─—最佳自适应算法。通过在线自适应地调整遗忘因子从而使滤波（器）在存在模型误差或受到外扰时仍保持收敛性和最优性。用于重叠峰的辨识，能取得更好效果。     

考虑SAR图像导航量测特性的SAR/INS组合导航非线性滤波

SAR/INS组合导航系统中,当SAR量测输出时间间隔较长时,惯性导航得不到及时修正,系统将具有较强的非线性特性,导致常规卡尔曼滤波算法的精度受到影响甚至滤波发散. 为了提高组合导航的精度,该文结合惯性导航系统的非线性模型,设计基于无迹卡尔曼滤波(UKF)解决非等间隔量测修正的SAR/INS组合导航非线性滤波算法,并通过协方差分析对比研究常规卡尔曼滤波和该文算法的性能. 仿真结果验证了该文算法具有更高的精度.     

磁强计和微机械陀螺/加速度计组合定姿的扩展卡尔曼滤波器设计

微机械陀螺近年来获得广泛应用,但是由于其性能较低,并不能提供长时间的稳定的姿态,必须和其它传感器组合使用。提出了一种基于磁强计和微机械陀螺／加速度计组合姿态确定的四元数卡尔曼滤波算法,该算法利用加速度计的输出判断是否使用卡尔曼滤波器计算姿态,并在卡尔曼滤波器中利用加速度计和磁强计计算的姿态角补偿陀螺的漂移。仿真和实验结果表明了该算法的有效性。     

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.     

捷联惯导初始对准的超球体采样SRUKF算法

平淡卡尔曼滤波(UKF)在捷联惯导系统静基座大方位失准角初始对准中计算量大,且滤波数值不稳定. 针对这一问题,该文将超球体采样策略与平方根UKF(SRUKF)算法相结合,提出一种改进的SRUKF算法. 该算法在保证其滤波精度和UKF算法相当的前提下,通过引入超球体采样减少了采样点数,提高了计算速度. 并以协方差阵的平方根矩阵代替协方差阵参加递推运算,减少了计算机舍入误差,提高了滤波数值稳定性. 仿真结果表明,该算法在保证初始对准滤波精度的前提下降低了计算量,提高了滤波性能.     

基于伪陀螺/磁强计/地球敏感器的微卫星姿态自适应确定方法

以伪陀螺、磁强计与地球敏感器构成的姿态测量系统为基础,设计了自适应扩展卡尔曼滤波算法.对轨道倾角不同的两种卫星的定姿性能进行了仿真,结果表明,该方案的滚动与俯仰角精度达到0.05°,航向角优于0.4°,且随轨道倾角的减小而改善;当地球敏感器发生故障时,大倾角轨道的卫星滚动与俯仰角精度优于0.5°,航向精度约1°;同时自适应滤波方法能显著地提高姿态确定的性能.     

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.     

具有随机时延的网络控制系统故障诊断滤波器设计

摘要： 该文针对具有随机时延的网络控制系统故障诊断问题,分别进行Kalman滤波器和H1 滤波器的最优故障诊断滤波器设计. 通过迭代实现Kalman滤波器的故障诊断,在H1 滤波器设计中采用增广矩阵和线性矩阵不等式技术尽可能减小残差与故障之间的误差. 通过仿真验证了上述两种设计方法的有效性.