一种改进的中值滤波算法

讨论了非线性滤波的特点，分析了中值滤波的属性，在阈值分解的基础上，提出了一种非线性递归中值滤波的改进算法．对其在信号和图像处理中的应用进行了初步的探讨，给出了该方案的仿真结果，结果表明，改进后的中值滤波算法与传统的中值滤波算法相比，前者在去噪同时保护边缘信息方面大大优于后者．     

在计算气动声学中用非线性滤波法消除短波

在计算气动声学中，发展能抑制短波而对长波没有影响的方法是一个值得关注的问题．该文探讨了Bjoern Engquist等人提出的非线性滤波法在计算气动声学中的应用．根据一个检验函数，分析了非线性滤波效率与波长的关系；引入了具有TVD性质的非线性滤波法；通过数值算例，说明了保色散关系(DRP)格式与非线性滤波法结合的可行性，表明该方法对于在网格交界面、初始值间断、非线性声波传播等计算气动声学常见情况下产生的短波有很好的抑制作用．     

一种遗传算法优化的无味粒子滤波方法

提出了一种采用遗传算法（GA）优化无味粒子滤波（UPF）的新方法遗传无味粒子滤波器（GAUPF）．在无味粒子滤波（UPF）获得比传统粒子滤波（PF）算法更好的重要性采样分布函数的基础上将遗传机制应用于粒子重采样,以进化设计思想克服粒子退化现象,通过优化UPF算法更好地解决了非线性、非高斯领域的目标跟踪问题．仿真结果表明,该算法较好地解决了粒子退化问题,提高了滤波的精确性．     

基于互信息判据的小波去噪

通常的线性滤波技术不能很好地解决非线性时间序列去噪问题，而现有的非线性去噪技术的参数选择往往要依赖于直觉和经验．为此，提出基于互信息判据的小波去噪方法，利用小波进行非线性去噪处理，并以互信忠作为去噪处理截止的判定条件，给出了小波去噪算法，分析了其优势，并进行了仿真实验．仿真结果表明，小波算法能更好地处理不平稳和突发的噪声；互信息所指示的优化截断尺度，既较好地保留了信号的动力结构，又有效地实现了非线性噪声过滤．     

一种基于局部统计特性的自适应混合滤波器

基于图像的局部统计特性，结合线性、非线性滤波技术和图像序列处理技术，构建了一种新型自适应混合滤波器．该滤波器算法能够有效地滤除混合噪声，与同类算法相比，有更好的滤波稳健性、实时性，并具有较高的实用价值．     

用于状态估计的自适应粒子滤波

分析了粒子滤波的性能关键,提出了一种新的自适应粒子滤波算法．该算法采用一种新提议分布,即将UKF（Unscented Kalman Filter）与自适应强跟踪滤波器（STF）相结合．新提议分布通过UKF构造粒子群,而粒子群中的每个粒子中的每个sigma点用STF来更新,它可以在线调节因子而使得算法自适应．非线性状态估计仿真试验证实了改进的粒子滤波算法的有效性．     

两飞行体相对定位技术及其滤波算法研究

为了解决两飞行体相互之间的定位问题,在二维平面运动模型的基础上提出了相位差变化率定位方法,进行了可观测分析,给出了可观测分析结果。同时简单介绍了几种典型
非线性滤波算法,并将EKF（Extended Kalman Filter）、UKF（Unscented Kalman Filter）、PF(Particle Filter）等非线性滤波方法应用到定位模型中。仿真结果表明,UKF方法用时最短,PF滤波方法精度最高。     

粒子滤波

近年来随着计算机处理能力的快速发展，使得粒子滤波，作为序列信号处理的一种非常有效的方法，成为研究领域的一个热点。它在处理复杂的非线性或非高斯问题的潜力，引起了信号处理、统计学、经济计量学等不同领域的专家学者的关注。本文详细介绍了粒子滤波算法的基本原理，并分析了几种新的粒子滤波算法。     

