面向连续离散系统的自适应最大相关熵滤波算法

针对目标跟踪中运动模型不精确和测量异常导致的传统滤波算法精度下降问题,提出了一种鲁棒平方根连续-离散自适应最大相关熵容积卡尔曼滤波(RSRCD-AMCCKF)算法。在目标跟踪问题中采用了精度更高的连续-离散时间模型,提高了目标跟踪的解算精度;将加权最小二乘方法与传统最大相关熵准则相结合,得到改进的相关熵代价权函数,之后引入连续-离散时间滤波框架,提高了滤波算法在测量异常情况下的鲁棒性;以高斯核函数作为相关熵的调整因子,依据不同测量环境选择自适应因子,进而对观测噪声的协方差矩阵进行调整。仿真结果表明：与传统算法相比,当测量噪声为高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了38.4%和27.3%;当测量噪声为非高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了23.5%和23.9%;当测量值发生突变时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了12.6%和7.1%。RSRCD-AMCCKF算法在各类测量条件下都具有更高的精度和鲁棒性,更接近目标跟踪的克拉美罗下界,能够较好地实现滤波精度和抗异常测量的统一。     

基于自适应卡尔曼滤波器的锂电池SOC估计策略

针对卡尔曼滤波(KF)估计SOC过程中噪声的统计特性与实际不符时,滤波精度严重降低问题,为提高SOC估计精度,在二阶RC电池等效电路模型的基础上,提出一种自适应扩展卡尔曼滤波算法(AEKF),通过自适应协方差匹配算法对系统噪声协方差和测量误差协方差进行实时更新,有效解决了滤波参数设置不合理所造成的SOC偏差,实现了系统状态的最优化预测。利用MATLAB进行仿真比较,验证了新算法能够精确地估计SOC,对环境具有一定的适应能力,可以有效校正SOC初值,并降低累积误差和噪声干扰。     

阵元非均匀高斯白噪声背景下的近场声源定位研究

为解决非均匀高斯白噪声背景下常规近场声源定位算法精度低的问题,提出一种基于噪声协方差矩阵估计的近场声源定位,预白化MUSIC算法,该方法首先从阵列输出数据中估计出噪声协方差矩阵,再利用估计出的噪声协方差矩阵预白化阵列协方差矩阵,从而提高常规算法的估计性能.仿真结果表明,在非均匀高斯白噪声背景下的近场声源定位中,预白化MUSIC算法定位性能高于常规MUSIC和Capon算法的估计性能.     

非一致噪声下的多阵列直接定位算法

针对实际无源定位系统中多个阵列分散分布以及单个阵列各阵元之间差异造成的噪声功率分布不均匀导致直接定位(DPD)算法精度下降的问题,提出了一种非一致高斯白噪声场中的多阵列最大似然DPD(UN-ML-DPD)算法,并推导出该条件下的克拉美罗界。首先计算各阵列输出协方差矩阵;再将计算结果传到数据处理中心;然后由数据中心通过迭代的方式同时对目标位置与非一致噪声功率进行最大似然联合估计,以收敛后得到的结果作为目标位置精确估计值,从而减弱了非一致噪声对DPD算法的影响;最后在多目标条件下用交替投影法降低算法复杂度。较之传统算法,UN-ML-DPD算法能够提高多阵列在低信噪比下的定位精度。仿真结果表明:UN-ML-DPD算法在-15dB的低信噪比下估计误差小于15km,与DPD算法相比定位精度提高15%以上;能较为准确地估计各阵列噪声协方差矩阵,在标准噪声功率小于30 W时估计误差小于3.5 W;在高信噪比下定位精度能够逼近克拉美罗下界。     

自适应矩估计最大相关熵算法的混沌序列预测

为了提高非高斯噪声环境下混沌时间序列的预测精度,提出了一种基于自适应矩估计的最大相关熵算法(AdamMCC).在AdamMCC中,采用最大相关熵准则作为代价函数有效地抑制了异常噪声值对预测性能的影响,利用代价函数梯度的一阶矩和二阶矩估计自适应调整算法的权重参数,在不同阶段为算法提供了更好的最优权重搜索方向,从而提高了AdamMCC的预测性能.采用Mackey-Glass和Lorenz两类混沌时间序列进行仿真实验,验证文中提出的AdamMCC的收敛性能和稳态性能.实验结果表明,在非高斯环境下的预测过程中,相比于最小均方算法、最大相关熵算法和分数阶最大相关熵算法,文中提出的基于自适应矩估计的最大相关熵算法在保持鲁棒性的同时,还能以合理的计算复杂度获得更高的预测精度.     

