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     

任意相关噪声线性系统异步状态向量融合

基于线性无偏最小方差估计理论,提出了一种任意相关噪声线性系统异步状态向量融合算法.该算法将融合中心的采样周期设定为传感器测量周期的最小公倍数,使得传输到融合中心的局部状态估计在每个周期内具有相同的数目,减少了跟踪滤波的计算量.在跟踪滤波器的增益阵中引入测量噪声与过程噪声的相关量和测量噪声之间的相关量,增加了描述多传感器融合系统的信息量.仿真结果表明,状态向量融合算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善.     

状态噪声方差与量测噪声方差自适应序贯估计

本文将J.F.Leathrum及K.A.Myers.B.D.Tapley的方法推广到更一般的线性系统中去,提出了对于一般的线性系统非平稳噪声的状态噪声方差与量测噪声方差的自适应序贯估计,而且给出了这算法对于定常线性系统的渐近性质,同时处理了状态噪声与量测噪声相关的情况,这是以往任何有关自适应滤波文献均无处理过的。     

一类随机系统的自适应滤波

讨论一类含时变未知参数的随机系统，给出该系统在系统状态噪声与量测噪声于有限时间区间上相关情况下的自适应滤波递推公式，并给出相应的滤波算法     

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%.     

一类随机系统的自适应滤波

讨论一类含时变未知参数的随机系统，给出该系统在系统状态噪声与量测噪声于有限时间区间上相关情况下的自适应渺茫皮递推公式，并给出相应的滤波算法。     

噪声相关时多通道带乘性噪声系统最优滤波

针对多通道乘性噪声系统问题的实际需要,推广Rajasekaran滤波算法,利用线性最小方差的概念和投影公式,导出含有乘性噪声统计特性参数阵特殊乘法运算的新息协方差矩阵,并利用这个中间矩阵,在观测为多通道,且各个通道的乘性噪声不同,以及系统的动态噪声和观测噪声同时刻相关的情况下,导出状态递推滤波算法,该算法在线性最小方差意义下是最优的。并对该算法进行仿真研究,仿真结果表明了该算法的有效性。     

集中式GNSS/INS深组合模型及算法研究

研究了集中式深组合量测模型;并在此基础上研究了深组合滤波算法。由于集中式深组合系统具有强非线性、状态向量维数高、计算量大等特点,将一种降维容积卡尔曼滤波算法(reduced-dimension cubature kalman filter,RCKF)应用于集中式深组合滤波中。相较于常规容积卡尔曼滤波算法(cubature kalman filter,CKF),该算法仅对状态向量中与量测矩阵非线性有关向量采样,减少采样向量维数从而降低滤波计算量。通过仿真实验证明该算法在不损失精度的情况下,可大大减少组合滤波计算量。     

基于地磁定轨和扩维卡尔曼滤波的导航算法

为了克服扩展卡尔曼 (Kalman)滤波算法对噪声统计特性的约束 ,针对磁强计量测噪声为有色噪声伴常值干扰的特性 ,提出了一种基于扩维Kalman滤波算法的地磁导航算法 .该算法为了使量测噪声白噪化 ,引入了 2个新的状态变量 ,此时测量噪声是均值为 0的高斯白噪声 ,并满足扩展Kalman滤波算法的约束条件 .对由此构成的系统使用扩展Kalman滤波算法 ,可以得到扩维Kalman定轨导航算法 ,利用该算法可以获得国产磁强计的导航精度 ,其地心距模的估计误差为 2 0km ,速度模的估计误差为 10m/s .卫星的实测数据仿真结果表明 ,该导航算法具有较好的稳定性和收敛性 ,克服了扩展Kalman滤波算法的发散问题     

随机系数矩阵卡尔曼滤波

作者考虑了状态转移矩阵和量测矩阵是随机阵的线性离散时间动态系统的状态的线性最小方差递推估计问题,即随机系数矩阵卡尔曼滤波,说明了该系统可化为过程噪声和量测噪声均依赖于状态,而转移矩阵和量测矩阵是非随机阵的线性动态系统,从而证明了新系统的状态的最小方差估计问题仍有卡尔曼滤波形式.     

