扩展噪声环境下基于UKF的非线性系统输入输出估计

在扩展噪声环境下基于UKF算法研究了非线性系统的输入输出估计问题,考虑到输入观测中存在时变过程和附加噪声的情况,处理了受噪声污染后的非线性系统输入输出序列的最优估计问题.在扩展噪声环境下分别设计了EIV模型滤波算法和UKF算法:EIV模型滤波算法是对噪声观测输入输出的最优估计,而UKF算法考虑了输入观测中存在噪声输入的情况,对噪声污染下的输入输出进行最优估计.通过算法的误差协方差阵对UKF算法进行了期望性能分析.Monte Carlo仿真结果表明,UKF算法使得系统达到期望最小方差估计的有效性.     

基于Unscented卡尔曼滤波的目标位置和信道参数同时估计算法

针对传统非线性最小二乘估计算法和多步迭代估计算法估计节点位置和信道参数时存在的缺点,提出一种新的基于卡尔曼滤波的目标位置和信道参数同时估计算法.新算法将接收信号强度指示(RSSI)定位问题转化为非线性方程组的参数向量估计问题,使用UKF对目标位置和无线信道参数同时进行估计.试验结果表明,与非线性最小二乘方法相比,新算法定位误差更小,对信道参数的估计也更准确.     

基于自适应 UKF 微型航姿系统噪声在线估计

针对先验噪声与系统真实噪声不符引起标准无迹卡尔曼(unscented Kalman filter,UKF)性能退化的情况,提出一种应用于非线性时变状态和参数联合估计的自适应UKF(adaptive unscented Kalman filter,AUKF)算法.根据新的协方差矩阵与相应估计值之间存在的误差,构建成本函数.采用梯度下降法进行在线预估,对噪声的协方差进行在线更新并反馈给标准的UKF.实验和仿真分析表明,与标准UKF相比,自适应UKF算法在精度上有较大的提高.对于时变噪声协方差不确定时,自适应UKF噪声在线估计的鲁棒性得到明显改善,验证了自适应UKF噪声在线估计模型的准确性和可行性.     

扩展卡尔曼和无迹卡尔曼滤波应用对比研究

普通卡尔曼滤波是在线性高斯情况下利用最小均方误差准则获得目标的动态估计,适应于过程和测量都属于线性系统,且误差符合高斯分布的系统。但是实际上很多系统都存在一定的非线性,表现在状态方程是非线性的,或者测量方程是非线性的。这种情况下就不能使用一般的卡尔曼滤波。解决的方法是将非线性关系进行线性近似,将其转化成线性问题。就转化为线性问题的2个方案扩展卡尔曼(EKF)和无迹卡尔曼(UKF)作出对比和分析,EKF与卡尔曼滤波原理相似,但是它将非线性函数在最佳估计点处进行泰勒级数展开,舍弃高阶分量,从而将非线性模型简单线性化;UKF是通过确定性采样,以无迹变换为基础,用卡尔曼线性滤波框架而建立起来的,对非线性系统有很好的滤波效果。最后在MATLAB平台下实验证明,与EKF相比,UKF不仅保持了系统的稳定性,而且提高了精确度。     

基于UKF的参数和状态联合估计

对于因模型参数失配造成的非线性系统状态估计不准确现象,采用基于不敏卡尔曼滤波(UKF)的参数和状态联合估计方法,即将未知模型参数和状态组成增广的状态向量,用UKF同时获得参数和状态估计值.通过一个离散非线性随机系统的蒙特-卡洛仿真,总结滤波器参数对联合估计器性能的影响及参数选择规律.最后将该方法应用于一个典型的化工反应过程,获得了较好的效果.     

