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.     

动态系统的实时多尺度估计和融合算法

介绍了一种最优动态多尺度估计和融合算法，讲座了在数据残缺的情况下，如何得到等效的测量值和测量方程；给出了当测量的采样率为任意值时，对测量数据的处理方法。     

具有噪声估计机制的偏差迭代图像复原

研究了Morozov偏差方程,将图像退化模型的Tikhonov正则化解构造Morozov偏差方程.用小波变换估计图像信号的噪声能量,并运用到Morozov偏差方程中,利用Morozov偏差原理迭代求取正则参数,从而得到正则化解.提出了一种具有噪声能量估计的偏差迭代图像复原正则化方法.实验表明:在图像信号噪声未知的情况下,该迭代方法的图像复原具有较快的计算收敛速度和较好的复原能力.     

基于小波分析与卡尔曼滤波的网络流量估计和预测方法

将目标状态的小波变换系数向量描述为卡尔曼滤波方法的状态变量,进而建立了网络流量估计和预测模型,能够实现周期内的实时跟踪和动态多步预测.利用CERNET华中地区主干网的实测流量数据对该模型进行检验,所有检验周期网络流量预测值的相对误差均值为4.58%,表明网络流量估计和预测模型具有较强的适用性.     

基于D-J阈值的加性白噪声方差估计改进方法研究

本文提出了一种基于D-J阈值的加性白噪声方差估计方法．与中值方差估计方法相比，采用本文提出的方法估计的噪声方差从统计意义上看更准确，并具有更小的离散性．本文通过模拟的逐段光滑信号来评价该方法的有效性，并给出了与中值方差估计方法的比较结果．结果显示特别是在信号采样序列的长度有限时，采用本文方法可以获得比中值估计方法更准确、更可靠的白噪声方差估计．     

基于无抽取Haar算法的实时卡尔曼滤波方法

针对基于分段方式的多尺度卡尔曼滤波其计算量大、延时长的问题,提出基于无抽取Haar算法的实时卡尔曼滤波方法,该方法采用简单的加减、移位运算在t时刻完成多尺度变换,然后在各个尺度进行小波阈值去噪和卡尔曼滤波;为了验证该方法的有效性,在自主改装的智能车上对低精度加速度传感器进行实验.研究结果表明:通过小波重构完成信号处理,提高了算法实时性,并且有效减少重复运算;实时卡尔曼滤波方法有效提高了传感器的性能,在不能准确估计状态转移误差情况下,该方法的去噪性能优于单独的卡尔曼滤波去噪性能.     

带有相关噪声离散线性系统改进的卡尔曼滤波

研究在系统噪声和观测噪声相关情况下带有控制输入离散线性系统的估计问题,基于卡尔曼滤波和卡尔曼滤波的哈密尔顿方法,提出了一个改进的卡尔曼滤波算法.与经典卡尔曼滤波相比,此算法不需要计算卡尔曼增益矩阵和观测序列的条件均值,并在需要更少回归方程且回归方程易于计算的情况下,取得了最优性能.因此,此算法易于应用.仿真结果表明,此算法能够有效地估计系统状态.     

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。     

有色噪声下的卡尔曼滤波

以平台式惯导系统为例 ,论述了如何用卡尔曼滤波技术处理有色噪声 .     

基于电流纹波纯硬件波形转化的车窗防夹设计

针对电动车窗系统的安全和快速响应的要求,设计了纯硬件电路的纹波-方波转化模块,可对车窗电机的电流纹波进行数字化波形转换,从而得到类似采用霍尔传感器方式的方波信号.此信号的频率数倍于霍尔传感器信号,可用于判断电机的转速,再结合检测电机的电流值的方法,可以作为电动车窗防夹控制的产品方案.试验使用情况表明:该防夹控制方案稳定、可靠,防夹反应速度快,具有一定的实用性和推广价值。     