基于SRCKF的水下航行器动基座初始对准技术

针对当海况不佳时,水下航行器即使处于系泊状态下也会产生大幅晃动,从而使得捷联惯性导航系统（SINS）无法快速完成自主初始对准的问题,提出了利用多普勒计程仪（DVL）提供的速度信息来辅助SINS实现运动中对准的方法．同时针对该环境下SINS只能获取粗略的初始方位信息的问题,提出了基于平方根求容积卡尔曼滤波（SRCKF）的动基座对准滤波算法．该滤波算法克服了扩展卡尔曼滤波（EKF）存在的滤波精度低以及须计算雅可比矩阵的不足,并在滤波过程中以协方差平方根矩阵代替协方差矩阵进行迭代更新,从而提高了滤波算法的收敛速度和数值稳定性．仿真结果表明：该方法能够解决水下航行器的动基座初始对准问题,且对准精度高,数值稳定性好．     

基于多分辨分析的位场滤波算法

将基于多分辨分析（ＭＲＡ）的组合滤波器用于重力位场滤波算法，取得了令人满意的效果．该组合滤波器可以对异常进行更为精细的滤波，在一定程度上解决了常规小波滤波器分解阶数过大的问题．相对于Ｆｏｕｒｉｅｒ分析，ＭＲＡ组合滤波器的频时双重局域性能保持原始异常的形态，更适用于高保真的位场滤波．数值模拟结果表明该算法是有效的．     

求解非线性方程组的非单调滤子算法

提出了一个新的求解非线性方程组的滤子算法,首先把非线性方程组的求解转化成一个非线性优化问题,然后借助非单调技术和滤子技术求解该问题,从而得到了原方程组的解.在适当的条件下,证明了该算法的全局收敛性,初步的数值试验表明了该算法的有效性.     

集成模拟滤波器非线性失真分析方法

非线性失真问题已成为滤波器设计、制造的主要制约因素之一，常用的非线性失真分析方法是用SPICE等数值模拟软件进行分析。本文所提出的适用于集成滤波器失真的分析方法，不仅可以得到相当准确的解析表达式，而且可以为集成滤波器设计的改进提供更多的信息。对于集成滤波器，一般阶数不高或者以二阶滤波器为单元电路，解析法能够充分发挥其优点。     

一种联邦滤波的非线性改进算法

为了解决联邦滤波器在处理非线性复杂噪声信号时效果不佳的问题,引入了无迹卡尔曼滤波算法作为子滤波器,为了降低计算量,对子滤波器的状态更新过程进行了改进,同时优化了逆矩阵的求法.最后进行了仿真,结果表明,文章中的方法比传统联邦滤波算法精度更高,同时耗时较短.为工程应用提供了一种参考.     

热敏电阻测量误差的非线性逆滤波器补偿

热敏电阻传感器存在着严重的非线性静态特性和响应滞后的动态特性，当被测量的温度变化率高于传感器的响应速度时，测量结果与真值之间存在较大的误差．为了补偿这个测量误差，文中采用一个由无限响应的IIR滤波器和静态非线性环节构成的非线性滤波器去减小误差．IIR滤波器的系数通过实验数据得到，它是传感器的动态逆模型；非线性静态环节由查表和插值算法实现．该方法能改善热敏电阻的动态特性，具有不依赖传感器模型的特点．实验结果表明，该方法是有效的．     