基于主动建模的无人直升机增强LQR控制

为了解决无人直升机控制问题,通过把主动建模与LQR(Linear Quadratic Regulator)控制相结合,提出一种能补偿模型差的控制方法。该方法在悬停状态下,采用简化模型设计LQR控制器,并通过UKF(Un-scented-Kalman-Filter)在线估计简化模型与全状态模型的模型差,使用模型差作为补偿项对LQR控制增强。针对实际直升机动力学模型进行仿真,验证了基于UKF的估计和增强LQR控制的有效性。仿真实验结果证明,基于UKF的主动建模技术能够快速估计状态和参数变化,并且增强LQR控制能够使系统适应模型不确定性。     

基于UPF算法的汽车多状态量估计

针对常用汽车状态估计算法计算复杂、精度低等问题,提出一种新的汽车多状态量估计方法。建立了包含定常统计特性噪声和Pacejka轮胎模型的七自由度非线性汽车动力学模型。针对一般粒子滤波(PF)算法存在的缺陷,使用非追踪卡尔曼滤波(UKF)算法产生粒子滤波的重要性概率密度。基于非追踪粒子滤波(UPF)算法实现对汽车多个关键状态量的最小均方误差估计。将基于UPF算法、UKF算法与PF算法的估计器进行了比较,揭示了粒子数对汽车状态估计效果的影响。基于ADAMS/Car的虚拟实验和实车实验表明基于UPF算法的估计器精度高于基于UKF算法的估计器,估计值相对于实际值的平均绝对误差均控制在状态幅值的10%以内,且实时性优于基于PF算法的估计器。     

基于RUKF-IMM的非线性系统滤波

从交互式多模型估计(IMM)方法的特点出发,提出用IMM估计方法对有测量数据丢失的非线性系统进行估计.IMM模型集中包含两个模型:一个模型对应测量数据丢失情况,另一个对应测量数据未丢失.最终基于两个模型的估计进行融合得到估计结果,改善估计器在测量信息丢失情况下的稳定性.采用随机无迹卡尔曼滤波(RUKF)方法对每个模型分别进行滤波,消除标准无迹卡尔曼滤波(UKF)方法的系统误差.仿真结果表明:在测量信息丢失的情况下,提出的估计方法在稳定性与估计性能上都优于传统的基于单模型的非线性系统混合估计方法.     

基于非线性滤波的捷联惯导系统罗经法对准改进算法

为提高捷联惯导系统初始对准的快速性和精确性,根据传统的平台惯导系统罗经法对准原理,提出包括水平对准和方位对准的捷联式罗经对准算法.给出了导航坐标系下加速度和角速率的修正值,经过姿态矩阵的转换对载体坐标系下的惯性测量组件输出值进行修正补偿.对不同初始姿态角误差和不同初始航向角的仿真表明,初始航向角的改变对系统影响较大,特别在大方位失准角情况下.采用UKF算法对非线性模型滤波的仿真结果显示,最大航向角误差从15′降至6′,证明将罗经法和UKF滤波方法相结合进行捷联系统初始对准是可行有效的.     

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.     

分布式不敏卡尔曼滤波状态估计技术

在许多实际的分布式多传感器系统中,系统的动态或传感器的观测方程是非线性的.解决分布式多传感器非线性系统的状态估计问题,通常采用的一种方法是分布式扩展卡尔曼滤波.但由于模型的线性化误差,EKF的滤波效果在很多情况下并不能令人满意.另外,在许多实际应用中,模型的线性化过程比较繁杂,而且也不容易得到.为了有效解决分布式多传感器非线性系统的状态估计问题,提出了一种基于不敏卡尔曼滤波的状态估计技术.不敏卡尔曼滤波是最近提出的一种新的非线性滤波方法.由于不需要对非线性系统进行线性化,不敏卡尔曼滤波可以很容易地应用于非线性系统的状态估计,并且其性能也要优于扩展卡尔曼滤波.仿真结果说明分布式不敏卡尔曼滤波方法的性能要优于分布式扩展卡尔曼滤波方法.     

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。     

乙苯化工过程的分布式无迹卡尔曼滤波方法

乙苯化工过程由一系列连续搅拌釜式反应器和分离器组成的大规模非线性系统,针对这一类系统提出了一种基于分布式无迹卡尔曼滤波的状态估计方案。该方法通过将系统分解,对每个子系统设计局部无迹卡尔曼滤波,它接收局部测量值,并与其它滤波器协同计算局部状态估计值的方法完成整个系统的状态估计。给出了详细的分布式无迹卡尔曼滤波的设计方法和估计算法。在不同的噪声下对分布式和集中式无迹卡尔曼进行了比较分析。仿真结果表明,分布式无迹卡尔曼滤波可以很好的处理强噪声,正常噪声下比集中式无迹卡尔曼滤波有更稳定的性能,但在理想噪声下集中式无迹卡尔曼滤波有更好的表现。     