基于Burg算法与卡尔曼滤波的有色噪声状态估计

探讨一种有色噪声卡尔曼滤波算法。基于静态环境下多传感器的噪声信号,借助Burg算法和自回归模型,获得可在线估计噪声信号的噪声模型,进而结合经典卡尔曼滤波算法,获得可估计系统状态的有色噪声卡尔曼滤波模型。数值实验结果比较显示该模型对系统的状态估计精度高、噪声抑制能力强。     

基于Kalman滤波的白噪声估计理论的推广

应用Kalman滤波方法和射影理论,将现行的白噪声估计理论推广到一般的随机系统,其中系统噪声在相邻时刻是相关的,且系统噪声和观测噪声在相同和相邻时刻也是相关的。提出了统一的最优和稳态白噪声和拟白噪声估值器。一个仿真例子说明了其有效性。     

基于噪声顺序解相关的两阶段Kalman滤波融合

针对传统两阶段Kalman滤波只能处理单一或部分复杂噪声情形,在充分考虑多雷达跟踪系统的误差噪声有色建模和四类噪声相关性建模基础上,建立一种基于噪声顺序解相关的两阶段Kalman滤波融合算法。首先给出能有效避免噪声相关性耦合化的噪声解相关顺序,进而应用等价变换技术来获得有色噪声、过程噪声和测量噪声三者间不相关的目标跟踪融合模型,最后应用平方根分解和单位下三角阵求逆技术来实现多雷达量测噪声相关系统的集中式Kalman滤波融合,并通过4个仿真实验验证了该算法对复杂噪声情形的有效性和高精度。     

基于Kalman滤波的信息融合白噪声最优反卷积滤波器

应用Kalman滤波方法 ,基于Riccati方程 ,在线性最小方差最优信息融合准则下 ,提出了两传感器最优信息融合白噪声反卷积滤波器。同单传感器情形相比 ,可提高滤波精度。它可应用于石油地震勘探信号处理。一个信息融合Bernoulli Gaussian白噪声反卷积滤波器的仿真例子说明了其有效性     

小波变换与卡尔曼滤波联用处理ICP-AES光谱信号

提出了用小波变换-卡尔曼滤波联用方法处理含强噪声的严重重叠的ICP-AES光谱信号。模拟试验结果表明，虽然卡尔曼滤波法对重叠信号具有极强的分辨能力，但对噪声较敏感。当噪声含量较高时，滤波结果与真实值相去甚远。而采用联用方法时，即使噪声含量高达50％，干扰线与分析线几乎完全重叠，所得结果的误差基本上都在10％以内。用该法测定了受V干扰的Yb和受Cu干扰的Zn，得到比较满意的结果。     

基于Kalman滤波的自适应MIMO信道估计

给出了一种基于Kalman滤波的自适应MIMO信道估计方法，分析了算法的剩余误差能量随迭代次数增加的变化情况，对饱和MIMO系统和欠饱和MIMO系统，分别采用Kalman自适应MIMO信道估计方法和最大似然信道估计方法，进行了数值仿真和对比。从对比的结果来看，文中给出的Kalman自适应信道估计具有和最大似然信道估计相近的性能，而在饱和系统中，Kalman估计算法性能要略好一些。     

一种改进的滤波器噪声模型的自适应估计法

提出了一种改进的加权最小二乘法估计噪声统计特性Q和R的方法。该方法在最小二乘法的基础上,通过建立次优估计新息自相关函数来确定权值并递推出最优增益。进而推出了噪声的统计特性,并且简化了Q的推导方法。仿真结果表明,加权后的估计值比不加权的估计值收敛更快,精度更高。     

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.     

基于Kalman滤波的稳态白噪声估值器

基于 Kalman 滤波,对带非零均值的相关噪声系统提出了统一的稳态白噪声估值器,可统一处理白噪声滤波、平滑和预报问题。它们包括稳态输入白噪声估值器和观测白噪声估值器,且包括白噪声新息滤波器和 Wiener 滤波器。一个 Bernoulli-Gaussian 白噪声的仿真例子说明了它们的有效性。