基于自适应卡尔曼滤波器的锂电池SOC估计策略

针对卡尔曼滤波(KF)估计SOC过程中噪声的统计特性与实际不符时,滤波精度严重降低问题,为提高SOC估计精度,在二阶RC电池等效电路模型的基础上,提出一种自适应扩展卡尔曼滤波算法(AEKF),通过自适应协方差匹配算法对系统噪声协方差和测量误差协方差进行实时更新,有效解决了滤波参数设置不合理所造成的SOC偏差,实现了系统状态的最优化预测。利用MATLAB进行仿真比较,验证了新算法能够精确地估计SOC,对环境具有一定的适应能力,可以有效校正SOC初值,并降低累积误差和噪声干扰。     

EM-CDKF算法及其SINS初始对准应用

针对非线性捷联惯导系统噪声先验统计信息未知问题,基于中心差分卡尔曼滤波基本算法,采用极大似然准则构造极大期望最速下降梯度算法展开系统未知噪声统计特性在线估计计算研究,构建一类捷联惯导系统初始对准极大期望自适应中心差分最优滤波算法.该算法利用极大似然准则构造系统噪声统计特性对数似然函数,采用极大期望最速下降梯度法把系统噪声统计特性估计转化为对数似然函数期望最大值计算,获得系统过程噪声和观测噪声在线递推估计的自适应极大期望中心差分卡尔曼算法.经过大方位失准角捷联惯导系统初始对准仿真实验,与中心差分卡尔曼滤波基本算法相比,自适应极大期望中心差分卡尔曼算法能够有效解决基本算法在系统噪声先验知识未知情形下的滤波精度下降甚至发散问题,并且能够实现系统噪声统计特性的在线递推估计.     

机动目标跟踪支持向量回归学习新方法

针对强机动性车辆目标的运动建模、控制输入建模和噪声建模的不精确导致的汽车雷达目标跟踪滤波精度低的问题,该文提出了基于支持向量回归(SVR)的机动目标跟踪滤波新方法。在常加速度(CA)模型的基础上,对理论新息协方差与实际新息协方差残差的Frobenius范数在线学习,获得过程噪声协方差的自适应调节因子,实时调整运动模型。对汽车雷达目标跟踪系统的仿真实验表明,该文算法降低了汽车雷达目标跟踪滤波对车辆运动模型和噪声模型的依赖程度,在强机动目标跟踪滤波性能上优于CA模型,比Singer模型具有更强的机动适应性和更高的精度。     

ACDKF在SINS大方位失准角初始对准中的应用

将可以估计系统参数、噪声统计特性和修正滤波增益的自适应估计方法引入到CDKF算法中,并将其应用到SINS大方位失准角初始对准中,实现SINS大方位失准角初始对准,解决了噪声特性不准确的非线性问题,避免了线性化误差对滤波精度的影响,克服了噪声统计特性不准确的局限性,进一步提高了导航精度.采用自适应中心差分卡尔曼滤波(ACDKF)进行初始对准,提高了CDKF算法的收敛性和系统的稳定性.仿真结果表明:ACDKF能够克服噪声统计模型不准确对滤波结果的影响,对失准角的估计精度优于CDKF,进一步提高了系统的精度和可靠性.     

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。     

月心矢量增强XNAV及其自适应滤波方法

针对X射线脉冲星导航(XNAV)难以获取准确的过程噪声统计特性及导航精度低的问题,提出基于自适应差分卡尔曼滤波器(ADDF),融合地月夹角的多信息融合XNAV.首先通过处理从光学相机获得的月球图像得到视场角度和方向矢量的测量模型;然后将该测量模型和传统脉冲星计时观测模型集成到航天器轨道动力学中,以建立ADDF滤波模型;最后对所提方法进行仿真验证.实验结果表明:在相同的初始状态和初始噪声误差下,与无迹卡尔曼滤波器(UKF)和差分滤波器(DDF)相比,ADDF具有良好的噪声自适应能力,其导航位置估计精度提高60%以上,速度估计精度提高25%以上;较之传统计时观测XNAV,融合视场角和月球方向矢量的XNAV方法能够将导航精度提高50%以上.     

基于变分贝叶斯估计方法的双尺度自适应Kalman滤波

针对Kalman滤波在对敌目标估计应用中遇到的量测和过程噪声均未知且时变的情况,提出了一种利用变分贝叶斯估计的双尺度自适应滤波方法。解决了2个关键问题：一是针对量测和过程噪声协方差的共轭后验分布提出了相对转移概率指标,设计了启发式的自适应噪声估计窗口,实现了稳态精度和时变响应性能的综合提升,能适应敌方目标机动性高且统计特性变化快的特点;二是设计了在不同时间尺度上估计过程噪声和量测噪声的协方差方法,解决了在同一时间尺度上使协方差估计值发生严重偏差且增大滤波误差的问题。仿真表明,所提方法能快速跟踪目标状态噪声统计特性的变化并保证估计精度。     

一种SAR图像空间域自适应滤波算法

针对合成孔径雷达(SAR)图像相干斑噪声抑制问题,提出了一种基于支持向量回归(SVR)分析的空间域自适应滤波方法.将SAR图像看作连续二维函数,利用SVR方法对其进行逼近.基于图像的逼近结果描述像素关联性,并基于关联性破坏程度对噪声进行类型分析,对不同类型的噪声采取确定性的抑制算法.为了保证精度,选择小波核函数构建支持向量回归机.实验结果表明该方法是有效的并对经典方法进行了改进.     

