基于无抽取Haar算法的实时卡尔曼滤波方法

针对基于分段方式的多尺度卡尔曼滤波其计算量大、延时长的问题,提出基于无抽取Haar算法的实时卡尔曼滤波方法,该方法采用简单的加减、移位运算在t时刻完成多尺度变换,然后在各个尺度进行小波阈值去噪和卡尔曼滤波;为了验证该方法的有效性,在自主改装的智能车上对低精度加速度传感器进行实验.研究结果表明:通过小波重构完成信号处理,提高了算法实时性,并且有效减少重复运算;实时卡尔曼滤波方法有效提高了传感器的性能,在不能准确估计状态转移误差情况下,该方法的去噪性能优于单独的卡尔曼滤波去噪性能.     

不完全量测下的Cubature卡尔曼滤波方法

提出了一种不完全量测下的Cubature卡尔曼滤波方法,该方法在Cubature卡尔曼滤波算法的基础上,建立了量测滞后下的状态空间模型,利用采样点状态扩维的方法对状态估计值进行更新,并给出了不完全量测下的Cubature卡尔曼滤波算法的实现流程。仿真实验表明,不完全量测下的Cubature卡尔曼滤波方法可以用于处理量测信息采样时间和延时时间都不确定的情况,在处理不完全量测下的高维强非线性系统状态估计时计算量小,具有较高的估计精度。     

带有量测数据丢失的虚观测鲁棒卡尔曼滤波算法

针对传感器量测数据丢失的卡尔曼(Kalman)滤波问题进行了研究,提出了一种基于虚观测值的鲁棒卡尔曼滤波算法,针对伯努利(Bernoulli)分布描述的量测数据丢失的模型,充分利用当前时刻的先验信息,应用趋势移动平均法来预估构造丢失数据时刻的虚观测值,建立了等效的传感器量测模型.利用鲁棒卡尔曼滤波方法来消除预测偏差较大的虚观测值对目标跟踪的影响,从而达到对目标的稳健跟踪.仿真实例说明了该算法能在量测数据丢失的情况下对目标进行有效的跟踪,跟踪精度高于跳变线性系统的卡尔曼滤波算法.     

一种雷达网络偏差估计补偿方法

为了提高雷达目标跟踪精度,针对雷达网络跟踪系统的时变配准偏差补偿问题,该文提出了一种通用的估计补偿方法.该方法根据雷达提供的测量信息,引入伪测量方程和等价偏差的概念,结合卡尔曼滤波方法估计出雷达的量测偏差和位置,用于补偿和修正量测信息.该方法使雷达的跟踪精度比补偿前明显提高.统计意义下的仿真结果显示了该方法的有效性.     

角度约束辅助测量的深空探测器自主天文测角导航方法

高精度的天文量测信息是满足深空探测器高精度自主天文测角导航的必要条件.天文测角量测信息多种多样,之间具有几何约束关系,测量误差具有不同特性且符合相应的约束条件.本文提出了一种基于角度约束辅助测量的深空探测器自主天文测角导航方法,该方法以深空探测器轨道动力学模型作为状态模型,以火星、火卫一和火卫二与探测器之间的方位角作为量测量建立量测模型,并对量测量进行角度约束建模,然后利用遗传算法-序列二次规划混合非线性规划方法对角度约束模型进行非线性规划,由于系统模型均为非线性模型,因此本文利用容积卡尔曼滤波对系统状态进行估计,减小随机误差,并分析了天文测角的量测精度对导航精度的影响.仿真结果表明,本文所提方法可有效抑制多源随机量测误差,实现深空探测器高精度自主导航.     

ECDIS船位的选择及基于卡尔曼滤波标绘的研究

为了保证船舶航行操纵中使用电子海图显示与信息系统(ECDIS)时,能更精确地标绘出本船与它船构成的危险程度.首先分析了航海雷达和卫星定位导航数据的原理和作用,然后再根据雷达、北斗和GPS卫星导航数据,在操纵船舶避碰时能恰当地选用更高精度的设备.船舶是根据未来船位进行预估危险然后采取行动避碰,卡尔曼滤波方式可预估出未来时刻的船位,通过Matlab仿真得出卡尔曼预估的船位基本上与实际船位误差符合航海要求,因此可用卡尔曼滤波方式进行预判两船是否存在危险.     