Universal Adaptive Observer for Nonlinear Time-varying Deterministic Systems

ＩｎｔｒｏｄｕｃｔｉｏｎＮｏｎｌｉｎｅａｒｏｂｓｅｒｖｅｒｓａｒｅｎｅｃｅｓｓａｒｙｆｏｒｎｏｎｌｉｎｅａｒｃｏｎｔｒｏｌｓｙｓｔｅｍｓｗｈｅｎｔｈｅｒｅａｒｅｎｏｔｅｎｏｕｇｈｓｅｎｓｏｒｓｔｏｍｅａｓｕｒｅａｌｌｔｈｅｓｔａｔｅｓｏｒｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｍｅａｓｕｒｅｓｏｍｅｏｆｔｈｅｓｔａｔｅｓｂｙｓｅｎｓｏｒｓ．Ｓｉｎｃｅｉｔｓｉｎｔｒｏｄｕｃｔｉｏｎ［１］,ｎｏｎｌｉｎｅａｒｏｂｓｅｒｖｅｒｓｈａｖｅａｔｔｒａｃｔｅｄｔｈｅａｔｔｅｎｔｉｏｎｏｆｍａｎｙｒｅｓｅａｒｃｈｅｒｓ…     

一种用于GPS定位估计滤波算法的非线性模型

提出了一种将现代非线性滤波技术用于GPS定位估计的方法，该方法可用于低价位的单机GPS接收器的定位，提高它们的定位精度和鲁棒性．应用该方法，根据单机GPS的原始数据、伪距和多普勒频移进行定位估计。开发了一种新的基于非线性滤波的位置和速度估计模型，该非线性模型具有随观察到的卫星数量而改变状态和测量元个数的动态特性．运用一种新型的非线性滤波-平淡卡尔曼滤波求解该模型．GPS定位实验结果表明．与通用的最小二乘迭代法或直接从接受机获得的结果相比，所提出的非线性模型得出的滤波估计结果具有较高的精度和鲁棒性．     

一类非线性随机系统的模糊双曲H_∞滤波

针对伊藤型非线性随机系统,对基于模糊双曲正切模型的H∞滤波问题进行了研究.首先通过定义非线性随机系统的模糊双曲规则基,推导出系统的随机模糊双曲正切模型(SFHM);与Takagi-Sugeno(T-S)模糊模型相比,SFHM不需要前提结构的辨识和完备的前提参数空间,尤其是当所需模糊规则数很多时,采用SFHM明显比T-S模型计算负担小;然后基于该模型进行了滤波器的设计,把非线性随机H∞滤波设计中难以求解的二阶汉密尔顿-雅可比不等式问题转化为线性矩阵不等式问题.仿真结果验证了所提出方法的有效性.     

非线性方程组的一个不使用罚函数和filter的算法

给出了求解非线性方程组的一个新算法,首先将非线性方程组转化为一个非线性规划,再使用一个不使用罚函数和filter的算法求解这个非线性规划,在Jacobi矩阵一致列满秩的条件下证明由算法产生序列的极限点是非线性方程组的解.通过在算法中引进二阶校正技术来克服可能的Maratos效应,可以证明这个方法是局部超线性收敛的.     

求解非线性规划的可行SQP滤子算法

在求解非线性规划问题的方法中,SQP方法是最有效的求解方法之一,而滤子方法也由于有着良好的数值结果,近年来已经广泛应用于非线性规划问题的求解中。文章提出了一类将滤子技巧与可行SQP方法结合起来求解优化问题的方法,该方法保证了每个试探点都不会远离可行域。在适当的条件下证明了算法的收敛性,数值结果证明算法是有效的。     

Passive Target Tracking Based on Current Statistical Model

Bearing-only passive tracking is regarded as a nonlinear hard tracking problem. There are still no completely good solutions to this problem until now. Based on current statistical model, the novel solution to this problem utilizing particle filter （PF） and the unscented Kalman filter （UKF） is proposed. The new solution adopts data fusion from two observers to increase the observability of passive tracking. It applies the residual resampling step to reduce the degeneracy of PF and it introduces the Markov Chain Monte Carlo methods （MCMC） to reduce the effect of the “sample impoverish”. Based on current statistical model, the EKF, the UKF and particle filter with various proposal distributions are compared in the passive tracking experiments with two observers. The simulation results demonstrate the good performance of the proposed new filtering methods with the novel techniques.