线性分布参数系统最优固定点光滑

本文将集中参数系统最优固定点光滑估计问题推广到线性分布参数系统,讨论在齐次边界条件以及在与量测噪声不相关的正态噪声驱动下最优固定点光滑估计问题.用Wiener-Hopf理论导出了分布系统最优固定点光滑方程及其误差协差阵方程,并用特征展开给出近似计算求解方法.     

过程噪声和量测噪声多步相关的卡尔曼型滤波

本文详细讨论了在随机离散时间动态系统 中过程噪声~$w_k$~和量测噪声~$v_k$~两步相关情况下的最优状态估计, 给出了两步相关情况下的卡尔曼型滤波. 然后把它推广到过程噪声~$w_k$~和量测噪声~$v_k$~多步相关的情况, 给出了n步相关情况下卡尔曼型滤波的一般表达式.     

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.     

广义离散随机非线性系统的最优滤波

讨论了一类广义离散随机非线性系统的状态估计 ,在系统干扰噪声与测量噪声为非零均值白噪声 ,且其互为相关的情形下 ,给出了系统的最优滤波递推算法     

乘性噪声系统滤波问题研究

考虑状态和输出均受乘性和加性高斯噪声干扰的随机系统,通过极小化均方误差给出动态系统最优状态估计的递推算法,包括最优预测、滤波以及平滑问题。仿真结果表明,状态估计能较好的反映系统的真实状态,估计器品质良好。     

无需初始状态先验统计知识的最优状态估计

为获得系统状态的最优线性无偏估计（ＢＬＵＥ）,Ｋａｌｍａｎ滤波算法要求事先知道系统状态的均值与方差,但此要求往往难以满足．今放弃这一要求而考虑离散线性时变多输入多输出（ＭＩＭＯ）随机系统的状态估计问题．若系统是完全可重构的,则本文所给新的滤波算法便将给出系统状态的ＢＬＵＥ．对于即使不可观测的完全可重构确定性系统,该新算法也能给出其无差估计．     

广义随机2-D系统的状态估计

考虑广义随机2-D系统的卡尔曼估计问题。目的是利用最小方差准则，在系统同时受到动态噪声和测量噪声干扰下，得到一类2-D系统的卡尔曼滤波。通过运用斜割支线和几何方法，给出状态向量的卡尔曼滤波与最优预测。同时，给出滤波和预测误差的方差与协方差阵的显示公式。     

两传感器信息融合最优白噪声反卷积Wiener滤波器

应用现代时间序列分析方法和白噪声估计理论,提出了两传感器最优信息融合白噪声反卷积Wiener滤波器,其中给出了局部滤波误差之间的协方差公式,它可被用于计算最优融合加权系数。一个仿真例子说明了其有效性。     

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%.     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

一类噪声相关多传感器系统的新型序贯式融合滤波

对于过程噪声与观测噪声一步互相关、各观测噪声一步自相关的多传感器融合滤波问题,提出了一种新的低维序贯式融合滤波算法.基于低阶迭代正交变换的思想提出了解相关的方法,将观测方程经过等价改写去除系统噪声的相关性,然后依据序贯滤波的思想,依次处理到达融合中心的观测信息,进而得到一类实时序贯式融合滤波算法.整个推导过程在线性最小均方误差意义下严格进行,能够实现系统状态的最优融合估计.最后的仿真验证了新算法在处理上述噪声相关问题上的最优性.     

基于变分贝叶斯理论的不确定厚尾噪声滤波方法

为了解决非线性滤波中量测噪声呈厚尾分布且统计特性不确定的问题,提出一种基于Pearson Type VII分布的自适应滤波算法.针对传统鲁棒卡尔曼滤波器因尺度矩阵和自由度参数固定不变而无法自适应调整的问题,以容积卡尔曼滤波器为基础,选择Pearson Type VII分布对厚尾噪声进行建模,将传统鲁棒滤波固定自由度参数的估计转化为Pearson Type VII分布中可自适应调整的双自由度参数的估计,并通过inverse Wishart和Gamma分布描述尺度矩阵、双自由度参数和辅助参数的先验分布,利用遗忘因子对各参数进行时间更新;基于变分贝叶斯理论,对系统状态、尺度矩阵、双自由度参数和辅助参数形成的联合后验概率密度函数进行变分迭代,实现对系统状态和未知厚尾噪声的联合估计.仿真结果表明,在不确定厚尾噪声条件下,本文算法的滤波精度高于传统鲁棒容积卡尔曼滤波.     

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。     

基于支持向量回归机的自适应差分滤波算法研究

针对差分滤波(DDF)算法存在因噪声统计特性与实际不符而导致的滤波精度降低甚至发散的问题,提出了一种基于支持向量回归机的自适应差分滤波(SVRADDF)算法.将测量值的新息协方差与理论协方差之间的差值作为支持向量回归机的输入、输出调节噪声统计特征的自适应因子,实时修正DDF噪声协方差,根据实际噪声变化调整噪声协方差矩阵,从而提高滤波精度.针对水下目标纯方位角跟踪系统的蒙特卡洛仿真实验表明,在相同初始噪声特性条件下,所提出的SVRADDF算法具有较好的估计效果和鲁棒性,估计精度、稳定性及收敛时间等性能明显优于单纯DDF算法.     

