基于AUV的航迹追踪自适应UKF算法

无迹卡尔曼滤波算法(UKF,unscented kalman filter)是一种常见的(AUV,autonomous underwater vehicle)加权统计线性回归航迹追踪算法,其算法冗余度低于(EKF,extended kalman filter)、(PF,particle filter)及(PSO,particle swarm optimization)等数值优化算法,且算法效率较高。然而,UKF控制算法中的系统采样时间间隔通常会被设置为常数,由此可能会产生预测值的误差累积,从而影响导航预测结果的精度。因此,笔者提出了基于AUV的航迹追踪自适应无迹卡尔曼滤波算法(AUKF,adaptive unscented kalamn filter algorithm),以期降低预测算法的累积误差。该预测方法依据标准UKF算法的原理,通过构造相应的约束、判断与反馈机制,调整系统状态方程中每一步的采样间隔t,从而提升算法的航迹追踪精度并减少过程噪声及传感器噪声对预测过程的影响。最后,通过仿真实验与结果对比,近一步验证了之前所提出的设想。     

基于平方根容积卡尔曼滤波的四旋翼无人机的姿态解算

为了提高四旋翼无人机姿态解算的精度,提出了基于平方根容积卡尔曼滤波(square-root cubature Kalman filter,SCKF)的多传感器数据融合策略。基于加速度计、磁力计和陀螺仪输出的数据,采用了四元数的姿态解算方法,避免了单一传感器获得的姿态角误差过大的问题,解决了扩展卡尔曼滤波(extend Kalman filter,EKF)精度低以及无迹卡尔曼滤波(unscented Kalman filter,UKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)协方差矩阵正定性丧失的问题。设计了基于pixhawk飞控板的实验方案。通过实验数据表明,与传统的EKF、UKF、CKF算法相比,SCKF的精度最高。且与UKF、CKF算法相比,SCKF具有计算时间少、数值计算稳定性强等优势。     

基于自回归各态历经模型参数辨识的模糊双卡尔曼滤波算法的储能电池荷电状态估算

扩展卡尔曼滤波(extended Kalman filter, EKF)算法在电池荷电状态(state of charge, SOC)估算领域广泛应用。但作为一种基于模型的算法,电池模型误差影响SOC估算的精度。为了抑制电流的幅值与阶跃电流因素对模型误差的影响,提出一种动态修正观测噪声协方差的模糊双卡尔曼滤波(fuzzy dual Kalman filter, FDKF)算法。该算法首先将一阶电阻-电容(resistor-capacitance, RC)等效模型转换为自回归各态历经(autoregressive exogenous, ARX)模型的形式,用卡尔曼滤波(Kalman filter, KF)算法更新转换后模型的参数,且在SOC估算的过程中获取电流与电流变化量的数据,并通过建立模糊控制系统调整观测噪声的协方差值来抵消模型误差。结果表明:FDKF算法在某储能工况下估算误差的最大值为0.39%,小于EKF算法的3.92%和双卡尔曼滤波(dual Kalman filter, DKF)算法的1.12%,可见FDKF该算法能够有效地提升SOC估算的精度。     

集中式GNSS/INS深组合模型及算法研究

研究了集中式深组合量测模型;并在此基础上研究了深组合滤波算法。由于集中式深组合系统具有强非线性、状态向量维数高、计算量大等特点,将一种降维容积卡尔曼滤波算法(reduced-dimension cubature kalman filter,RCKF)应用于集中式深组合滤波中。相较于常规容积卡尔曼滤波算法(cubature kalman filter,CKF),该算法仅对状态向量中与量测矩阵非线性有关向量采样,减少采样向量维数从而降低滤波计算量。通过仿真实验证明该算法在不损失精度的情况下,可大大减少组合滤波计算量。     