推广的遗忘因子递推最小二乘算法在GPS中的应用

作者将推广的遗忘因子递推最小二乘算法应用到GPS以确定动态目标的轨迹，并与推广的Kalman滤波进行比较，发现两种算法在GPS中具有各自的优点，当噪声相关性较大又不能准确地得到其方差时，推广的遗忘因子递推最小二乘算法好于推广的Kalman滤波算法。     

任意噪声相关异类传感器非线性系统状态矢量融合

基于线性无偏最小方差估计理论，提出了一种任意相关噪声异类传感器非线性系统状态矢量融合算法．该算法考虑了过程噪声和测量噪声以及测量噪声之间的相关性和传感器系统结构的不同性，增加了描述多传感器融合系统的信息量，通过局部估计的组合构造新的变量以去除局部状态之间的相关性，采用顺序滤波的方法减小了异类多传感器融合系统全局状态估计的计算量．仿真结果表明，由于考虑了过程噪声和测量噪声以及测量噪声之间的相关性，状态矢量融合算法比噪声不相关融合算法具有更好的跟踪性能，航迹跟踪的精度得到了改善．     

带相关噪声的观测融合稳态Kalman滤波算法及其最优性

对于带相关的输入白噪声和观测白噪声及相关观测白噪声的多传感器线性离散定常随机系统,用加权最小二乘(wLs)法提出了一种加权观测融合稳态Kalman滤波算法,并基于信息滤波器证明了它同集中式观测融合稳态Kalman滤波算法功能的等价性.因而,它具有渐近全局最优性,且可减少计算负担.一个跟踪系统数值仿真例子验证了它的功能等价性.     

具有状态约束的基因调控网络的集员滤波器研究

针对基因调控网络中切实存在状态约束现象,在考虑一类含时滞、参数不确定、噪声干扰的离散基因调控网络模型基础上设计一种集员滤波器,实现基因调控网络状态的估计.通过假设测量噪声是未知但有界的,采用LMI方法设计集员滤波器,获得滤波器的增益矩阵,运用递归优化算法对集员滤波器进行优化.最后,通过数值仿真证明了所提算法的有效性,实现了基因调控网络中的mRNA和蛋白质浓度的准确估计.     

带有相关噪声离散线性系统改进的卡尔曼滤波

研究在系统噪声和观测噪声相关情况下带有控制输入离散线性系统的估计问题,基于卡尔曼滤波和卡尔曼滤波的哈密尔顿方法,提出了一个改进的卡尔曼滤波算法.与经典卡尔曼滤波相比,此算法不需要计算卡尔曼增益矩阵和观测序列的条件均值,并在需要更少回归方程且回归方程易于计算的情况下,取得了最优性能.因此,此算法易于应用.仿真结果表明,此算法能够有效地估计系统状态.     

带相关噪声广义系统降阶滤波器设计

基于广义系统典范型分解,应用射影理论,对带相关噪声的广义离散随机线性系统,通过将带相关噪声系统转化为带独立噪声系统给出一种新的递推降阶滤波器。它能减小计算负担,便于实时应用。与以往文献报道带独立噪声广义系统降阶滤波器相比,所提出的降阶滤波器多了一个当前时刻的增益项。仿真例子说明了其有效性。     

基于多质心的不良文本快速过滤方法

针对Rocchio容易受到类别样本分布及噪声影响的而导致错误扩大类别范围的问题,提出对训练样本进行聚类,使用聚类形成的多个簇的质心向量替代单个质心向量作为过滤判定向量组的方法。该方法既能保证过滤效率,又比单质心的Rocchio过滤法具有更高的召回率和准确率。     

A novel multi-sensor multiple model particle filter with correlated noises for maneuvering target tracking

Aiming at the effective realization of particle filter for maneuvering target tracking in multi-sensor measurements,a novel multi-sensor multiple model particle filtering algorithm with correlated noises is proposed.Combined with the kinetic evolution equation of target state,a multi-sensor multiple model particle filter is firstly constructed,which is also used as the basic framework of a new algorithm.In the new algorithm,in order to weaken the adverse influence from random measurement noises in the measuring process of particle weight,a weight optimization strategy is introduced to improve the reliability and stability of particle weight.In addition,considering the correlated noise existing in the practical engineering,a decoupling method of correlated noise is given by the rearrangement and transformation of the state transition equation and measurement equation.Since the weight optimization strategy and noise decoupling method adopt respectively the center fusion structure and the off-line way,it improves the adverse effect effectively on computational complexity for increasing state dimension and sensor number.Finally,the theoretical analysis and experimental results show the feasibility and efficiency of the proposed algorithm.