混合高斯噪声下的医学荧光染色图像去噪

中值滤波是比较常见的去噪方法,但如何选择最优滤波窗口则是决定图像去噪效果的关键性因素,尤其是针对无法获知无噪声的真实图像的医学图像,通过估计平滑后的误差来选择滤波窗口变得更加困难。本文通过Pilot估计针对医学荧光染色图像中的混合高斯噪声进行了估计,再通过广义SURE方法计算不同窗口下的估计误差,从而得到中值滤波的最优窗口大小,使得图像在尽可能保留纹理信息的情况下最大可能的去除了图像噪声。     

一种基于椒盐噪声密度的滤波算法

视频传输中,每帧图像受到噪声污染程度不同,常利用单一滤波算法对其批量滤波处理.若选用计算简单的滤波算法,虽处理速度快,但在高噪声密度下滤波效果较差.选计算复杂的滤波算法,虽视觉效果较好,但滤波处理时间将会增加,不满足实际工程要求,针对该问题,提出一种基于椒盐噪声密度的滤波算法.首先对现有的滤波算法进行大量实验,结合提出的一种判别滤波算法性能优劣的综合评价公式,确定出不同噪声密度下对应性能最优的滤波算法.再估算出每幅图像噪声密度,选择对应的滤波算法对其去噪处理.实验结果表明,方法对噪声密度估计的误差在0.1%以内,并能自适应的根据噪声密度选取性能最优的滤波算法,同时算法对图像噪声分离处理后,使得未被噪声污染区域细节相比于选取出的滤波算法保护得更完整.     

基于变分贝叶斯估计方法的双尺度自适应Kalman滤波

针对Kalman滤波在对敌目标估计应用中遇到的量测和过程噪声均未知且时变的情况,提出了一种利用变分贝叶斯估计的双尺度自适应滤波方法。解决了2个关键问题：一是针对量测和过程噪声协方差的共轭后验分布提出了相对转移概率指标,设计了启发式的自适应噪声估计窗口,实现了稳态精度和时变响应性能的综合提升,能适应敌方目标机动性高且统计特性变化快的特点;二是设计了在不同时间尺度上估计过程噪声和量测噪声的协方差方法,解决了在同一时间尺度上使协方差估计值发生严重偏差且增大滤波误差的问题。仿真表明,所提方法能快速跟踪目标状态噪声统计特性的变化并保证估计精度。     

EM-CDKF算法及其SINS初始对准应用

针对非线性捷联惯导系统噪声先验统计信息未知问题,基于中心差分卡尔曼滤波基本算法,采用极大似然准则构造极大期望最速下降梯度算法展开系统未知噪声统计特性在线估计计算研究,构建一类捷联惯导系统初始对准极大期望自适应中心差分最优滤波算法.该算法利用极大似然准则构造系统噪声统计特性对数似然函数,采用极大期望最速下降梯度法把系统噪声统计特性估计转化为对数似然函数期望最大值计算,获得系统过程噪声和观测噪声在线递推估计的自适应极大期望中心差分卡尔曼算法.经过大方位失准角捷联惯导系统初始对准仿真实验,与中心差分卡尔曼滤波基本算法相比,自适应极大期望中心差分卡尔曼算法能够有效解决基本算法在系统噪声先验知识未知情形下的滤波精度下降甚至发散问题,并且能够实现系统噪声统计特性的在线递推估计.     

粒子滤波和ANFIS级联滤波的去噪技术

为实现实际应用中的非线性、非高斯系统中的状态估计,结合粒子滤波非线性估计的优势和自适应神经模糊推理系统(ANFIS)的非线性逼近功能,建立了ANFIS粒子滤波模型。该模型首先通过ANFIS消除测量信号中有色噪声的影响,再运用粒子滤波实现对状态的最优估计,从而进一步提高估计精度。仿真结果表明ANFIS与PF的级联滤波较单一的粒子滤波均值减少了65%,方差减小了74.4%。ANFIS粒子滤波对于强非线性系统的噪声消除效果显著,使状态估计精度得到了较大提高,证明了该级联滤波模型的有效性。     

一种改进的新型滤波方法用于参数辨识

针对辅助粒子滤波方法用于参数辨识时,存在计算量大、计算时间长的缺点,提出了一种新的参数辨识方法。该方法基于一种新型非线性最优滤波方法,这种滤波方法通过估计先验分布到后验分布的映射,缩小估计概率分布与真实概率分布的差异来逼近真实概率分布。提出了利用增广状态,结合滤波方法,通过辅助变量解决参数估计问题;理论证明了该滤波算法对于非线性分布函数的最高逼近精度与所用支持点数的2倍成反比。所提出的参数辨识方法与辅助粒子滤波用于参数辨识相比,计算复杂度低,计算时间少,并且能够取得相近的精度;计算效率较粒子滤波方法高;仿真实验验证了所提出算法的有效性,比辅助粒子滤波用于参数辨识有更好的特性。