求积分卡尔曼粒子滤波算法

针对非线性/非高斯系统的状态估计问题,提出一种采用求积分卡尔曼滤波(QKF)算法来产生重要性密度函数的粒子滤波新算法--PF-QKF算法.新算法使用统计线性回归的方法,通过一套高斯一厄米特积分点来线性化非线性函数,不需要计算雅可比矩阵,易于实现,而且所产生的重要性密度函数在系统状态转移概率密度的基础上,融入最新的观测数据,提高了对系统状态后验概率的逼近程度.理论分析和实验结果表明,PF-QKF算法的估计精度比无味粒子滤波(PF-UF)算法提高了约18%,其计算复杂度比PF-UF算法稍有降低,表明PF-QKF算法是一种很有效的非线性滤波算法.     

观测域求积分卡尔曼滤波的机载无源定位算法

针对机载无源定位系统中存在滤波稳定性差、收敛速度慢、定位精度差等问题,提出一种观测域平方根求积分卡尔曼滤波算法.新算法兼顾了观测域滤波和平方根求积分卡尔曼滤波的优点,将状态矢量中的各个分量自动解耦,分离了可观测项和不可观测项;通过采用Gaussian-Hermit积分规则提高了非线性变换后随机变量参数的估计精度,有效地...     

采用平方根高斯核积分滤波的目标跟踪算法

为进一步提高目标跟踪精度，提出了一种新的平方根高斯核积分滤波算法(SGKQF)。选取比例因子重构高斯-厄米特积分点，利用高斯核构造的线性方程组计算相应权重，从而建立单变量高斯核积分规则；采用张量积方法将其扩展到多变量积分规则，以实现对多维积分的数值近似；将其引入非线性高斯递推滤波框架中，为增强算法的稳定性，在滤波过程中使用协方差的平方根形式，得到SGKQF算法。将所提算法应用于纯方位目标跟踪系统中，仿真结果表明，在选取合适高斯核带宽的条件下，相对于传统GHQF算法，SGKQF对目标位置和速度估计的精度分别提高了8.7%和11.8%,可获得更高的滤波估计精度。     

扩展卡尔曼粒子滤波算法的一种修正方法

针对扩展卡尔曼粒子滤波（EKF-PF）算法滤波精度较低的缺点，提出对其建议分布进行高阶修正的新算法．该算法针对非线性系统方程，基于二阶泰勒级数展开，利用高阶项对一阶扩展卡尔曼滤波（EKF）的状态估计向量及协方差阵做出适当修正，同时考虑到协方差阵计算中存在矩阵相减运算、计算误差以及参数不匹配等因素的影响，采用矩阵QR分解技术保证了协方差阵的正定性．新算法在一定程度上减小了局部线形化的截断误差，提高了建议分布的逼近程度．仿真实验表明，新算法在计算量增加不多的情况下，滤波精度有明显的提高．     

改进新息自适应交互多模的GPS/SINS组合导航滤波算法

针对量测噪声统计特性未知会影响GPS/SINS组合导航滤波精度的问题,提出了一种改进新息自适应的交互多模滤波算法:在估计新息协方差矩阵时,将在不同长度估计窗下得到的估计值进行加权组合,优化了估计窗口的选取;然后估计系统的量测噪声阵,并以该估计值为中心对称地构建交互多模模型集,再进行交互多模滤波,该方法解决了传统交互多模算法在噪声统计特性未知情况下模型数量与计算速度之间的矛盾。仿真结果表明:相比于标准卡尔曼滤波和单一估计窗口新息自适应交互多模滤波,该方法具有更高的滤波精度和抗干扰性。     

二阶中心差分粒子滤波算法

为了改善非线性系统状态估计问题中粒子滤波算法的估计精度,提出采用二阶中心差分滤波方法来产生建议分布函数的新算法.新算法对非线性系统方程作中心差分的二阶Stirling插值公式进行展开,不需要计算雅克比矩阵,易于实现,并且采用Cholesky分解技术保证了协方差的正定性,在一定程度上减小了局部线性化近似的截断误差,并且在系统状态转移概率的基础上融合了最新的量测数据,提高了建议分布对系统状态后验概率的逼近程度.仿真实验表明,与无迹粒子滤波算法相比,新算法的计算量更小,估计精度提高了20%以上.     

