动态灰色聚类自适应的H∞滤波算法

为解决H∞滤波器结构参数随时间增长而发散的问题,提出了一种动态灰色聚类自适应的H∞滤波新算法.实时估计出系统噪声方差矩阵和量测噪声方差矩阵,对状态变量进行灰色聚类,并对滤波矩阵和增益矩阵进行实时自适应调整,计算出状态向量的递推估计值.仿真结果表明:H∞滤波新算法与传统H∞滤波算法和基本Kalman滤波算法相比,滤波精度相当,输出曲线光滑,滤波器的结构参数在10 s内稳定且收敛.改进后的新算法避免了计算值的发散,鲁棒性强.     

自适应Kalman滤波的改进及其在SINS/GPS组合导航中的应用

为解决自适应Kalman滤波中存在的问题,综合采用对观测粗差和滤波结果粗差进行判断、对系统噪声方差阵扩零和修改自适应方程减去项等措施对算法进行了改进.观测粗差的判断可以避免观测奇异,提高滤波稳定性;对滤波结果粗差的判断可避免矩阵求逆时的奇异现象;对状态噪声方差阵扩零,可保证在不影响滤波精度的情况下解决滤波过程中矩阵维数不对应的问题;修改自适应方程减去项,虽然牺牲了一定的精度,但可保证求解状态噪声协方差阵Q和观测噪声协方差阵R的等式右边非负定,从而保证Q和R的非负定.将上述改进后的自适应Kalman滤波算法应用到SINS/GPS组合导航中,仿真结果表明上述改进有效地提高了自适应Kalman滤波的稳定性,且保证了滤波的精度.     

基于Cauchy鲁棒函数的UKF改进算法

对于大多数实际系统,其噪声统计特性未知,不敏卡尔曼滤波(unscented Kalman filter,UKF)算法对噪声信息不准的鲁棒性较差,导致滤波精度急剧下降,甚至滤波发散。借助鲁棒数据校正的思想,提出了一种基于Cauchy鲁棒函数的UKF改进算法。以UKF的测量先验值与其实际值的残差作为基准,采用联合权函数对噪声估计值进行实时修正,从而提高了UKF算法的精度。通过两个实例的仿真,验证该算法的有效性。     

基于改进自适应无迹卡尔曼滤波的国产民机导航数据滤波算法

针对国产民用飞机导航数据存在杂波不能准确测量的问题,提出一种基于改进自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法的导航数据滤波方法。将无迹卡尔曼滤波(unscented Kalman filter,UKF)与改进Sage-Husa次优无偏极大后验噪声估计器结合构造出改进AUKF,有效解决了在模型不确定或干扰信号统计特性不完全得知的情况下,滤波精度低甚至发散的问题,同时与维纳滤波器和小波阈值法滤波效果进行对比。选择ARJ21飞机实际运行的高度、经度及纬度数据进行仿真,结果表明：改进后的AUKF算法较其他滤波算法精度更高,有效提高了导航数据的可靠性。研究对提高国产民机导航定位精度具有重要意义。     

含预测和容错的自适应Kalman目标跟踪

针对模型不准确时,传统Kalman滤波目标跟踪算法精度有限甚至发散的问题,研究了基于新息协方差在线匹配技术的自适应Kalman滤波算法,提高跟踪精度;并以Kalman滤波估计的目标位置为基础,利用一步Kalman预测得到下一时刻目标可能的位置范围,避免对整幅后帧图像进行遍历搜索,减小了计算量;为了避免存在干扰时异常量测对目标跟踪的影响,研究了量测信息异常检测算法,以Kalman预测的量测代替异常量测,增强抗干扰能力。实验证明,所提算法能够有效提高目标跟踪的精度和鲁棒性。     

一种改进的自适应卡尔曼滤波算法

针对多传感器数据融合时传统卡尔曼滤波算法极易引起滤波发散,降低滤波精度和系统实时性的问题,研究一种改进的自适应滤波算法对多传感器数据进行融合,得到更为准确的信息数据。该算法在简化的Sage-Husa滤波基础上引入滤波收敛性判据,抑制滤波发散并提高滤波精度和稳定性。同时结合强跟踪滤波思想调整增益矩阵,使滤波器具有强跟踪滤波的特性,提高改进的滤波算法对不确定系统模型的鲁棒性以及对突变状态的滤波处理能力。将改进算法与传统卡尔曼滤波算法进行仿真比较。仿真结果表明,在系统模型参数失配或实变噪声未知情况下,改进的自适应滤波算法有更好的鲁棒性,并且在系统状态突变时仍有较好的滤波效果,明显提高了滤波精度和实时性。     

一种改进的自适应USQUE组合导航姿态估计方法

针对传统四元数无味卡尔曼滤波(unscented quaternion Kalman filter,USQUE)算法的量测噪声统计未知及时变引起滤波发散精度降低等问题,提出一种变分贝叶斯自适应四元数无味卡尔曼滤波算法(variational Bayesian-based adaptive USQUE,VB-AUSQUE).通过变分贝叶斯高斯迭代近似估计,获取近似的量测噪声协方差矩阵滤波先验条件.仿真和舰载测试表明:在捷联式惯性导航系统/全球定位系统(strapdown inertial navigation system/global navigation satellite system,SINS/GNSS)组合导航系统中,VB-AUSQUE算法能有效减少系统量测噪声未知及时变问题对姿态估计精度的影响,相比常规算法具有更高的精度.     

