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。     

基于Kalman滤波的带相关噪声系统最优白噪声估值器

基于 Kalman 滤波,提出了带相关噪声定常系统的统一的白噪声估值器。它们由输入白噪声估值器和观测白噪声估值器组成,且可统一处理白噪声滤波、平滑和预报问题,可用于石油地震勘探信号处理和状态估计。一个 Bernoulli-Gaussian 白噪声平滑器的仿真例子说明它们的有效性。     

统一的固定区间最优白噪声平滑器

基于 Kalman 滤波,对带相关噪声系统提出了统一的固定区间最优白噪声平滑器,它们由固定区间输入白噪声平滑器和观测白噪声平滑器组成,可应用于石油地震勘探信号处理。一个Bernoulli-Gaussian 白噪声的仿真例子说明了它们的有效性。     

基于Kalman滤波的稳态白噪声估值器

基于 Kalman 滤波,对带非零均值的相关噪声系统提出了统一的稳态白噪声估值器,可统一处理白噪声滤波、平滑和预报问题。它们包括稳态输入白噪声估值器和观测白噪声估值器,且包括白噪声新息滤波器和 Wiener 滤波器。一个 Bernoulli-Gaussian 白噪声的仿真例子说明了它们的有效性。     

线性离散随机系统最优和稳态Kalman平滑器

对于带非零均值相关噪声的线性离散随机系统,基于Kalman 滤波器和射影理论,提出了新的最优固定点、固定区间和固定滞后 Kalman 平滑器。它们避免了计算估计误差方差阵的逆矩阵,且具有通用性。推广和改进了带零均值的不相关噪声系统的经典结果。还提出了相应的稳态 Kalman 平滑器和极点配置 Kalman平滑器,并证明它们的局部或全局渐近稳定性。     

多传感器分布式协方差信息融合Kalman滤波理论

对于带多传感器和带相关噪声的线性离散时变随机控制系统,基于按矩阵加权、按对角阵加权和按标量加权的三种最优信息融合规则,提出了相应的三种分布式最优信息融合Kalman估值器,可统一处理融合滤波、预报和平滑问题。为了计算最优加权,提出了计算局部估计误差协方差公式。作为特殊情形,还提出了定常系统的稳态最优信息融合Kalman估值器,其中用解Lyapunov方程计算局部估计误差协方差。同集中融合Kalman估值器相比,可减小计算负担。同单传感器Kalman估值器相比,可提高精度。它们构成了统一和通用的分布式协方差信息融合Kalman滤波理论。     

时变系统全局最优加权观测融合白噪声反卷积平滑器

白噪声反卷积或输入白噪声估计问题在石油地震勘探中有重要的应用背景。对带多传感器和带不相关噪声的线性离散时变随机系统，应用Kalman滤波方法，基于加权最小二乘法，提出了全局最优加权观测融合白噪声反卷积平滑器。一个Bernoulli—Gaussian输入白噪声融合平滑器的Monte Carlo仿真例子说明了其有效性。     

广义系统降阶极点配置Kalman平滑器

基于广义随机系统的奇异值分解典范形,应用Kalman滤波和白噪声估值器,提出了全局渐近稳定的降阶极点配置固定滞后Kalman平滑器,可明显减小计算负担,便于实时应用。一个仿真例子说明了其有效性。     

两传感器信息融合稳态Kalman滤波器和平滑器

应用Kalman滤波方法,基于Riccati方程,对输入噪声和观测噪声相关,且传感器观测噪声相关的两传感器系统,在线性最小方差最优信息融合准则下,提出了按矩阵加权最优信息融合Kalman滤波器和平滑器。为了计算最优加权阵,提出了局部估计误差互协方差阵的计算公式。同单传感器情况相比,可提高融合估计精度。一个目标跟踪系统的仿真例子说明了其有效性。     

随机奇异系统多传感器信息融合Kalman多步预报器

应用Kalman滤波方法和奇异系统典范型分解，对单传感器随机奇异系统，给出了Kalman步预报器新算法。对带多传感器随机奇异系统，基于线性最小方差标量加权融合算法，给出了具有两层融合结构的多传感器分布式最优信息融合Kalman多步预报器。同时给出了任两个传感器之间的预报误差协方差阵的计算公式。当各传感器子系统存在稳态Kalman滤波时，又给出了稳态信息融合Kalman多步预报器。稳态权重可在各子系统达到稳态时通过一次融合计算获得．避免了每时刻计算协方差阵和融合权重，便于实时应用。仿真例子验证了其有效性。     

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.      

基于奇异值分解的高精度重力仪信号处理方法

在分析基于矩阵奇异值分解理论的滤波算法基础上,将其应用到高精度海洋重力仪系统信号处理中.在信号处理过程中,首先采用延迟法理论重构系统的相空间,得到吸引子轨迹矩阵,然后对轨迹矩阵进行奇异值分解,用部分奇异值重构有用信号的最佳逼近矩阵,并与自适应卡尔曼滤波进行了对比分析,以实际信号与处理后信号的信噪比作为衡量2种信号处理方法好坏的依据.理论分析和仿真实验表明,奇异值分解滤波方法和自适应卡尔曼滤波都能在一定程度上消除干扰噪声对重力异常信号的影响,但在相同背景条件下,奇异值分解滤波的性能优于自适应卡尔曼滤波.     

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。     

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。     

UKF在车辆组合定位技术中的应用

用一种新型的无迹卡尔曼滤波算法(UKF)代替传统的扩展卡尔曼滤波算法(EKF),对GPS/DR组合定位系统进行信息融合滤波。通过计算机仿真和分析后,结果表明无迹卡尔曼滤波算法UKF的滤波定位精度明显高于扩展卡尔曼滤波器EKF,而且UKF对由于系统非线性所引起的滤波误差有很好的抑制作用,因此UKF算法对于要求高精度、低成本和高可靠性的GPS/DR组合定位系统来说是一种值得推广的滤波算法,具有一定的应用价值。     

Y-可观广义系统降阶稳态Kalman融合器

对于带多传感器的Y-可观广义线性离散随机系统，通过状态线性变换，将其化为两个降阶的非广义多传感器子系统。应用Kalman滤波方法和白噪声估值器，提出了子系统和原系统的局部状态估值器及它们的误差互协方差公式。在线性最小方差按矩阵加权，按对角阵加权和按标量加权最优信息融合准则下，提出了原系统状态的三种稳态广义Kalman。融合器，可统一处理融合滤波、平滑和预报问题，且可改善局部估计精度。