具有状态约束的集员卡尔曼滤波器设计

针对状态约束问题,提出具有状态约束的集员卡尔曼滤波算法.采用最小迹椭球算法对状态向量的椭球域进行更新,同时分别在预测和滤波的两个阶段用投影的方法把没有约束的状态估计投影到有约束的状态估计表面处理约束问题.将所设计的集员卡尔曼滤波器应用到三维追踪实例中,实例仿真结果证明了所提方法的可行性和有效性.     

约束无迹粒子滤波及其在车辆导航中的应用

针对城市高楼密集区,卫星导航信号易被干扰或遮挡、航位推算长期定位误差积累导致车辆组合导航定位精度差的问题,提出一种约束无迹粒子滤波算法。首先,该算法利用无迹卡尔曼滤波对实时状态的均值和方差进行估计,生成的高斯分布作为粒子采样的重要性函数,克服了粒子滤波重要性函数难以选取的问题。其次,采用从观测方程中提取约束条件、构建约束方程的方法,解决约束条件难以构造和新增约束方程导致算法计算量激增的缺陷。再次,通过构造拉格朗日函数,得到无迹粒子滤波的状态估值投影到约束平面的最小值。然后,设计车辆组合导航系统的车辆运动约束方程和道路约束方程,对状态估计值进行约束,修正误差大的估计值,提高了状态量的估计精度。最后,将提出的约束无迹粒子滤波应用到全球定位系统/航位推算车辆组合导航系统中进行仿真验证,并与无迹粒子滤波和自适应无迹粒子滤波进行比较。结果表明:提出的算法估计得到位置误差均值控制在1.5 m左右,而2种比较算法估计得到的位置误差均值控制在3 m左右;提出算法的位置误差估计精度明显优于2种比较算法,车辆组合导航定位性能得到了改善。该方法为驾驶人提供了可靠的反馈信息,避免了交通事故的发生,从而减小了人员伤亡和经济损失。     

线性系统在非线性等式约束下的集员卡尔曼滤波

为了解决运行系统要求的100%估计包含真实最小域的需要和计算机的实时计算问题,使用集员卡尔曼滤波算法解决非线性状态约束.采用最小迹椭球算法对状态向量的椭球域进行更新,同时分别在预测和滤波的2个阶段用投影的方法把没有约束的状态估计投影到有约束的状态估计表面来处理约束问题.最后将所设计的集员卡尔曼滤波器应用到汽车追踪实例中.实验结果表明:采用所提算法的系统只是在初始值有比较大的误差,在后续的跟踪过程中都能在最大最小界之内跟踪上真实值.所提算法相比于传统的卡尔曼算法,其误差能迅速减小.实例仿真结果证明了所提方法的可行性和有效性.     

马尔可夫过程的低秩谱估计

针对马尔可夫过程的谱估计算法利用了非负投影而导致估计矩阵不能满足低秩要求的问题，提出一个低秩谱估计算法(Low-rank Spectral Estimation Algorithm, LRSEA):首先，建立秩约束状态转移矩阵集合的局部Lipschitz型误差界，并给出满足该集合误差界不等式的近似投影矩阵; 然后，基于近似投影矩阵对现有的谱估计算法进行低秩修正，得到LRSEA算法，并为该算法建立统计误差界。通过人工合成数据实验对LRSEA算法、经验估计方法和谱估计方法进行比较，结果表明LRSEA算法的估计误差最小。最后，将LRSEA算法与k-均值聚类算法结合应用到纽约市曼哈顿岛出租车轨迹的分析问题。     

考虑状态约束的容积卡尔曼滤波估计算法

针对传统非线性滤波未考虑状态约束的局限,提出一种考虑状态约束的容积卡尔曼滤波算法。将状态约束转化为增益约束,结合最小方差估计给出最小约束代价函数;同时,采用相径容积规则近似计算系统状态的后验均值和协方差,给出等式状态约束下的容积卡尔曼滤波递推公式。最后,对路径约束条件下的导航定位系统进行仿真,结果表明算法定位精度优于常规容积卡尔曼滤波算法,较好地解决了非线性系统存在等式状态约束时、常规容积卡尔曼滤波算法不满足约束条件且估计精度差的问题,验证了算法的有效性。     

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

高斯混合粒子滤波器在静基座捷联惯导系统初始对准中的应用

为解决传统粒子滤波算法中影响状态估计性能的采样枯竭问题,提出一种高斯混合粒子滤波(GMPF)算法,基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,采用加权EM算法取代传统粒子滤波的再采样过程,减弱了采样枯竭的影响,增强了算法的估计性能.对捷联惯导系统静基座大方位失准角初始对准的仿真结果表明,该算法的估计精度优于扩展卡尔曼滤波.     

