一般相关噪声下线性系统定区间平滑估计算法

针对机动目标跟踪中固定区间平滑估计算法对噪声相关性考虑不完全的问题,提出了一种具有一般相关过程噪声与量测噪声的离散线性系统最优固定区间平滑估计算法.该算法通过将固定区间内全部量测进行集中式扩维,并对误差传递进行分析,从而精确给出了误差间的相关性,在线性无偏最小方差意义下对系统状态进行递推估计.与不考虑相关性的卡尔曼平滑算法以及仅考虑量测相关性的正、逆向滤波融合平滑估计算法相比,新算法在噪声的高斯分布假设下是最优的,且随噪声相关性增强其优越性越明显.仿真结果表明,在相关系数为0.36时,新算法的位置跟踪均方根误差比不考虑相关性和仅考虑量测相关性的平滑估计算法可降低38%.     

带乘性噪声系统在加性噪声相关时的最优滤波

针对石油地震勘、通讯工程、语言处理等应用领域。该文研究了一种在更弱的噪声限制条件下带乘性噪声系统的状态最优滤波,就动态噪声为有色噪声及动态噪声和量测噪声在有限时间段上相关的情形,给出了线性最小方差意义下的状态最优滤波算法,并对此算法作了仿真计算,获得满意的结果。     

基于噪声顺序解相关的两阶段Kalman滤波融合

针对传统两阶段Kalman滤波只能处理单一或部分复杂噪声情形,在充分考虑多雷达跟踪系统的误差噪声有色建模和四类噪声相关性建模基础上,建立一种基于噪声顺序解相关的两阶段Kalman滤波融合算法。首先给出能有效避免噪声相关性耦合化的噪声解相关顺序,进而应用等价变换技术来获得有色噪声、过程噪声和测量噪声三者间不相关的目标跟踪融合模型,最后应用平方根分解和单位下三角阵求逆技术来实现多雷达量测噪声相关系统的集中式Kalman滤波融合,并通过4个仿真实验验证了该算法对复杂噪声情形的有效性和高精度。     

噪声相关下的无序量测状态更新估计算法

在多传感器跟踪系统中，由于存在通信延迟等因素使得跟踪滤波器的传感器到达处理中心的时序被打乱，出现无序量测的情况．本文主要采用目前国际上用的较多直接更新法，即直接用延迟到达的量测更新目标状态，同时考虑输入噪声和过程噪声的相关性，给出了噪声相关情况下的无序量测的直接状态更新估计．最后又通过计算机仿真比较了丢弃延迟量测和直接更新法，验证了该算法具有更高的优越性，更具实际意义．     

噪声相关的带宽约束传感器网络融合算法

研究了一类相关量测噪声和带宽限制背景下的传感器网络融合问题.利用Cholesky分解方法将量测方程转化为量测噪声互不相关的等价模型.由于带宽的限制,各局部传感器节点的原始信息需量化成消息才能上传到融合中心.文中采用自适应的量化策略获得了局部测量新息的量化消息,并利用顺序滤波和强跟踪滤波技术设计融合方法.简要分析了基于量化新息融合算法的性能特点.通过一个计算机仿真实验验证了新算法的有效性.     

一类噪声相关多传感器系统的新型序贯式融合滤波

对于过程噪声与观测噪声一步互相关、各观测噪声一步自相关的多传感器融合滤波问题,提出了一种新的低维序贯式融合滤波算法.基于低阶迭代正交变换的思想提出了解相关的方法,将观测方程经过等价改写去除系统噪声的相关性,然后依据序贯滤波的思想,依次处理到达融合中心的观测信息,进而得到一类实时序贯式融合滤波算法.整个推导过程在线性最小均方误差意义下严格进行,能够实现系统状态的最优融合估计.最后的仿真验证了新算法在处理上述噪声相关问题上的最优性.     

一般相关量测噪声下线性系统的平滑估计算法

提出了具有一般相关量测噪声的线性系统的平滑估计算法,该算法是在系统正向和逆向滤波估计结果的基础,利用线性无偏最小方差估计获得的。由于量测噪声的相关性,使得其后验均值不一定等于其先验均值,而它的后验均值又无法通过计算得到,因而提出的算法是一个次优算法。在正、逆向滤波结果已知时,所提出的算法计算量小,易于实现。仿真实例说明,该算法的估计结果要优于正、逆向滤波估计结果,以及量测噪声不相关的Ｋａｌｍａｎ平     

一般相关量测噪声线性系统的递推状态估计

为了得到具有一般相关量测噪声线性系统的递推滤波算法,将该问题转化为具有相关量测单值随机向量的滤波问题,根据单值随机向量的线性无偏最小方差估计算法,导出了量测噪声为一般相关鞅差序列的线性系统的最优递推状态估计滤波算法,通过数值仿真,将该算法与假定量测噪声不相关时的Ｋａｌｍａｎ滤波算法进行了比较,证明了该算法的有效性。     