含未知输入非线性系统的扩展平方根容积卡尔曼滤波算法

针对工程实际应用中存在的未知输入会导致经典的非线性滤波器状态估计精度下降甚至滤波发散的问题,提出了一种基于最小方差无偏估计(minimum variance unbiased estimation, MVUE)准则的扩展平方根容积卡尔曼滤波(extended square-root cubature Kalman filter, ESRCKF)算法。首先,结合上一时刻未知输入估计值对状态一步预测值进行修正,得到含未知输入条件下的状态预测值。其次,设计新息并采用加权最小二乘(weighted least squares, WLS)法获取当前时刻未知输入的无偏估计。最后,通过最小化协方差矩阵的迹,同时采用拉格朗日乘子法和舒尔补引理得到系统状态的最小方差无偏估计。仿真结果表明,相比于现有的非线性滤波算法,ESRCKF算法提高了在处理含未知输入非线性系统时的状态估计精度,并能同时实现系统状态和未知输入的最优估计,验证了该算法的有效性。     

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计研究

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。     

遗忘漂移时变系统的辨识

遗忘漂移时变系统的辨识极为困难 ,关键在于参数模型中的矩阵 H是未知的。为解决此问题 ,提出了当 H已知时 ,采用遗忘梯度辨识算法和多新息辨识算法 ;当 H未知时 ,采用递阶辨识方法。提出的遗忘梯度算法、遗忘漂移多新息辨识和递阶辨识算法的计算量都较增广 Kalm an滤波算法小。仿真结果表明 :遗忘梯度算法估计遗忘漂移时变参数的精度优于 Kalm an滤波算法     

未知噪声协方差的自适应容积卡尔曼滤波

针对噪声协方差不确定情况下容积卡尔曼滤波解决非线性目标跟踪中存在的问题,提出了一种优化的自适应容积卡尔曼滤波.首先根据新息序列和残差序列导出的线性矩阵方程得到噪声的协方差,基于新息序列与残差序列的相关性,推导出一种新的过程噪声协方差Q估计方法;然后采用残差序列对测量噪声协方差进行估计,利用加权因子将当前的噪声协方差矩阵与估计值组合成为新的测量噪声协方差阵R,有效避免了不准确状态估计的局限性.仿真结果表明:在时变噪声协方差的条件下,所提出的自适应容积卡尔曼算法的跟踪精度明显提高.     

一种高精度自适应粒子滤波算法

针对非线性非高斯系统的状态估计问题,提出一种新的高精度自适应粒子滤波算法.该算法采用有限差分扩展卡尔曼滤波器产生优选的建议分布函数,融入最新量测信息,有效克服了粒子退化问题;考虑到预测误差对粒子采样效率的影响,引入系统估计和预测提供的新息差值,通过新息差值在线自适应调整采样粒子数,较好地保证了粒子采样的高效性.理论分析...     

基于支持向量回归机的自适应差分滤波算法研究

针对差分滤波(DDF)算法存在因噪声统计特性与实际不符而导致的滤波精度降低甚至发散的问题,提出了一种基于支持向量回归机的自适应差分滤波(SVRADDF)算法.将测量值的新息协方差与理论协方差之间的差值作为支持向量回归机的输入、输出调节噪声统计特征的自适应因子,实时修正DDF噪声协方差,根据实际噪声变化调整噪声协方差矩阵,从而提高滤波精度.针对水下目标纯方位角跟踪系统的蒙特卡洛仿真实验表明,在相同初始噪声特性条件下,所提出的SVRADDF算法具有较好的估计效果和鲁棒性,估计精度、稳定性及收敛时间等性能明显优于单纯DDF算法.     

δ-广义标记多伯努利滤波器的非线性应用扩展

针对非线性模型下δ-广义标记多伯努利(δ-GLMB)滤波器的序贯蒙特卡洛(SMC)实现过程计算复杂度过高、难以实现快速准确滤波的问题,给出了δ-GLMB滤波器的积分卡尔曼高斯混合(QK-GM)实现过程。该算法基于Gauss-Hermite数值积分规则获取一组带权重的积分点,利用这些积分点求取多目标密度函数的均值和协方差矩阵。将该算法与已有的扩展卡尔曼高斯混合(EK-GM)实现、无味卡尔曼高斯混合(UK-GM)实现和SMC实现在不同的杂波强度和检测概率条件下就多目标跟踪精度和时间消耗等方面做了较为详细的对比,结果表明,与SMC实现方法相比,QK-GM-δ-GLMB算法能以完全可接受的时间开销为代价,将多目标跟踪精度提高10%以上。该算法为δ-GLMB滤波器在非线性场景中的应用提供了一种新的实现方法。     

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.     

