基于离散正交变换消失矩构造多带完全重构滤波器

研究了离散正交变换与多带消失矩完全重构滤波器的关系，证明了离散正交变换本质上为一种特殊的、具有一阶消失矩的多带完全重构滤波器．在此基础上，提出了一种多带完全重构滤波器的有效方法，数值试验验证了算法的正确性．     

基于滑模观测器的航空发动机信号重构

本文研究航空发动机控制系统中传感器的信号重构问题。针对含有建模误差等未知干扰发动机模型,考虑传感器发生故障情况下,提出了基于滑模观测器的航空发动机信号重构方法。首先通过滤波器将含有传感器故障的系统等效为含有虚拟的执行器故障的系统;然后设计滑模观测器,并设置合适的增益矩阵使得状态估计误差稳定有界、输出估计误差在有限时间内到达滑模面,保证了滑模观测器对传感器故障的精确估计,在此基础上实现航空发动机的信号重构;最后,通过MATLAB/simulink对低压转速传感器发生不同幅度的软硬故障时进行信号重构仿真并与常用的卡尔曼滤波器方法进行对比,结果验证了该方法的有效性。     

基于联合卡尔曼滤波器的燃料电池传感器故障检测与容错研究

介绍了基于多传感器信息融合技术的联合卡尔曼滤波器的结构和算法，并将此方法运用于燃料电池发动机多传感器的复杂系统中．理论分析与仿真结果表明，该联合卡尔曼滤波器设计合理，其融合算法具有全局最优性，能够有效地对燃料电池发动机传感器的故障进行检测，改善了系统的容错能力和复原能力，提高了系统运行的稳定性．     

一类弱凹（凸）函数及其应用

本文引进了一类弱凹（凸）函数，讨论了与之相关的ＫＫＭ映象，Ｋｙ·Ｆａｎ不等式定理与截口定理，并给出了一些应用．     

K.Fan逼近定理的推广

由于Ｋ．Ｆａｎ定理具有深刻的理论意义和广阔的应用前景。二十多年来，人们不断从各个角度进行推广和改进，结果不断深化。本文引入半闭１－集压缩映象这一更为广泛的映象，给出相应于这种映象的Ｋ．Ｆａｎ定理的若干结论。     

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．     

加热弹性圆板的大振幅自由振动

基于ｖｏｎＫáｒｍáｎ理论和Ｈａｍｉｌｔｏｎ原理，导出了均匀加热弹性圆板用中面位移表示的大振幅自由振动动力学控制方程．并在调和振动模态假设下，采用Ｋａｎ－ｔｏｒｏｖｉｃｈ平均方法将所得混合初－边值问题转化为相应的非线性常微分方程两点边值问题，采用打靶法和解析延拓法，分别获得了不可移简支和夹紧加热圆板非线性振动的调和振动响应，绘出了不同加热温度下的幅－频特征曲线．得出：升温使圆板的固有频率降低，从而实现改变板的温度对其固有频率的控制     

基于多分辨分析的位场滤波算法

将基于多分辨分析（ＭＲＡ）的组合滤波器用于重力位场滤波算法，取得了令人满意的效果．该组合滤波器可以对异常进行更为精细的滤波，在一定程度上解决了常规小波滤波器分解阶数过大的问题．相对于Ｆｏｕｒｉｅｒ分析，ＭＲＡ组合滤波器的频时双重局域性能保持原始异常的形态，更适用于高保真的位场滤波．数值模拟结果表明该算法是有效的．     

噪声相关下的无序量测状态更新估计算法

在多传感器跟踪系统中，由于存在通信延迟等因素使得跟踪滤波器的传感器到达处理中心的时序被打乱，出现无序量测的情况．本文主要采用目前国际上用的较多直接更新法，即直接用延迟到达的量测更新目标状态，同时考虑输入噪声和过程噪声的相关性，给出了噪声相关情况下的无序量测的直接状态更新估计．最后又通过计算机仿真比较了丢弃延迟量测和直接更新法，验证了该算法具有更高的优越性，更具实际意义．     

H－空间中广义KKM定理及其应用

在Ｈ－空间中引入了可缩闭集的概念，得到了一个与Ｃ－ＫＫＭ定理相平行的广义ＫＫＭ定理．作为应用，证明ＫｙＦａｎ匹配定理一样可以推广到Ｈ－空间。     

多状态矢量Kalman滤波算法

提高跟踪精度是雷达发展的重要方向之一.本文建立的雷达跟踪模型,将不同时刻的状态变量联合进行处理,通过改变状态转移矩阵,给出了一种使用多状态矢量的Kalman滤波以提高雷达跟踪精度的新手段.仿真结果表明,相比传统的EKF算法,多状态矢量Kalman滤波能得到更加稳定、准确的滤波结果.     