基于改进CKF算法的一类有色噪声污染的线性观测系统的状态估计

针对系统受有色噪声污染时容积卡尔曼滤波(CKF)算法滤波精度下降甚至发散的问题,提出了基于量测信息增广的改进CKF算法。改进算法采用量测信息增广方式,将有色噪声白噪声化,再将白化后的噪声和系统噪声去相关化,从而解决了一类有色噪声污染的线性观测系统的状态估计问题。将本文算法应用于生物地球化学仿真模型,对生物圈植被碳含量进行动态估计,仿真结果表明,改进算法具有较高的精度和鲁棒性。     

深空天文测角测速组合导航滤波算法研究

针对天文光谱测速导航量测中存在的常值量测误差、慢时变量测误差、光谱畸变量测误差,提出了扩维自适应容积卡尔曼滤波算法.本文通过状态扩维将常值测速量测误差及慢时变测速量测误差作为状态量之一,在导航滤波中进行同步估计并在量测中进行补偿.针对天体表面活动导致的光谱畸变量测误差,通过Sage-Husa噪声估计器对滤波算法中的量测噪声协方差阵进行自适应估计以降低含该误差量测的影响.同时,为了进一步提高导航的精度,将天文光谱测速信息与天体方向矢量信息结合,并通过联邦滤波器进行信息融合.以火星接近段为背景的仿真结果表明,该算法能够有效抑制上述量测误差对导航精度的影响,实现高精度天文自主导航.     

基于小波神经网络的组合导航系统初始对准技术

针对SINS/GPS/MCP组合导航系统初始对准中GPS失锁时系统精度下降的问题,引入基于神经网络和小波技术的解决方案,将相关特征量经小波去噪后作为神经网络的训练样本.基于该方案建立了系统滤波模型,包括捷联惯性系统失准角、速度和位置误差方程以及速度航向匹配的状态方程和量测方程.为了验证该方案的有效性,分别对GPS失锁、加入神经网络修正和引入小波去噪技术3种情况进行了仿真,结果发现:神经网络修正可解决速度精度变差的问题;经小波去噪后对神经网络重新训练,各项指标都有所提高.可见,基于小波的神经网络方法可提高神经网络逼近模型的程度,进而提高对准精度.     

自适应小波阈值去噪在重力仪信号处理中的应用

为了有效地消除各种外界干扰噪声对高精度海洋重力仪测量值的影响，提高重力异常测量值的精度，在分析了小波阈值及自适应小波阈值去噪算法的基础上，将其应用到高精度海洋重力仪系统数据处理中，并与自适应卡尔曼滤波做了对比，以处理后信号的信噪比作为衡量3种数据处理方法优劣的依据。理论分析和仿真实验表明，自适应小波阈值去噪方法、传统的小波阈值去噪方法和自适应卡尔曼滤波都能在一定程度上消除噪声信号对重力仪测量信号的影响，但在相同情况下，自适应小波阈值去噪方法具有明显的优越性。     

Maneuvering target tracking algorithm based on CDKF in observation bootstrapping strategy

The selection and optimization of model filters affect the precision of motion pattern identifica-tion and state estimation in maneuvering target tracking directly.Aiming at improving performance of model filters, a novel maneuvering target tracking algorithm based on central difference Kalman filter in observation bootstrapping strategy is proposed.The framework of interactive multiple model ( IMM) is used to realize identification of motion pattern, and a central difference Kalman filter ( CDKF) is selected as the model filter of IMM.Considering the advantage of multi-sensor fusion method in improving the stability and reliability of observation information, the hardware cost of the observation system for multiple sensors is adopted, meanwhile, according to the data assimilation technique in Ensemble Kalman filter( EnKF) , a bootstrapping observation set is constructed by in-tegrating the latest observation and the prior information of observation noise.On that basis, these bootstrapping observations are reasonably used to optimize the filtering performance of CDKF by means of weight fusion way.The object of new algorithm is to improve the tracking precision of ob-served target by the multi-sensor fusion method without increasing the number of physical sensors. The theoretical analysis and experimental results show the feasibility and efficiency of the proposed algorithm.     

基于Burg算法与卡尔曼滤波的有色噪声状态估计

探讨一种有色噪声卡尔曼滤波算法。基于静态环境下多传感器的噪声信号,借助Burg算法和自回归模型,获得可在线估计噪声信号的噪声模型,进而结合经典卡尔曼滤波算法,获得可估计系统状态的有色噪声卡尔曼滤波模型。数值实验结果比较显示该模型对系统的状态估计精度高、噪声抑制能力强。     

Multi-sensor federated unscented Kalman filtering algorithm in intermittent observations

Aiming at the adverse effect caused by limited detecting probability of sensors on filtering precision of a nonlinear system state,a novel multi-sensor federated unscented Kalman filtering algorithm is proposed.Firstly,combined with the residual detection strategy,effective observations are correctly identified.Secondly,according to the missing characteristic of observations and the structural feature of unscented Kalman filter,the iterative process of the single-sensor unscented Kalman filter in intermittent observations is given.The key idea is that the state estimation and its error covariance matrix are replaced by the state one-step prediction and its error covariance matrix,when the phenomenon of observations missing occurs.Finally,based on the realization mechanism of federated filter,a new fusion framework of state estimation from each local node is designed.And the filtering precision of system state is improved further by the effective management of observations missing and the rational utilization of redundancy and complementary information among multi-sensor observations.The theory analysis and simulation results show the feasibility and effectiveness of the proposed algorithm.     

