基于UKF算法的高机动机载平台多普勒频移估计

针对卫星通信在高机动状态下非线性较强,会引起较大多普勒频移的问题,提出利用无迹卡尔曼滤波(unscented Kalman Filter,UKF)算法进行多普勒频移估计。依据高机动飞行器飞行特点,建立直线和圆周运动中的UKF多普勒频移估计模型,并进行仿真分析。结果表明,在卫星通信信道模型中,UKF算法能够对高机动机载平台进行更精确的频率估计,实用性更强。     

基于DTW-KiBaM模型的锂电池SOC估计

锂离子电池工作温度及老化程度是影响其荷电状态（State of Charge， SOC）估计算法准确性的关键因素.在二阶RC等效电路模型的基础上，提出了一种由动态时间规整算法（Dynamic Time Warping， DTW）与KiBaM模型（Kinetic Battery Model， KiBaM）相结合的混合模型.利用DTW算法基于充电电压数据确定电池老化状态，通过KiBaM模型计算电池由于电流效应导致的不可用容量，结合二阶RC等效电路模型推导新的SOC计算矩阵，采用无迹卡尔曼滤波算法（Unscented Kalman Filter， UKF）实现SOC估计.基于城市道路循环工况（Urban Dynamometer Driving Schedule， UDDS）验证了混合模型的准确性，实验结果表明，在10 ℃低温环境或经过200次循环老化后工作的锂离子电池，模型估计SOC的最大误差小于2%.     

基于无迹卡尔曼滤波的导航星座并行式自主定轨

针对卫星轨道动力学模型的高度非线性及星座自主定轨的高精度需求,基于星间双向测距观测信息,提出了采用无迹卡尔曼滤波（Unscented Kalman Filter, UKF）作为星载算法的导航星座并行式自主定轨方案,并且给出了UKF算法中可见星先验信息引入的额外方差矩阵,以保证滤波的稳定性.仿真结果表明,该方案可以实现星座的长期自主定轨并维持一定精度.
     

两飞行体相对定位技术及其滤波算法研究

为了解决两飞行体相互之间的定位问题,在二维平面运动模型的基础上提出了相位差变化率定位方法,进行了可观测分析,给出了可观测分析结果。同时简单介绍了几种典型
非线性滤波算法,并将EKF（Extended Kalman Filter）、UKF（Unscented Kalman Filter）、PF(Particle Filter）等非线性滤波方法应用到定位模型中。仿真结果表明,UKF方法用时最短,PF滤波方法精度最高。     

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波（EKF）在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波（UKF）算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。     

ISR-CDKF在SINS大方位失准角初始对准中的应用

针对捷联惯导系统（SINS: Strapdown InertialNavigation System）误差模型在大方位失准角条件下非线性的特点, 对非线性滤波算法的研究具有十分重要的意义。扩展卡尔曼滤波（EKF: Extended Kalman Filter）精度低, 而且需要计算复杂的雅可比（Jacobian）矩阵; 而中心差分卡尔曼滤波（CDKF: Central Difference Kalman Filter）虽然精度稍高, 但计算量大, 且算法不稳定。为克服以上不足,提出了迭代测量更新的平方根中心差分卡尔曼滤波(ISR CDKF: Iterative Square Root Central Difference Kalman Filter)算法, 并应用于SINS大方位初始对准中。通过滤波仿真, 进一步表明了ISR CDKF算法不仅具有更高的精度和收敛性, 同时具有较强的数值稳定性。     

基于附加噪声预测器无迹卡尔曼滤波的摄像机标定算法

由于环境等因素影响摄像机拍摄过程中存在可变噪声,针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法无法处理未知噪声的问题,设计了一种基于附加噪声预测器UKF的摄像机标定算法。首先,对传统UKF算法进行改进,引入噪声估计器并用极大后验估计求取次优解,解决未知可变情况下的噪声问题。然后,利用该改进UKF算法对摄像机进行标定,实现了标定精度的有效提高。实验结果显示该算法在有效保证滤波收敛性的同时,显著提高了滤波和摄像机的标定精度,由此推断基于附加噪声预测器UKF的摄像机标定算法是可行高效的。     

基于附加噪声预测器UKF的摄像机标定算法

由于环境等因素影响摄像机拍摄过程中存在可变噪声,针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法无法处理未知噪声的问题,设计了一种基于附加噪声预测器UKF的摄像机标定算法.首先,对传统UKF算法进行改进,引入噪声估计器并用极大后验估计求取次优解,解决未知可变情况下的噪声问题.然后,利用该改进UKF算法对摄像机进行标定,实现了标定精度的有效提高.实验结果显示该算法在有效保证滤波收敛性的同时,显著提高了滤波和摄像机的标定精度,由此推断基于附加噪声预测器UKF的摄像机标定算法是可行高效的.     