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UKF的INS/GPS组合导航系统仿真

通过Unscented卡尔曼滤波(UKF)算法,研究INS/GPS紧耦合组合导航系统中滤波算法的问题,避免了对非线性的系统方程进行线性化。同时将自适应原理引入UKF,给出了一种自适应UKF算法。将EKF、UKF和自适应UKF分别应用到INS/GPS组合导航系统的滤波中。仿真结果表明,相比UKF算法,自适应UKF算法进一步提高导航解的精度和收敛速度,同时系统的鲁棒性也得到了提高。     

约束UKF初始参数对Bouc-Wen模型参数识别的影响

为获得约束UKF初始参数对模型参数识别的影响规律,针对Bouc-Wen模型给出基于约束UKF在线参数识别方法,通过数值模拟分析初始状态估计均值与协方差、过程噪声协方差、观测噪声协方差等滤波器初始参数对模型参数识别精度与收敛速度的影响,提出相应的参数取值建议.结果表明：在无模型误差的情况下,约束UKF对初始参数的设置具有较好的鲁棒性;适当地增大初始状态估计协方差,减小过程噪声,采用真实系统观测噪声协方差以及减小初始参数值与真实值的偏差,可以有效提高参数识别收敛速度和精度.该研究为基于约束UKF的非线性结构模型在线参数识别方法提供了参考.     

UKF和UPF在惯导初始对准中的应用研究对比

捷联惯性导航系统是新型航位推算系统,在惯导系统执行工作任务之前需要进行初始对准,以保证系统的正常运行。对捷联式惯导系统,初始对准就是确定初始时刻的姿态阵,利用惯性元件的输出信息,选用合适的滤波方法,将计算的导航坐标系与真实导航坐标系的失准角估计出来,来修正姿态矩阵,使计算坐标系与真实坐标系尽可能重合。在实际的导航系统中,状态方程和量测方程通常都是非线性的,对于非线性特性,传统的解决方法是利用EKF滤波算法,但它只适用于弱非线性模型的估计,系统的非线性越强,引起的估计误差就越大,甚至会引起滤波发散。为此提出两种滤波算法UKF与UPF,并将两者进行了仿真对比,结果表明UPF算法比UKF算法收敛速度更快,估计精度更高。     

快速路通道动态OD流估计模型

基于快速路通道的主干道和匝道出入流量信息,提出了一个新的动态OD矩阵估计模型和在线估计算法.文中引入宏观交通流模型以计算旅行时间,并把模型参数也作为状态变量进行估计,相应增加了新的测量方程.该文构建了新的动态OD估计状态空间模型,采用了含有约束条件的Unscented kalman filter(UKF)算法,运用仿真数据进行评估,结果表明,即使在拥堵状况下,提出的模型和算法也能达到很好的精度.     

基于鲁棒信息滤波器的图像雅可比矩阵在线估计

针对现有的图像雅可比矩阵无标定求解方法,分析了基于Kalman滤波、模糊自适应Kalman滤波和粒子滤波的图像雅可比矩阵在线估计的优缺点。为了进一步提高未知环境下的系统估计精度,选择基于滤波理论的估计框架,对系统模型进行调整,用鲁棒信息滤波器在线估计图像雅可比矩阵,该滤波算法对任意分布的有界噪声都具有较强的鲁棒性。仿真和实验结果表明,在未知系统噪声的情况下,该算法仍可以实现图像雅可比矩阵的精确估计。     

基于EMA_UKF的移动机器人传感器故障诊断

针对移动机器人多传感器单个或组合故障的情况,提出一种基于EMA_UKF(expected mode augmentation-unscented Kalman filter)方法,用于解决传统固定结构交互多模型算法(FSMM)因模型数量多而造成实时性较差,以及扩展卡尔曼滤波(EKF)计算复杂且精度不高的问题。EMA_UKF方法将期望模型扩张算法(EMA)与无味卡尔曼滤波方法(UKF)相结合,首先利用模型集合自适应来确定期望模型;然后用期望模型扩张初始模型集,通过UKF滤波得到接近真实模型状态的估计结果,判断传感器故障类型。最后,通过与传统的FSMM方法的实验对比,表明该方法能够有效地判断出移动机器人单个或组合传感器故障类型,并且明显地提高了诊断精度。