基于粒子群算法和平方根平淡卡尔曼滤波的北斗导航系统定位估计算法

为提高北斗定位系统(BDS)的估计精度,克服传统平淡卡尔曼滤波(UKF)算法中可能因状态量协方差矩阵失去正定性而导致滤波器发散的问题,将平方根平淡卡尔曼滤波(SRUKF)算法应用于BDS定位估计.在此基础上,为进一步提高SRUKF算法的性能,引入粒子群优化(PSO)算法,提出基于PSO和SRUKF算法的BDS定位估计(PSO-SRUKF)算法.结果表明,PSO-SRUKF算法可以降低系统噪声和测量噪声特性估计不准确带来的误差,有效提高了BDS定位精度和稳定性.     

基于高斯-粒子滤波的SLAM算法提取果实特征

针对传统农作物采摘方式落后、采摘效率低、果实特征识别精度低等问题,提出了一种基于SIFT的果实特征匹配算法.对导航机器人采集的果实图像进行去噪与特征提取,然后对不同传感器采集到的含有一定角度偏差的图像进行匹配,得到较精准的特征位置:提出了一种高斯-粒子滤波(Gauss-Particle Filter,Gauss-PF)的SLAM(Simultaneous Localization and Mapping)算法.仿真实验表明,通过增大噪声协方差及特征位置初值误差验证算法的精度,PF和Gauss-PF算法的误差均随时间逐渐降低,且在x,y方向,后者误差均小于1 cm.新的算法具有较强的稳定性与较高的定位精度.最后在同等条件下,基于单个果实特征位置(0,0)的特征进行x,y方向2次观测,并采用Gauss-PF和PF算法对观测值进行量测估计,实验表明新算法均能在(0,0)的较小邻域[-1,1]cm误差范围内对其进行估计,高于PF算法的精度[-2,2]cm.     

基于球面单径容积准则的多雷达分布式再入目标实时跟踪算法

针对多雷达对再入目标的实时跟踪问题,提出一种基于球面单径容积准则的分布式容积卡尔曼滤波算法。首先,利用球面单径容积准则近似计算非线性高斯权重积分,然后由统计线性误差传播方法等价表示滤波过程中的互协方差矩阵;最后通过一致性算法将单雷达容积卡尔曼滤波器所得时间更新结果与邻居雷达间进行信息交互与一致化处理,得到分布式球面单径容积卡尔曼滤波算法。该算法提高了再入弹道目标跟踪精度;无信息融合中心的通信拓扑结构降低了雷达间的通信量与计算量,提高了整个系统的生存能力。数值仿真结果验证了算法的有效性。     

改进的AUKF锂电池SOC估算算法研究

为了能够精确地估计锂电池的电池荷电状态(SOC),考虑了影响电池SOC估计精度的主要因素及传统电池SOC估计的优缺点,在自适应无迹卡尔曼滤波(AUKF)的基础上,提出了一种改进的AUKF算法,并且对影响SOC估计的主要因素在算法上进行了参数校正。该算法基于电池的二阶RC等效电路模型,把每次测量的输出偏差协方差作为噪声协方差,得到改进的AUKF算法,使得噪声的协方差能够随着时间进行更新,解决了噪声的协方差为常量带来误差的问题。实验结果表明,利用改进后的AUKF算法可以精确地估算出电池SOC值。     

迭代无味卡尔曼滤波的目标跟踪算法

针对目标跟踪迭代无味卡尔曼滤波(IUKF)算法中跟踪精度较差的问题,提出一种基于状态扩展技术的改进迭代无味卡尔曼滤波(IIUKF)算法.新算法首先将观测噪声扩展进状态,构造关于扩展状态的零噪声观测方程,然后在观测迭代过程中将最新的扩展状态后验估计代入更新公式,进行观测迭代更新.相比IUKF算法,IIUKF算法不仅形式上更为简洁,而且避免了IUKF算法中先验估计和观测噪声非统计正交的问题,滤波精度更高.数值仿真表明,IIUKF算法的跟踪误差比IUKF算法减小了20%以上.     

自适应卡尔曼滤波法磷酸铁锂动力电池剩余容量估计

卡尔曼滤波法在估计动力电池的剩余容量(SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,笔者采用自适应卡尔曼滤波法来动态地估计电动汽车用磷酸铁锂动力电池的SOC。首先对电池模型进行了研究,建立了适用于SOC估计的电池模型,然后设计了相应的电池充放电实验检测到模型的参数,并进行了验证,最后将自适应卡尔曼滤波法应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC。仿真结果表明：自适应卡尔曼滤波法能够实时修正微小的模型误差带来的SOC估计误差,估计精度高于卡尔曼滤波法,且自适应卡尔曼滤波法对初值误差具有修正作用。实车循环行驶实验表明算法适用于磷酸铁锂动力电池的SOC估计。     

未知噪声背景下的改进型MMUSIC算法

针对不能确知被估计信号源的相关性和非平稳且噪声功率未知的高斯噪声环境,提出一种改进型的修正多重信号分类(MMUSIC)算法.用协方差差分法消除阵列协方差矩阵中的未知噪声矩阵,再用MMU-SIC算法对得到的协方差差分矩阵进行解相关或解相干处理.该算法只要求阵元数为不少于2L+1,即可在不影响相干信号源估计的同时,保证不相关信号源的估计性能.仿真结果表明:算法能够在不能确知信号源相关性和低信噪比的未知噪声环境下,对信号源进行有效的波达方向估计,获得很高的估计精度和角度分辨率.     