基于平方根Unscented卡尔曼滤波的无陀螺卫星的姿态估计

针对无陀螺卫星的姿态和速度估计问题，提出基于平方根UKF滤波（square Root Unscented Kalman Filter）的估计算法。为了避免欧拉角带来的奇异问题，采用四元数描述卫星的姿态参数。考虑卫星的非线性模型，采用Cholesky和QR分解，从而平方根UKF滤波方法不仅能保证协方差矩阵的正定性，并且还可以提高算法的计算精度。利用测量矢量的信息，该算法能估计三轴稳定卫星的姿态，且计算简单，无需计算Jacobian矩阵。数值仿真结果表明，所给出的方法是可行而有效的。     

基于传感器网络的分布式生化气体源参数测定算法

针对生化气体源参数测定问题,提出了一种基于传感网络的分布式贝叶斯迭代估计算法,该算法在给定气体物理分布扩散模型条件下,通过传感器节点获取气体浓度,并基于分布式扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）实现气体源的坐标定位和释放率估计.通过仿真实验对两种分布式算法进行性能分析,结果表明,UKF算法在参数估计成功率和参数估计误差两个方面均要好于EKF算法,分别可以提高约50%和70%,其收敛速度快,使用节点少,更有助于节省网络能量消耗,并延长其生存周期.     

自适应软测量算法的汽车行驶状态估计

为了实现车辆行驶状态低成本测量,设计了估计汽车行驶状态参数的传统无迹卡尔曼滤波器和能够有效解决噪声时变特性的次优Sage-Husa噪声估计器相结合算法,通过建立电动汽车3自由度的动力学模型和HSRI轮胎模型,且融合低成本测量的纵、横向加速度和方向盘转向角传感器测量信息,从而可精确估计电动汽车行驶状态.在选定的典型工况下,通过与无迹卡尔曼软测量算法进行对比,硬件在环实验结果有效地验证了自适应无迹卡尔曼软测量算法具有很好的鲁棒性,且比无迹卡尔曼软测量算法更加能够有效地估计电动汽车的行驶状态.     

自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

锂离子电池荷电状态预测方法研究

针对电动汽车锂离子动力电池组能量管理中的荷电状态(SOC)预测问题,提出一种根据SOC及电流(SOC-I)计算库仑效率的方法,并建立电池SOC、充放电电流及充放电库仑效率的关系.以无迹卡尔曼滤波(UKF)算法为基础,采用自适应无迹卡尔曼滤波(AUKF)算法预测电池SOC,并将提出的库仑效率计算方法与UKF算法相结合构造了SOC-I-AUKF算法,该算法在预测过程中不断调整库仑效率、系统噪声协方差以及量测噪声协方差,以实现系统状态最优化预测.实验结果表明,SOC-I-AUKF算法有较好的SOC预测效果,与UKF算法相比,其SOC预测绝对误差、相对误差和平均误差水平都有显著提高.     

交互式多模型卡尔曼滤波的车辆悬架系统状态估计

针对车辆悬架状态无法准确估计的问题,设计了自适应交互式多模型卡尔曼滤波(IMMKF)状态观测器.首先,建立了标准路面激励模型与四分之一线性化悬架模型;然后,利用递归最小二乘方法与IMMKF理论,设计了不同工况下广义悬架模型自适应IMMKF状态观测器;最后,分析了在标准C级路面激励工况下簧载质量变化对悬架系统状态估计的影响.仿真与台架试验结果表明,在簧载质量变化工况下,所设计的自适应IMMKF状态观测器与传统卡尔曼滤波状态观测器相比其估计精度至少可以提高20%.     

改进UKF在X射线脉冲星导航中的应用研究

为了提高标准Unscented卡尔曼滤波(UKF)计算效率,本文对标准UKF采样点计算方法进行改进,使状态更新过程中的多次积分过程简化为一次积分过程,并证明了标准UKF和改进UKF的等效性.计算机仿真结果表明,在计算精度一致(位置确定精度约为70m,速度确定精度约为0.005m/s)的情况下,改进UKF的计算效率是标准UKF的5倍.     

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。