多传感器数据的处理及融合

针对多传感器数据的多样性, 提出一种改进的数据融合算法. 首先, 利用小波技术消除已收集数据的高斯白噪声并对数据进行压缩; 其次, 对处理后的数据进行分层, 并对系数进行Kalman滤波, 同时利用Mallat快速重建算法重构数据; 最后, 利用最大、 最小贴近度计算传感器数据的信噪比, 并通过信噪比进行数据融合. 基于实际采集的多传感器数据对比实验结果表明, 该数据融合算法在稳定性上优于简单加权数据融合、 小波数据融合和Kalman滤波融合等算法.     

基于不敏Kalman滤波的多传感器数据融合算法

针对非线性系统状态估计的有效融合问题,给出了一种基于不敏Kalman滤波的多传感器数据融合算法.首先,依据单传感器的量测利用不敏Kalman滤波器得到局部状态估计值;其次,依据模糊集合理论中隶属度的性质构建反映局部状态估计结果的支持度函数和支持度矩阵,进而实现对于各局部状态估计之间蕴含冗余和互补信息的充分提取;最终,通...     

自适应滤波器在微型姿态确定系统中的应用

基于MEMS的IMU由于低成本、体积小和低耗能得到了很广泛的应用.但是,惯性MEMS传感器有很大的噪声、偏差以及刻度误差,由于传统低成本的MEMS传感器使用的捷联算法很难取得令人满意符合性能要求的姿态确定值.利用改进的自适应增益卡尔曼滤波器在随机模式下建立一个小型姿态确定系统.这个改进的滤波器在一个时间变量转移矩阵中有六个状态量,它们分别是:三个姿态倾斜角和三个陀螺偏移误差.滤波器用三个加速度计的测量量和磁罗盘来驱动状态的更新.当系统处于非加速度状态下,加速度计对重力加速度的测量以及磁罗盘对航向的测量很显然可以产生很好的状态估计量;当系统处于高速动态状态并且偏移可以收敛到一个精确估计值时,对姿态的估算就需要很长一段时间.自适应滤波器可以在动态状况下用加速度计自动调整增益产生最佳性能.提供了这种技术的算法,并且对此进行分析,之后给出实验结果.     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度,同时减小了计算量.     

Federal extended Kalman filter based on reconstructed observation in incomplete observations

In the estimation and identification of nonlinear system state,aiming at the adverse effect of observation missing randomly caused by detection probability of used sensor which is less than 1,a novel federal extended Kalman filter( FEKF) based on reconstructed observation in incomplete observations( ROIO) is proposed in this paper. On the basis of multi-sensor observation sets,the observation is exchanged at different times to construct a new observation set. Based on each observation set,an extended Kalman filter algorithm is used to estimate the state of the target,and then the federal filtering algorithm is used to solve the state estimation based on the multi-sensor observation data. The effect of the sensor probing probability on the filtering result and the effect of the number of sensors on the filtering result are obtained by the simulation experiment,respectively. The simulation results demonstrate effectiveness of the proposed algorithm.     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

基于修正扩展卡尔曼序贯滤波的信息融合算法

针对基于扩展卡尔曼滤波的融合算法存在滤波精度不高的问题,将修正扩展卡尔曼滤波算法与集中式序贯融合算法相结合,用于毫米波雷达和红外传感器目标融合跟踪。即先对毫米波雷达进行修正扩展卡尔曼滤波,再将滤波结果与红外传感器进行融合滤波。仿真结果表明该算法能够提高对机动目标的跟踪精度,增强跟踪系统对环境变化的适应能力。     

Marginalized cubature Kalman filtering algorithm based on linear/nonlinear mixed-Gaussian model

Aiming at improving the estimation accuracy and real-time of nonlinear system with linear Gaussian sub-structure,a novel marginalized cubature Kalman filter is proposed in Bayesian estimation framework. Firstly,the marginalized technique is adopted to model the target system dynamics with nonlinear state and linear state separately,and the two parts are estimated by cubature Kalman filter and standard Kalman filter respectively. Therefore,the linear part avoids the generation and propagation process of cubature points. Accordingly,the computational complexity is reduced.Meanwhile,the accuracy of state estimation is improved by taking the difference of nonlinear state estimation as the measurement of linear state. Furthermore,the computational complexity of marginalized cubature Kalman filter is discussed by calculating the number of floating-point operation. Finally,simulation experiments and analysis show that the proposed algorithm can improve the performance of filtering precision and real-time effectively in target tracking system.