基于卡尔曼滤波的动态权值融合

在雷达航迹融合过程中,采用多传感器测量值融合的方法能够摒除单一信息源不全面的缺点.加权平均融合为广泛使用的融合方法,但传统的权值固定的加权平均融合虽然能综合多路传感器信息,却无法自适应的根据测量值优劣倚重更有利的测量信息.因此,本文提出将固定权值改进为动态权值的融合方法,实时改变各路测量信息参与融合的权重.每次融合前,先将多路传感器测量值求简单算术平均后进行卡尔曼滤波,把滤波后的值与各路测量值作差,这相当于对传感器信息的优劣作出预判,每路测量信息的融合权值则与该差绝对值成反比.最后,通过仿真实验证明,该改进方法较之前的加权平均融合明显提高了目标的融合精度.     

基于陆标敏感器对星敏感器在轨标定算法研究

基于陆标敏感器,针对星敏感器系统常值误差进行了在轨标定算法研究.利用陆标敏感器经图像匹配识别得到一系列特征点坐标,与基准图像相应特征点坐标经过比较,将最小二乘最优估计值作为量测,应用卡尔曼滤波算法,设计了星敏感器在轨标定模型,并进行了数学仿真,仿真结果表明该算法可以在轨准确标定出星敏感器系统常值误差.     

R-T-S平滑算法在捷联惯性异航系统初始对准精度事后评估中的应用

捷联惯性导航系统(SINS)通常采用Kalman滤波实现初始对准．由于R-T-S最优固定区间平滑算法的精度比Kalman滤波高，采用R-T-S最优平滑算法通过事后处理SINS对准数据来计算SINS的失准角，作为参考失准角，对SINS初始对准的精度进行事后评估．以船用SINS为例进行了仿真．结果表明，R-T-S最优平滑算法的精度比Kalman滤波精度高，从而说明利用R-T-S平滑算法对SINS初始对准精度进行事后评估是可行的．     

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(WSNs)在跟踪过程中精度低,性能差等缺点,提出基于无迹卡尔曼滤波(UKF)和协方差交叉(CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇,同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。首先,采用UKF处理传感器节点采集的数据,生成局部估计。然后,利用CI融合算法将收集到的局部估计值形成融合估计。通过定义一个附加权重因子,为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性,采用多速率分层融合估计的精度更高,效果更明显。     

Probabilistic data association algorithm based on ensemble Kalman filter with observation iterated update

Aiming at improving the observation uncertainty caused by limited accuracy of sensors,and the uncertainty of observation source in clutters,through the dynamic combination of ensemble Kalman filter(EnKF) and probabilistic data association(PDA),a novel probabilistic data association algorithm based on ensemble Kalman filter with observation iterated update is proposed.Firstly,combining with the advantages of data assimilation handling observation uncertainty in EnKF,an observation iterated update strategy is used to realize optimization of EnKF in structure.And the object is to further improve state estimation precision of nonlinear system.Secondly,the above algorithm is introduced to the framework of PDA,and the object is to increase reliability and stability of candidate echo acknowledgement.In addition,in order to decrease computation complexity in the combination of improved EnKF and PDA,the maximum observation iterated update mechanism is applied to the iteration of PDA.Finally,simulation results verify the feasibility and effectiveness of the proposed algorithm by a typical target tracking scene in clutters.     

多传感器信息融合的时间不确定性

分析了测量融合方案的测量信息时间不确定性,将时间不确定性转化为系统不确定性．以跟踪问题为例,讨论了卡尔曼滤波器、确定性系统的鲁棒滤波器和参数不确定性系统的鲁棒滤波器3种滤波器的应用,给出了3种滤波器的求解结果,并对其表现进行了比较．仿真结果表明,在时间不确定性条件下,3种滤波器的性能都有所下降,2种鲁棒滤波器的滤波误差的方差始终比卡尔曼滤波器的方差小。     

基于UKF的无线传感器异步数据融合优化算法

提出了一种基于无迹卡尔曼滤波(UKF)的无线传感器异步数据融合算法,利用RNAT机制识别无线传感器网络中的冗余节点,构造数据冗余树来实现冗余数据的去除.根据重复数据消除的结果,在每个传感器检测范围半径相等的环境下,采用四圆定位法,任意选择2个检测目标信息的节点,计算2个圆形检测区域边界的交点,根据迭代法找到并近似目标.设定了不同传感器的原始传感器相互独立、同一传感器不同原始量测量值相互独立的前提条件,计算出各通道的测量值,利用未测量卡尔曼滤波器以滤波的形式更新测量值,引入卡尔曼滤波增益矩阵,并结合异步数据定位结果实现数据融合.实验结果表明,融合后的数据利用率高于现有结果,算法耗时短、能耗低,且具有较高的数据融合精度,整个融合的准确率在90％以上.