基于粒子滤波参数估计的混沌保密通信系统

针对混沌参数调制保密通信系统中扩展卡尔曼滤波算法和无味卡尔曼滤波算法对混沌系统的状态和参数估计性能较差的问题,提出了用粒子滤波算法估计混沌系统参数的方法。在系统的发送端,通过待发送的二进制符号调制混沌系统的参数进而产生混沌信号。在接收端,粒子滤波器用接收到的混沌信号估计出相应的混沌系统参数,从而恢复出发送端的二进制符号。仿真结果表明,较扩展卡尔曼滤波和无味卡尔曼滤波,粒子滤波算法在估计混沌系统参数时具有更短的收敛时间和更小的估计误差,能更有效地实现混沌保密通信。     

带有等式状态约束的多传感器数据融合算法

在状态估计理论的实际应用中,状态向量常常包含可以预先获知的约束信息,有效地利用这些先验信息可以进一步明确状态元素之间的关系,理论上可以提高对系统的状态估计精度.针对约束滤波的已有研究成果,将其引入到多传感器系统,提出了约束系统多传感器数据融合算法.通过建立线性等式约束方程,将传统卡尔曼滤波结果投影到约束子空间,然后对局部传感器的约束滤波结果采用分布式最优加权融合,并且通过协方差匹配技术检测观测数据异常的传感器,使之不参与到数据融合中.仿真结果表明,约束系统分布式加权融合算法的有效性和可行性,并且比集中式融合算法具有更好的稳定性.     

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.     

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。     

耦合遗传算法的数据同化系统误差处理方法

针对数据同化系统中的误差估计与处理问题,介绍了集合滤波数据同化系统中各种误差来源及特征;侧重于在集合数据同化中为防止滤波发散的乘数放大法、附加放大法和松弛先验法等模型误差处理方案,利用经典的非线性模型-Lorenz模型开展了数值试验.在此基础上,提出了一种耦合遗传寻优算法的数据同化系统,来解决以往的误差调节因子由反复实...     

基于投影正交化的状态空间模型降维研究

提出一种改进型状态空间系统设定,当状态变量的滞后项存在时,可以不改变变量的维度直接估计,且传统的卡尔曼滤波方法依旧有效。改进了一般状态空间模型需要增加状态变量维度才能进行估计的设定,极大地降低了计算的复杂度,扩展了模型的应用范围。此外,使用Durbin and Koopman（D-K）抽样方法对卡尔曼平滑算子进行重新估计。随后使用仿真实验,对比传统状态空间模型和改进型模型的参数估计结果与计算时长,发现改进型系统下估计结果与传统型的差距甚微,但是计算时长大幅降低且精度提升。而D-K抽样法的效率,相比传统卡尔曼平滑法也有着显著的提升。仿真结果证实了降维方法的有效性。      

基于GNL模型自适应无迹卡尔曼滤波的电动汽车的荷电状态估计

随着电动汽车的高效发展,逐年递增的退役动力电池回收利用已刻不容缓,对电池进行精确、可靠的荷电状态(state of charge,SOC)估计是实现电池梯次利用的关键技术。传统估计方法均未考虑对老化电池影响较高的自放电因素,本文采用在二阶RC模型基础上考虑了自放电因素的GNL电路等效模型,通过脉冲放电对模型参数进行辨识。对相应的状态空间方程利用矩阵二次型方法进行离散化,并利用自适应无迹卡尔曼滤波算法对SOC进行实时估计及更新。在间歇恒流工况和变电流工况下以老化电池为实验对象对算法进行了对比验证,结果表明双卡尔曼滤波法在初值估计不准确的时候不能及时收敛到SOC真值附近并跟随,基于二阶RC模型的自适应滤波算法估计的误差在工况后期较大,基于GNL模型的自适应滤波算法对老化电池的估计精度较高,误差在0.5%之间。结果表明该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC 估计的实际需求。     

Maneuvering target tracking algorithm based on cubature Kalman filter with observation iterated update

Reasonable selection and optimization of a filter used in model estimation for a multiple model structure is the key to improve tracking accuracy of maneuvering target.Combining with the cubature Kalman filter with iterated observation update and the interacting multiple model method,a novel interacting multiple model algorithm based on the cubature Kalman filter with observation iterated update is proposed.Firstly,aiming to the structural features of cubature Kalman filter,the cubature Kalman filter with observation iterated update is constructed by the mechanism of iterated observation update.Secondly,the improved cubature Kalman filter is used as the model filter of interacting multiple model,and the stability and reliability of model identification and state estimation are effectively promoted by the optimization of model filtering step.In the simulations,compared with classic improved interacting multiple model algorithms,the theoretical analysis and experimental results show the feasibility and validity of the proposed algorithm.     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

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.     

基于不敏Kalman滤波的多传感器数据融合算法

针对非线性系统状态估计的有效融合问题,给出了一种基于不敏Kalman滤波的多传感器数据融合算法.首先,依据单传感器的量测利用不敏Kalman滤波器得到局部状态估计值;其次,依据模糊集合理论中隶属度的性质构建反映局部状态估计结果的支持度函数和支持度矩阵,进而实现对于各局部状态估计之间蕴含冗余和互补信息的充分提取;最终,通...     

电动汽车蓄电池荷电状态的卡尔曼滤波估计

对电动汽车剩余里程的预测需要一个准确的蓄电池荷电状态(SOC)值，但目前任何方法都不能精确地测量蓄电池的剩余电量，以计算电动汽车蓄电池的荷电状态(SOC)，在对目前常用的剩余电量计量方法分析的基础上，提出了一种基于电流的测量，然后利用卡尔曼滤波估计递推算法对蓄电池SOC进行实时估计，并在MATLB下进行了仿真。