脉冲噪声下基于共变序列的自适应时延估计

针对实际应用中常遇到的脉冲性噪声问题,以α稳定分布模型进行描述,提出了一种基于共变序列的自适应时延估计方法,简称CAED.该方法通过求取两个观测序列的互共变和一个观测序列的自共变,去除了不相关脉冲噪声,保留了观测序列间时间延迟的信息;将自共变、互共变序列作为两个自适应滤波器的输入信号,在最小均方误差准则控制下,由收敛的两个滤波器权系数矢量峰值位置之差可获得源信号到达两个接收端的相对时延.通过计算机仿真对比实验验证了该算法在强脉冲噪声、低信噪比情况下的优良估计性能.     

基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。     

基于扩散张量的自适应正则化变分模型

结构张量是描述图像的有效工具。利用结构张量对图像灰度变化的方向和大小进行判断,提出基于扩散张量的自适应正则化变分模型。该模型将冲击滤波器耦合在其中,使其在恢复图像的同时能有效地增强边缘。同时,给出一种构造正则化参数的方法。仿真实验表明,该模型在对带噪图像进行自适应恢复时,能较好地保护边缘信息,增强纹理特征,得到了较为满意的结果。     

基于自适应卡尔曼滤波的汽车前后轴干扰力估计

针对汽车自动车道保持控制中汽车侧向干扰信息难以直接获取,提出把汽车动力学模型和自适应卡尔曼滤波理论相结合进行汽车前后轴干扰力估计.在线性二自由度汽车动力学模型中考虑前后轴的侧向力干扰,以辅助变量横摆角速度、侧向加速度和方向盘转角为量测信息,通过改进的自适应卡尔曼滤波算法建立了前后轴干扰力的最小方差估计,并对量测信号进行了滤波降噪.基于ADAMS/Car的虚拟试验验证了该算法具有较高的估计精度,可以为汽车侧向控制系统中估计器的设计提供理论指导.     

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降,通过构建强跟踪滤波器(strong tracking filter,STF)可以提升滤波算法的自适应性,但是构建STF时存在理论推导复杂、求解计算量大等局限和不足,针对上述问题,在平方根容积卡尔曼滤波(square-root cubature Kalman filter,SRCK...     

一类基于鲁棒统计的噪声抑制变分模型与算法

从最大后验概率估计和马尔科夫随机场出发,将图像梯度场的分布建模为混合加权的容许密度类,利用鲁棒统计学中的Hubber定理,导出了一类鲁棒性密度。建立了一类由L2范数或L1范数数据保真约束和鲁棒意义下的图像正则化项组成的噪声抑制变分模型。提出了该类模型的基于梯度最速下降的有限差分算法。在Matlab集成环境下进行了六组不同噪声抑制变分模型的仿真实验,通过计算峰值信噪比和结构化相似指标给出了性能评价结果。     

基于自适应卡尔曼滤波盲多用户检测的新算法

研究在稳态的码分多址(code-divisionmultiple-access,CDMA)系统存在很强的抗多址干扰时,使多用户检测中的最优判决向量的估计保持较高的数值鲁棒性的算法。采用一种新的自适应卡尔曼滤波多用户检测算法估计CDMA系统多用户接收器的最优判决向量,高性能盲自适应多用户检测算法。通过仿真实验,可以看出,该算法收敛速度快、跟踪性能好、数值稳定性好。仿真实验表明,提出的方法能够有效抑制阵发性多用户干扰,具有很强的抗多址(multipleaccessinterference,MAI)干扰能力和较高的数值鲁棒性。     

基于自适应多重渐消因子卡尔曼滤波的

针对传统卡尔曼滤波器在模型失配和噪声时变情况下滤波精度下降甚至发散的问题,设计了一种新的多重渐消因子卡尔曼滤波算法。该算法通过一个基于渐消记忆指数加权的新息协方差估计器来计算新息协方差估计值,并依此引入多重渐消因子对预测误差协方差阵进行调整,使得各滤波通道具有不同的调节能力,克服了单渐消因子对多变量跟踪能力差的局限性,从而提高滤波算法的精度和鲁棒性。仿真和试验结果表明,新算法能有效抑制滤波器发散,其滤波精度和鲁棒性优于常规卡尔曼滤波与单渐消因子卡尔曼滤波,能够更好地满足工程应用的要求。     

基于直方图的自适应高斯噪声滤波器

图像滤噪时,利用原图像的信息越多滤波效果越好,但这通常是不可行的或不可能的。为此提出了一种图像恢复的新方法。该方法通过输入图像估计出原图像的直方图,并从该直方图得到一个包含原图像信息的模糊隶属度函数,以此隶属度函数构建一个模糊加权平均滤波器。该滤波器能够根据图像区域特性差异及噪声强弱自适应地采用不同的滤波尺度。实验结果表明,该滤波器滤波效果优于传统的滤波器和其它模糊滤波器,特别是当噪声发生概率超过0 3时,其滤波效果更加明显。     