基于改进无迹卡尔曼滤波的多径估计算法

【目的】在导航定位系统中，基于卡尔曼滤波框架的多径误差抑制算法是提高定位精度的有效方法。但是，在算法的过程噪声和观测噪声协方差初值的选取不当时，会导致估计结果误差很大甚至发散。另外，由于此类算法是基于最小均方误差准则，算法在受到非高斯噪声干扰时尤其是重尾非高斯噪声，会出现估计精度显著下降的问题。【方法】为了在高斯噪声和非高斯噪声下都能够保持较好的多径估计结果提高定位精度，本文提出一种自适应最大相关熵无迹卡尔曼滤波(adaptive maximum correntropy unscented kalman filter, AMCUKF)多径估计算法，算法在观测更新过程中引入最大相关熵作为优化准则，以解决在非高斯噪声下的估计精度下降的问题，在噪声协方差更新过程中用观测量的残差序列对噪声协方差矩阵进行递归更新，取代过程噪声和观测噪声协方差初值的选取。【结果】在高斯噪声和非高斯噪声下分别进行了仿真实验，通过与两种基于卡尔曼滤波框架的估计算法进行对比表明，AMCUKF多径算法不仅能够在高斯噪声下保持较好的多径估计结果，而且在非高斯噪声下也能够保持更高的多径估计精度，有效抑制非高斯噪声的干扰。     

新型UKF在非线性系统执行器故障估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法使用受限,粒子滤波算法动态跟踪能力差、易产生退化,单一无先导扩展卡尔曼滤波(unscented Kalman filter,UKF)算法滤波精度低等缺陷,根据极大后验(maximum a posterior,MAP)估计原理,设计了一种带限定...     

卡尔曼滤波修正的风电场短期功率预测模型

针对数值天气预报模型输出的气象参数存在系统误差而导致风电场功率预测精度受到制约的问题,提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型.使用卡尔曼滤波算法对数值天气预报输出的风速数据进行动态修正,并结合其他气象数据形成新的用于风电功率预测的修正气象数据集合;根据原始气象数据和修正气象数据这2个训练集分别建立了风电场功率输出的原始神经网络、修正神经网络的预测模型.经同一时间区间内的实测数据与模型分析数据的对比分析表明:通过卡尔曼滤波修正的风速数据能够很好地跟踪实际风速数据的变化趋势,平均误差与绝对平均误差比较小;所提模型能够显著降低预测结果的均方根误差,使其从未修正前的17.73%降低至11.32%,证明预测精度得到了明显提高.     

双卡尔曼滤波下的全钒液流电池荷电状态估计

全钒液流电池(vanadium redox flow battery,VRB)荷电状态(state of charge,SOC)是评价电池性能、估算电池容量的重要参数,也是储能系统管理和调控的关键依据。文章通过搭建实时仿真平台,采用基于卡尔曼滤波原理,在扩展卡尔曼滤波(extended Kalman filter,EKF)算法的基础上提出的双卡尔曼滤波(double Kalman filter,DKF)算法对全钒液流电池SOC进行在线估计,并将其与传统的安时积分法测量方式进行对比分析。实验表明,该方法相比于安时积分法具有更好的准确性,且估算误差在2%以内。     

基于二阶扩展卡尔曼滤波理论的毫米波波束跟踪算法

毫米波(mm wave)通信中波束覆盖方向性给高速移动的终端设备(如高速车辆,火车和无人机)带来了巨大挑战.现有基于扩展卡尔曼滤波理论(extended Kalman filter theory,EKF)的波束跟踪算法存在估计精度较低的问题,为此,采用二阶扩展卡尔曼滤波理论(second-order extended ...     

激光雷达和行人航迹推算融合的室内目标定位方法

激光雷达(light detection and ranging, LiDAR)在室内定位中具有抗干扰能力强,速度、角和距离分辨率高等优点,但在定位过程中其精度易受环境因素干扰影响。提出了一种LiDAR和行人航迹推算(pedestrian dead reckoning, PDR)融合的室内定位方法,以扩展卡尔曼滤波(extended Kalman filter, EKF)为基础,通过对LiDAR的位移增量、角度观测值以及PDR的位姿信息等量测值进行解算,令二者互补融合,有效抑制非视距影响和误差累积的问题,并对单一类组合算法和融合类组合算法的定位精度进行对比分析。实验结果表明：当室内人员为行走状态时,LiDAR和PDR融合定位算法较单一定位方法在精度和稳定性方面均有效提高,PDR定位误差为0.98 m, LiDAR定位误差为0.6 m, EKF融合后定位误差下降到0.32 m。     