有色量测噪声情况下的多传感器目标跟踪融合算法

目前已有的目标跟踪融合估计算法都是基于Kalman滤波的,而卡尔曼滤波估计算法要求系统过程噪声和量测噪声均为白色噪声,而实际的跟踪系统中量测噪声往往是有色噪声。针对上述问题,本文利用线性组合当前量测与下一时刻量测的量测扩增法,研究了有色量测噪声情况下的集中式、分布式多传感器目标跟踪融合算法。并对新的融合算法进行仿真分析,仿真结果表明新的融合算法具有良好的跟踪性能。     

相关观测噪声的加权观测融合UKF滤波器

对于具有相同观测方程,相关观测噪声的非系统,应用无迹卡尔曼滤波器(UKF),以及加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.该算法具有全局最优性,且没有增加观测系统的维数,进而没有增加系统的计算负担.一个带有相关观测噪声的两传感器非线性系统的仿真例子说明了该融合算法的有效性及等价性.     

基于Verilog HDL的卡尔曼滤波器的仿真研究

文章对卡尔曼滤波器的算法的5个递推方程进行了详细的介绍,并采用Verilog HDL硬件描述语言对卡尔曼滤波器的算法进行了仿真研究.通过仿真分析,结果表明卡尔曼滤波器的系统过程噪声、测量噪声、系统阶数(递归次数)等因素对滤波结果有影响。     

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法     

卡尔曼滤波方法在驼峰勾车溜成速度控制系统中的应用

本文提出了用于铁路驼峰自动化的一种新的卡尔曼滤波算法。该算法合理地解决了有色噪声“白化”问题,正确地确定了模型嗓声、量测噪声的统计特性,改进了现有滤波方法,提高了滤波精度。     

统一的和通用的Kalman滤波理论

用射影理论对一般线性离散时变随机系统提出了统一和通用的Kalman滤波理论,其中系统噪声在相邻时刻是相关的,且系统噪声和观测噪声在相同和相邻时刻是相关的。提出了最优和稳态Kalman滤波器、平滑器和预报器,推广了经典Kalman滤波理论。     

基于Kalman滤波的白噪声估计理论的推广

应用Kalman滤波方法和射影理论,将现行的白噪声估计理论推广到一般的随机系统,其中系统噪声在相邻时刻是相关的,且系统噪声和观测噪声在相同和相邻时刻也是相关的。提出了统一的最优和稳态白噪声和拟白噪声估值器。一个仿真例子说明了其有效性。     

X射线头影图象的自适应卡尔曼滤波方法研究

以口腔医学中Ｘ射线头影图象为背景，提出了一种基于输出相关法的有色噪声卡尔曼滤波方法，用来解决图象中有色观测噪声的滤波问题。该方法不增加滤波器的维数，而是改变系统的观测方程，使等效观测方程的测量噪声变为白噪声，再利用卡尔曼滤波方法进行滤波，大大降低了计算的复杂性。而且该方法不需要事先知道观测噪声的方差，从而弥补了传统卡尔曼滤波方法的不足，更加符合实际情况的需要。实验表明，用该方法对Ｘ射线头影图象进行处理后，可使图象的质量得到明显的改善。     

未知噪声协方差的自适应容积卡尔曼滤波

针对噪声协方差不确定情况下容积卡尔曼滤波解决非线性目标跟踪中存在的问题,提出了一种优化的自适应容积卡尔曼滤波.首先根据新息序列和残差序列导出的线性矩阵方程得到噪声的协方差,基于新息序列与残差序列的相关性,推导出一种新的过程噪声协方差Q估计方法;然后采用残差序列对测量噪声协方差进行估计,利用加权因子将当前的噪声协方差矩阵与估计值组合成为新的测量噪声协方差阵R,有效避免了不准确状态估计的局限性.仿真结果表明:在时变噪声协方差的条件下,所提出的自适应容积卡尔曼算法的跟踪精度明显提高.     

用于非线性时变系统噪声统计Q、R阵估计的新方法

提出了一种估计非线性时变系统过程噪声协方差阵Q和观测噪声协方差阵R的新方法.扩展卡尔曼算法结合前馈神经网络的非线性时变系统辨识过程中,噪声统计Q、R阵的估计是影响系统建模和预测精度的关键因素之一.本文所提出的估计噪声统计Q、R阵方法是基于协方差匹配技术,将M ehra估计定常系统噪声统计的方法推广到一般的非线性时变系统.仿真结果显示了本文方法的有效性.     

基于有色噪声卡尔曼滤波的GPS多径估计研究

在最大似然多径估计技术的基础上,提出了一种新的基于有色噪声卡尔曼滤波的全球定位系统(GPS)多径信号估计技术.建立了GPS多径信号的卡尔曼滤波估计模型,推导了观测噪声为有色噪声的卡尔曼滤波的状态方程和观测方程,阐述了有色噪声的形成过程,推导了卡尔曼滤波的递推公式.实验结果表明,提出的设计技术可以在20dB·Hz的载噪比条件下对多个GPS多径信号进行较精确的估计.