基于广义卡尔曼滤波的飞机防滑刹车变结构控制

飞机防滑刹车控制的关键是控制机轮的滑移率，为了使机轮工作在最佳滑移率，得到最大结合系数，提出了一种基于滑移率控制的防滑刹车变结构控制律。由于飞机滑跑时的真实速度很难测量，为此采用广义卡尔曼滤波器得到飞机刊车系统非线性模型的状态估计，状态估计值作为防滑刹车控制器的输入。计算机仿真结果显示该控制律改善了飞机的防滑刹车性能，具有较强的鲁棒性。     

Scheme of adaptive polarization filtering based on Kalman model

1.INTRODUCTIONIn modern high technology war,the electroniccounter measures(ECM)and precise guidance tech-nology are rapidly developed and becoming the re-search hotspot of militarysciencefor all the countries.The guidance missiles are the main weapons andhigher anti-jamming ability and guidance precision arerequired for guidance radar.For the active mono-pulse guidance radar,the angle information of thetarget is obtained by usingthe angle measured methodof amplitude sum/difference or pha…     

Generalized reliability measures of Kalman filtering for precise point positioning

To deal with the adverse influence of model failures on Kalman filtering (KF) estimation, it is necessary to investigate the generalized reliability theory, including the model failure detection and identification method as well as the separability and reliability theories. Although the generalized reliability theory for the least square has been discussed for many decades, the generalized reliability theory of KF is not widely discussed. Compared with the least square, KF includes not only the measurement model, but also the dynamic model. In KF, the predicted value of the state parameters from the dynamic model is considered as pseudomeasurements and combined with the observed measurements to compose the form of the least square. According to the reliability of the least square, the generalized reliability of KF is derived. Then, the dynamic model failure of precise point positioning is simulated to demonstrate the usage of the generalized reliability theory. The results show that the adverse influence of the dynamic model failure is more severe than that of the measurement model. Moreover, it is recommended that the model failure identification should always be used even if the overall model test passes. It is shown that the derived generalized reliability measures are suitable for the generalized KF estimation.     

基于卡尔曼滤波的锁频环改进算法

为了在树荫下、建筑物内等受遮挡的环境中实现对弱信号的跟踪,需要对传统的载波环路加以改进。提出一种基于卡尔曼滤波的锁频环(frequency lock loop, FLL)改进算法,在传统FLL的鉴频器与环路滤波器中间加入卡尔曼滤波模块,并在环路滤波器和卡尔曼滤波模块之间加入数据处理模块。在相同条件下,分别对传统FLL和改进后FLL进行仿真测试。实验表明,改进后的FLL不仅能跟上信噪比低至-30 dB的信号,且在跟踪精度上也比传统FLL提高很多。     

干扰条件下自适应滤波定位精度分析

在干扰条件下,单纯采用自适应滤波(adaptive Kalman filter, AKF) 或扩展卡尔曼滤波器(extensive Kalman filter, EKF) 在全球导航卫星系统/惯性测量单元(global navigation satellite systems/inertial measurement units, GNSS/IMU)组合导航的运用中都无法达到系统精度最优。为了指导组合导航系统的数据融合滤波器设计,获取AKF和EKF定位性能的经验数值是十分必要的。首先推导出EKF和一种AKF算法--新息序列自适应估计(innovation based adaptive estimation, IAE)的数学模型和计算公式。然后提出了一种实际数据结合仿真的验证方法。针对不同的干扰程度造成的精度降低的测量值,比较AKF算法跟普通EKF在GNSS/IMU组合导航数据融合中的定位精度性能。试验和仿真得到了在实验所采用的IMU精度条件下,自适应滤波在组合导航方面的定位性能的经验曲线以及IAE与EKF定位精度存在的临界点。     

基于粒子群优化的卡尔曼滤波去耦算法

针对相控阵雷达导引头由于前向通道增益和波束控制增益刻度尺度不同引起的扩展卡尔曼滤波(extended Kalman filter, EKF)去耦中误差量过大的问题,提出了基于粒子群优化的EKF去耦算法。采用了最小均方差为适应度函数,对两个增益参数进行组合优化,然后通过建立EKF的系统模型,推导了提取的视线角速率与增益参数之间的关系,使得滤波后的估计值为最优的后验估计。最后,通过仿真表明该算法可以很好地解决误差量过大的问题,并验证了所提算法在相控阵雷达导引头去耦和视线角速率提取中的有效性。     

基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least mean square, NLMS)算法和最小二乘(recursive least-square, RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。     

多水听器分布式扩展Kalman滤波融合算法

数据融合是信号处理领域非常引人注目的问题。在极坐标系下改进了直角坐标系下的扩展Kalman滤波算法,利用多传感器融合的基本理论,提出了用于水下目标的多水听器分布式扩展Kalman滤波融合算法。分别在目标不发生规避和目标发生规避两种情形下进行了仿真实验。结果表明,所提出的融合算法具有很好的跟踪性能,非常适合于工程的实际应用。     

基于贝叶斯网络自适应推理的无人机任务决策

针对不确定环境下无人机任务决策问题, 提出一种基于变结构离散动态贝叶斯网络的自适应推理算法. 该算法能够利用软/硬证据和先验信息动态地调整任务决策模型参数, 通过推理和参数学习互动的方式使任务决策模型具备适应动态环境的能力. 仿真证明, 提出的自适应推理算法能够在突发威胁信息不完备、先验参数不精确和先验参数无认知的情况下为无人机任务决策提供保障.     

基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping, FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter, AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。