基于平方根UKF的机载单站无源定位算法

介绍了基于多普勒频率变化率和波达角变化率的机载单站无源定位原理,并引入一种新的基于平方根（uKF）算法．通过仿真与扩展卡尔曼滤波（EKF）和不敏卡尔曼滤波（UKF）算法进行了比较．结果表明,新算法比EKF算法精度高,与UKF算法相比,新算法的方根形式增加了数字稳定性和状态协方差的半正定性,同时具有更快的收敛速度．     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

基于无先导卡尔曼滤波的RBFN训练算法研究

提出了应用无先导卡尔曼滤波器（UKF）来训练径向基神经网络（RBFN）的新方法。与广义卡尔曼滤波器（EKF）和双重卡尔曼滤波器（DEKF）对函数的一阶近似不同,UKF对非线性函数采用二阶近似展开,而且最重要的一点是不必求取系统的雅克比矩阵,从而大大减小计算量。本文对时间序列预测及分类问题进行了仿真,结果证实了该方法的有效性和快速性。     

基于传感器网络的分布式生化气体源参数测定算法

针对生化气体源参数测定问题,提出了一种基于传感网络的分布式贝叶斯迭代估计算法,该算法在给定气体物理分布扩散模型条件下,通过传感器节点获取气体浓度,并基于分布式扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）实现气体源的坐标定位和释放率估计.通过仿真实验对两种分布式算法进行性能分析,结果表明,UKF算法在参数估计成功率和参数估计误差两个方面均要好于EKF算法,分别可以提高约50%和70%,其收敛速度快,使用节点少,更有助于节省网络能量消耗,并延长其生存周期.     

基于递归神经网络的永磁同步电机控制器设计

在永磁同步电机矢量控制系统中,采用递归神经网络控制器作为速度控制器来模拟在电机参数变化和负载扰动下的最优速度输出。神经网络采用扩展卡尔曼滤波方法实现在线训练,并在Lyapunov稳定性意义下对网络的学习率进行了分析。该神经网络矢量控制系统具有良好的动、静态特性,同时在变速和变负载情况下效果理想。该方法在一台1.2 kW永磁同步电机驱动系统上验证通过。     

基于平方根UKF的水下纯方位目标跟踪

为了避免被动跟踪中非线性性带来的计算复杂化及跟踪精度的下降,该文将平方根无迹卡尔曼滤波(SR-UKF)算法应用到水下仅测角目标跟踪.利用协方差平方根代替协方差参加递推运算,解决了标准无迹卡尔曼滤波(UKF)算法中由于计算误差和噪声等因素有可能引起误差协方差矩阵负定而导致滤波结果发散的问题,保证了滤波算法的数值稳定性,提高了跟踪的精度和可靠性.仿真结果表明,SR-UKF非线性滤波算法应用于水下仅测角目标跟踪系统是有效的,而且滤波精度、稳定性和收敛时间明显优于扩展卡尔曼滤波(EKF)和标准UKF算法.     

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。     

用扩展KALMAN滤波器计算多径下两路间时延

尝试通过扩展Ｋａｌｍａｎ滤波器计算两独立接收端接收同一信号时的接收时间差,并考虑了存在多径干扰时的情况,方法如下：１）运用卷积定理,交埋延估计问题转化成对一线性滤波器系数的估计问题;（２）运用ＥＫＦ,使对滤波器多个系数的估计转化为对一个或几个参数的估计;（３）在多径情况下,同时对三个滤波器进行处理,使两点信号的差值平方最小,并在叠代过程中采用类似分时的处理,使对多径情况下两路时延的估计过程大大简化     

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波（EKF）在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波（UKF）算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。     

基于推广Kalman滤波的机载无源定位改进算法

研究空中运动观测平台对地面辐射源目标的纯方位信息定位算法,提出改进的二阶EKF定位算法以提高定位估计精度.用推广Kalman滤波算法代替传统的最小二乘定位算法.充分利用观测平台的运动信息建立了可观测的观测方程,并采用二阶EKF算法解决了在观测误差较大的情况下导致的非线性误差较大的问题.采用Monte Carlo仿真比较LS,EKF和二阶EKF 3种方法的性能.证明用这种方法可以达到更好的估计精度,能够将目标位置定位在更小的概率椭圆内.概率误差椭圆缩小了30%.