新型粒子滤波算法在传递对准系统中的应用

为了提高传递对准非线性系统状态估计中粒子滤波算法的估计精度,提出了一类应用中心差分滤波(CDDF)算法产生粒子建议分布的中心差分粒子滤波(CDDPF)算法.该算法应用Stirling插值公式逼近非线性函数,用Cholesky分解确保误差方差阵正定性,获得滤波稳定数值计算;应用CDDPF算法生成粒子建议分布,能够融合最新量测信息;最后应用新算法对传递对准系统模型进行最优滤波,CDDPF算法数值计算稳定性优于UKPF算法,状态变量估计精度得到明显提高.     

容积粒子滤波算法及其应用

针对使用现有粒子滤波算法对非线性/非高斯离散时间系统的状态估计精度较低的问题,提出了一种新的粒子滤波算法——容积粒子滤波(CPF)算法.新算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,产生粒子滤波算法的建议性密度函数,获得所需要的带权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计.CPF算法由于产生粒子时使用了最新的测量信息,因而提高了对系统状态后验概率的逼近程度.仿真实验结果表明,CPF算法的估计误差约是标准粒子滤波算法和扩展粒子滤波算法误差的1/5和1/3,是无味粒子滤波(UPF)算法的估计误差的1/2,且运行时间只有UPF算法的1/3.     

有限记忆量测噪声在线估计的Kalman改进算法

针对有限记忆量测噪声在线估计算法中,新息残差序列对渐变噪声的统计滞后问题,提出了一种新息变化率构建算法.该算法利用当前统计周期内新息绝对值的均值与前一统计周期内新息均值的绝对值构造新息变化率,并在此基础上提出了利用新息变化率作为量测噪声估计阵修正因子的改进算法.仿真比较了在无噪声变化、噪声突变与噪声渐变3种不同情况下,算法改进前后的滤波效果.仿真结果表明,该算法在保留对突变噪声有效检测的同时,提高了对渐变噪声的检测速度,从而提高了有限记忆量测噪声在线估计算法对量测噪声阵的计算精度.     

基于变分贝叶斯的容积平滑变结构滤波

为了减小建模误差和未知量测噪声特性对非线性状态估计的影响,该文提出了1种新的容积平滑变结构滤波算法。融合了非线性容积变换规则,可避免线性化误差。利用滑模变结构思想计算最优平滑边界层,约束建模误差的影响。利用变分贝叶斯实时估计动态系统的量测噪声特性,有助于优化平滑边界层的阈值。仿真结果表明,相比传统非线性滤波算法,该文算法精度可提高28.5%,具有更好的滤波性能。     

自回归模型的多新息随机梯度和多新息最小二乘辨识方法

将多新息辨识理论用于研究自回归模型的参数辨识问题,通过把标量新息扩展为向量新息(即多新患),扩展信患向量到信患矩阵和构成堆积系统输出,从而提出了自回归模型的多新息随机梯度辨识算法和多新息最小二乘辨识算法.仿真结果验证了提出算法的有效性.     

SINS/CCD系统四元数中心差分姿态估计算法

针对载体捷联惯性导航系统(SINS)姿态确定中乘性四元数扩展卡尔曼滤波在大初始失准角情形下收敛速度慢及计算精度较低的问题,提出了捷联惯导与星敏感器组合系统姿态估计模型的单位四元数二阶中心差分算法.在推导系统姿态四元数非线性误差模型及其变量计算基础上,利用拉格朗日代价函数法计算四元数加权均值和四元数状态向量,以及非四元数向量分离策略计算估计均值及其方差矩阵,实施中心差分最优姿态估计计算达到提高算法计算精度和降低系统计算量的目的.仿真验证表明:在载体大初始失准角情形下,该算法相比于乘性扩展卡尔曼算法和四元数无迹卡尔曼算法,滤波精度得到提高,算法收敛速度相比于乘性扩展卡尔曼算法有所改善.