视频序列中动目标快速跟踪新算法的研究

准确性和实时性是视频序列图像中运动目标跟踪算法研究的重要内容。为了克服传统的模板匹配跟踪算法运算量大、跟踪速度慢的缺点,提出了一种基于多分辨率的Kalman滤波快速跟踪算法。首先利用Kalman滤波的预测功能,预先估计出目标中心点坐标,然后在该坐标为中心的区域内进行多分辨率相关匹配,最终找到最佳匹配位置。该算法具有运算量小、跟踪速度快的优点。同时还采用了自适应更新记忆滤波算法解决发散问题,提高了跟踪精度。     

一种不发散的Kalman滤波算法的研究与应用

重点讨论了Kalman滤波算法的发散问题,提出了一种实际上不发散的Kalman滤波改进算法,并利用改进算法对三相异步感应电动机进行实例仿真研究,仿真结果验证了该算法滤波的有效性。     

基于多模型SVR的抗野值Kalman滤波器

为了抑制观测数据中野值对Kalman滤波的不利影响,本文首先基于支持向量机(SVM)和多模型理论,建立了Kalman滤波新息过程的多模型支持向量回归(SVR)预测模型,然后给出了结合该预测模型的Kalman滤波的修正算法。仿真结果表明,该Kalman滤波算法不仅有效地剔除了观测数据的野值,提高了滤波器的稳定性和精度,而且算法比较简单。     

基于改进自适应混合滤波算法的输电杆塔倾角测量方法

针对输电杆塔在线监测系统在使用低成本惯性测量单元(inertial measurement unit, IMU)测量杆塔倾角时存在测量精度低、姿态解算易发散、稳定性差的问题,提出一种基于改进自适应混合滤波算法的输电杆塔倾角测量方法。首先建立杆塔姿态解算坐标系,并结合四元数法确定了定姿方案。其次,运用改进型PI互补滤波算法对陀螺仪及加速度计进行信息融合,高低频优势互补,初步提升系统的姿态解算精度。最后将初步去噪后的信息作为Sage-Husa自适应滤波算法的初值,并引入滤波发散判据,在发散时调整误差协方差矩阵,从而对发散进行有效抑制,提高算法稳定性。实验结果表明,该算法可以有效提高测量精度,抑制解算结果的发散。     

基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法

基于GPS/SINS组合导航系统的模型不准确或者量测噪声多变所产生的滤波发散问题,研究了自适应渐消卡尔曼滤波对于滤波发散的抑制作用,文章提出一种利用新息协方差估计值和量测值实时自适应计算渐消因子的方法,用它调节卡尔曼滤波方程中预测误差协方差阵和增益矩阵,调整历史新息和当前新息的权重达到抑制滤波发散的目的。该算法能有效减少严格收敛判据推导渐消因子的计算量和限制条件,有效利用了当前新息值。仿真验证表明,提出的算法能有效抑制滤波发散,并且比常规卡尔曼滤波效果更佳。     

一种精确的前向散射雷达三维目标跟踪方法

针对一般测量精度下初始状态估计误差大,导致滤波易发散的问题,提出了一种基于解析推导和Leven-berg-Marquardt算法的初始状态估计方法,能够在目标参数测量精度不高的情况下获得比较精确的初始值;针对滤波过程计算量太大、收敛速度慢的问题,结合精确的初始状态估计值和扩展卡尔曼滤波(EKF)实现了前向散射雷达三维目标的精确跟踪.通过仿真和比较分析表明,EKF算法跟踪精度高,收敛速度快,且计算量小.     

基于改进扩展卡尔曼滤波的爬架运行安全姿态估计

为了实时准确的获取爬架运行时的姿态信息,提出了一种基于改进Sage-Husa扩展卡尔曼滤波算法（ISHEKF）的爬架姿态估计方法。首先建立了爬架姿态估计模型,然后在扩展卡尔曼滤波（EKF）对传感器进行融合滤波时,加入Sage-Husa扩展卡尔曼算法（SHEKF）对时变噪声进行调节,再以协方差匹配技术对Sage-Husa进行滤波发散判定,通过在调节因子中引入爬架实时运动速度,改进滤波发散判定依据,从而满足爬架运行时高精度的滤波要求。实验结果表明：静态实验中以横滚角为例,ISHEKF的最大误差较SHEKF减少了21.9%,较EKF最大误差减少了70.8%;动态实验中ISHEKF表现出更好的稳定性和滤波精度,能够准确反映爬架运行的状态变化。     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.      

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明：ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。     

自适应卡尔曼滤波法磷酸铁锂动力电池剩余容量估计

卡尔曼滤波法在估计动力电池的剩余容量(SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,笔者采用自适应卡尔曼滤波法来动态地估计电动汽车用磷酸铁锂动力电池的SOC。首先对电池模型进行了研究,建立了适用于SOC估计的电池模型,然后设计了相应的电池充放电实验检测到模型的参数,并进行了验证,最后将自适应卡尔曼滤波法应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC。仿真结果表明：自适应卡尔曼滤波法能够实时修正微小的模型误差带来的SOC估计误差,估计精度高于卡尔曼滤波法,且自适应卡尔曼滤波法对初值误差具有修正作用。实车循环行驶实验表明算法适用于磷酸铁锂动力电池的SOC估计。     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.