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.      

基于有色噪声卡尔曼滤波的GPS多径估计研究

在最大似然多径估计技术的基础上,提出了一种新的基于有色噪声卡尔曼滤波的全球定位系统(GPS)多径信号估计技术.建立了GPS多径信号的卡尔曼滤波估计模型,推导了观测噪声为有色噪声的卡尔曼滤波的状态方程和观测方程,阐述了有色噪声的形成过程,推导了卡尔曼滤波的递推公式.实验结果表明,提出的设计技术可以在20dB·Hz的载噪比条件下对多个GPS多径信号进行较精确的估计.     

基于差分进化改进粒子滤波的多径估计算法

多径干扰因具有位置上的不相关性、不确定性等特点,不能通过差分技术来消除,成为高精度定位的主要误差源之一。因此,估计多径参数对抑制多径误差、提高导航系统的定位精度具有重要意义。本文将多径估计问题转化为状态空间模型下的参数估计问题,并利用粒子滤波(PF)进行多径估计。同时,为了克服标准PF存在粒子枯竭、导致估计结果可能收敛到错误值的问题,提出了基于差分进化改进粒子滤波(DEPF)的多径估计算法,该算法利用差分进化(DE)算法代替PF的重采样来产生新粒子,使新粒子朝着状态真实后验概率密度分布的方向移动,避免了重采样后粒子可能收敛到局部最优值的问题。仿真结果表明,在非高斯噪声下与基于PF和EKF的多径估计算法相比,本文算法具有更好的多径估计性能。     

α稳定噪声下最小均方Sigmoid误差自适应时间延迟估计

为解决脉冲噪声下最小均方误差自适应时间延迟估计算法估计性能的退化问题,以对称α稳定分布模型描述脉冲噪声,提出最小均方Sigmoid误差自适应时间延迟估计算法.该算法通过对误差信号求取Sigmoid变换,抑制了较大误差对估计结果的影响.以最小均方Sigmoid误差代替最小均方误差作为优化准则,迭代模拟信道延迟效应的滤波器权系数,其收敛时峰值的位置就是所要估计的时间延迟.仿真结果验证了该算法在高斯和非高斯对称α稳定分布噪声条件下的优良估计性能,说明最小均方Sigmoid误差是一种韧性的最优准则.     

矿井NLOS环境下改进UKF超宽带定位算法

由于矿井下巷道空间有限且存在弯曲,因此通信传播大多为非视距(NLOS)传播环境。传统的基于距离的无线传感网络定位技术易产生较大误差,从而导致定位精度不高。超宽带(UWB)信号具有穿透能力强、抗多径能力强的特点,能够提供较高的定位精度,因此成为NLOS环境下定位的首选。针对NLOS环境下的定位精度不高的问题,在接收信号强度(RSSI)测距和三边算法联合定位的基础上,提出以联合定位得到的初始坐标做为无迹卡尔曼滤波(UKF)算法的观测值,并对UKF的测量更新方程进行修正,使该算法能适应NLOS环境下的定位跟踪。通过仿真验证并与扩展卡尔曼滤波(EKF)算法进行比较,在NLOS环境下改进的UKF定位算法,能够对目标进行实时跟踪并提高定位的精度。     

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.     

WiFi与行人航迹推算自适应无迹卡尔曼滤波融合定位算法

针对wifi信号易受环境波动和存在多径效应现象,行人航位推算(PDR)系统中传感器模块精度有限,且存在累计误差问题,因此提出了一种加入自适应调整因子的改进无迹卡尔曼滤波(UKF)融合算法,该算法利用残差rk的理论协方差与实际协方差的差异作为条件,引入调整因子ρ调整状态向量和观测向量的协方差进而调整卡尔曼增益参数,增强系统鲁棒性和提高定位精度。在实验环境中,实验结果表明所提算法的平均误差为1.35m,最大误差为2.23m。定位位置误差在1.5m以内的概率达到了约80%,相比于标准UKF算法在1.5m以内的概率约为22%,提高了约58%。     

未知噪声协方差的自适应容积卡尔曼滤波

针对噪声协方差不确定情况下容积卡尔曼滤波解决非线性目标跟踪中存在的问题,提出了一种优化的自适应容积卡尔曼滤波.首先根据新息序列和残差序列导出的线性矩阵方程得到噪声的协方差,基于新息序列与残差序列的相关性,推导出一种新的过程噪声协方差Q估计方法;然后采用残差序列对测量噪声协方差进行估计,利用加权因子将当前的噪声协方差矩阵与估计值组合成为新的测量噪声协方差阵R,有效避免了不准确状态估计的局限性.仿真结果表明:在时变噪声协方差的条件下,所提出的自适应容积卡尔曼算法的跟踪精度明显提高.