在线快速抑噪的自适应强跟踪滤波算法

针对强跟踪滤波算法对系统时变噪声缺乏自适应能力,导致系统状态估计精度较低的问题,提出一种可以在线估计噪声协方差阵的快速抑噪自适应强跟踪滤波算法,该算法可以抑制噪声对系统状态估计的影响,使系统状态估计迅速收敛到真实值附近.仿真实验对比了强跟踪滤波算法和快速抑噪自适应强跟踪滤波算法在噪声变化环境下的性能,结果表明：快速抑噪...     

基于自适应简化容积卡尔曼滤波的编队卫星相对导航

针对在星间相对导航中噪声的统计特性未知可能引起滤波估计精度下降甚至发散的问题，提出了一种自适应简化容积卡尔曼滤波(ASCKF)算法。将Sage-Husa自适应滤波与容积卡尔曼滤波(CKF)相结合，通过容积规则摆脱线性滤波的局限性。改进Sage-Husa噪声估计器以避免噪声方差在线估计可能出现的非正定现象，从而保证了滤波器对噪声统计变化的自适应能力。结合编队卫星运动模型的特点，用常规卡尔曼滤波(KF)的时间更新代替相应的容积变换过程，在不影响滤波器性能的前提下减少了运算量。仿真结果表明：在测量噪声统计特性未知的情况下，与CKF相比，该文算法对相对状态的估计精度提高了近25%,同时滤波器的稳定性也得到了提高。     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.      

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.     

组合导航系统新息自适应卡尔曼滤波算法

全球定位系统(GPS)量测噪声的不稳定变化将造成惯性导航系统(INS)/GPS舰用组合系统卡尔曼滤波器性能下降,在对自适应卡尔曼滤波器分析的基础上,提出了一种新的基于新息估计的自适应卡尔曼滤波算法.该算法通过计算新息方差强度的极大似然估计最优估计,将新息方差计算直接引入卡尔曼滤波器的增益计算.仿真结果表明,本文方法较标准卡尔曼滤波器可以提高系统精度和抗干扰能力.     

一种改进的自适应USQUE组合导航姿态估计方法

针对传统四元数无味卡尔曼滤波(unscented quaternion Kalman filter,USQUE)算法的量测噪声统计未知及时变引起滤波发散精度降低等问题,提出一种变分贝叶斯自适应四元数无味卡尔曼滤波算法(variational Bayesian-based adaptive USQUE,VB-AUSQUE).通过变分贝叶斯高斯迭代近似估计,获取近似的量测噪声协方差矩阵滤波先验条件.仿真和舰载测试表明:在捷联式惯性导航系统/全球定位系统(strapdown inertial navigation system/global navigation satellite system,SINS/GNSS)组合导航系统中,VB-AUSQUE算法能有效减少系统量测噪声未知及时变问题对姿态估计精度的影响,相比常规算法具有更高的精度.     

Robust SLAM using square-root cubature Kalman filter and Huber’ s GM-estimator

Mobile robot systems performing simultaneous localization and mapping ( SLAM) are generally plagued by non-Gaussian noise.To improve both accuracy and robustness under non-Gaussian meas-urement noise, a robust SLAM algorithm is proposed.It is based on the square-root cubature Kal-man filter equipped with a Huber’ s generalized maximum likelihood estimator ( GM-estimator) .In particular, the square-root cubature rule is applied to propagate the robot state vector and covariance matrix in the time update, the measurement update and the new landmark initialization stages of the SLAM.Moreover, gain weight matrices with respect to the measurement residuals are calculated by utilizing Huber’ s technique in the measurement update step.The measurement outliers are sup-pressed by lower Kalman gains as merging into the system.The proposed algorithm can achieve bet-ter performance under the condition of non-Gaussian measurement noise in comparison with benchmark algorithms.The simulation results demonstrate the advantages of the proposed SLAM algorithm.     

无人机组合导航系统的自适应算法研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。     

一种应用于GPS/低成本INS组合导航的自适应滤波算法

为了提高在全球卫星定位系统(GPS)接收机导航解更新间隔期间组合导航系统的定位精度,在分析了惯导系统(INS)误差模型的基础上,使用一种对噪声协方差矩阵进行实时自适应估计的算法改进了通常使用的标准Kalman滤波器。采集清华大学内的跑车实测数据,并使用自适应算法进行处理,结果表明:该方法可以有效地提高GPS导航解间隔期间组合导航系统的定位精度,整体定位精度可以提升近10%,在车辆行驶状态变化较大的路径中获得了最高达40%的位置精度提升。该方法易于实时实现,在实际工程实现中具有一定的应用前景。     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.     

基于协方差矩阵重构和导向矢量优化的波束形成算法

针对传统波束形成算法在导向矢量失配和协方差矩阵误差情况下输出信干噪比下降严重的问题,提出了一种基于协方差矩阵重构和导向矢量优化的稳健自适应波束形成算法。该算法通过估计信号和干扰的功率及方向,重构干扰加噪声协方差矩阵,同时结合投影和空域积分思想,对假定的导向矢量进行优化计算,使其接近真实的导向矢量。进而通过相关运算求得复数加权值实现波束形成。所提算法可以有效抑制干扰,提高输出信干噪比。在多种失配存在的情况下,所提算法也具有较好的性能。研究共进行了6个仿真实验,所提算法性能均优于所对比算法。所提算法在快拍数固定且存在导向矢量失配的情况下,相比于最差情况性能最优算法有约5 dB的输出信干噪比提升。在信噪比固定且存在导向矢量失配的情况下,相比于对比算法均有4 dB以上的性能提升。实验结果验证了所提算法的有效性。