基于扩展Kalman滤波的声阵列定位数据融合算法

利用各阵元和目标相对于一中心阵元的几何关系建立目标运动方程，坐标变换方程和声阵列测量方程，并以此建立了声阵列目标定位模型。在此基础上提出了基于扩展Kalman滤波算法的目标定位数据融合算法。通过地面目标和空中目标的计算机仿真表明，本算法能够有效地克服由于智能雷布阵的随机性给智能雷定位数据估计带来的困难，对声阵列定位数据也能进行较好的融合，对提高定位精度有一定效果。     

基于改进的无迹粒子滤波算法的列车组合定位方法研究

列车实时定位是保证列车安全运行的重要环节。随着北斗卫星导航系统的发展,北斗卫星已逐步具备应用于列车定位的能力。针对北斗导航定位系统的特点及存在的问题,将SINS系统作为其补充定位方式。由于传统滤波算法在进行状态估计时仍存在粒子退化现象,为了进一步提高估计性能,提出了基于人工免疫无迹粒子滤波算法(AI-UPF)的列车组合定位方法。将人工免疫算法引入UPF算法的重采样过程,对粒子进行克隆和变异,改善了样本集的多样性,减轻了退化现象的影响。用该方法和UPF算法分别对北斗/SINS列车组合定位系统进行仿真实验。结果表明,AI-UPF算法能进一步减小定位误差,滤波效果较好。     

迭代无迹Kalman粒子滤波的建议分布

对非线性非Gauss系统,粒子滤波是一种有效的状态估计方法。粒子滤波的关键是建议分布的选择,好的建议分布会改进粒子贫化和样本耗尽等粒子滤波存在的普遍问题。该文用迭代无迹Kalman滤波产生粒子滤波的建议分布,提出了一种新的粒子滤波算法——迭代无迹Kalman粒子滤波。给出的建议分布将最新的观测融入样本过程并修正该过程,从而改进了滤波性能。数值模拟结果表明,提出的算法与常用的无迹粒子滤波、扩展Kalman粒子滤波相比,具有数值稳定、估计结果精确的优点。     

GPS静态单点定位的滤波算法比较

针对目前利用低成本全球卫星定位系统(GPS)进行静态单点定位精度较差的问题,分别将卡尔曼滤波、粒子滤波和扩展卡尔曼粒子滤波理论应用于其中.对两组由不同GPS-OEM板构成的单点定位系统实测的经纬度和海拔高度数据进行了滤波处理,并对不同滤波算法的效果作出了比较与分析.分析结果表明,滤波后定位精度有了明显提高,3种滤波算法中扩展卡尔曼粒子滤波的滤波效果最好,粒子滤波次之,卡尔曼滤波效果一般.实验结果为提高低成本CPS静态单点定位系统的定位精度提供了一种有效的解决方案,同时也对各滤波器理论上的滤波效果进行了验证.     

基于推广Kalman滤波的机载无源定位改进算法

研究空中运动观测平台对地面辐射源目标的纯方位信息定位算法,提出改进的二阶EKF定位算法以提高定位估计精度.用推广Kalman滤波算法代替传统的最小二乘定位算法.充分利用观测平台的运动信息建立了可观测的观测方程,并采用二阶EKF算法解决了在观测误差较大的情况下导致的非线性误差较大的问题.采用Monte Carlo仿真比较LS,EKF和二阶EKF 3种方法的性能.证明用这种方法可以达到更好的估计精度,能够将目标位置定位在更小的概率椭圆内.概率误差椭圆缩小了30%.     

基于差分双向测距协议的两飞行体相对定位算法

对于运动节点(如飞行体)而言,相对运动导致基于差分双向测距协议(DTWR)的测距结果存在较大误差,进而影响相对定位的精度.为了消除相对运动对DTWR性能的影响,首先对飞行体间基于差分双向测距协议的测距误差进行分析和建模,然后建立测距的有偏误差与两飞行体相对坐标间的约束关系,利用拉格朗日乘子法和泰勒级数法获取飞行体间相对坐标的最小二乘估计.该方法扩展了DTWR的应用范围,实现了飞行体间的精确相对定位.仿真表明,提出的定位算法具有较高的精度和稳定性.     

融合粒子滤波的网络故障定位算法

网络故障节点定位算法目前是网络移动节点定位算法中一个研究热点,较多的研究人员使用了粒子滤波算法,同样也有人在使用成熟的卡尔曼滤波的定位算法,然而此类算法均离不开受限的粒子能量以及密度。新算法N-FC定位算法基于此背景,以分簇式结构结合簇内节点置信度,对常规定位算法的初始阶段进行了优化,并利用锚节点的密集程度以及抽样尺度优化了采样以及滤波阶段,最后在同参情况下,新算法N-FC定位算法与常规算法进行了对比,得出新算法精确性更高且实用性更强。     

自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.     

基于SUKF的机载无源定位算法

提出了相位差变化率与SUKF算法相结合的单站无源定位方法.通过Matlab仿真,对SUKF与原始的UKF和成熟的EKF进行了比较.结果表明:与UKF相比,SUKF降低了运算复杂度,在保证了UKF的定位精度的同时减少了计算量;并且SUKF和UKF算法均无需去计算EKF中的雅克比矩阵,实现简单,具有更高的收敛速度和定位精度.     

基于相对观测量的机器人合作FastSLAM算法

提出了一种基于相对观测量的合作快速同时定位与建图(FastSLAM)算法,即合作FastSLAM算法.给出了机器人合作定位的系统模型,假设每个机器人装配上能够测量与附近机器人之间相对位置和识别附近机器人的外部传感器.仅用机器人自身当作路标来对多机器人系统中每一个成员进行相对定位,分析了多机器人合作定位中相对观测量的约束关系.将多机器人运动信息和相对观测量与FastSLAM相结合,估计出机器人路径轨迹的后验概率分布,从而生成预测粒子,并计算每个粒子的权重,最后进行重采样使其能够递归估计修正机器人组中每个机器人的位置.仿真结果证明了该算法的有效性.     

基于平淡卡尔曼滤波器的微小卫星姿态确定算法

针对扩展卡尔曼滤波（EKF）在线性化过程中会引入误差的问题,采用平淡卡尔曼滤波器（UKF）进行了系统滤波器设计;提出一种构建虚拟观测量的方法,并分析了其噪声特性．虚拟观测量与高精度器件量测量搭配可实现对姿态的校正．以太阳敏感器、微电子机械系统（MEMS）陀螺、磁强计为姿态敏感器件,构建了定姿滤波器并用STK（Satellite Tool Kit）数据进行了仿真．结果表明,所提出方法能有效地提高定姿性能,采用UKF的系统定姿误差与EKF相当,但收敛时间、稳定性要优于EKF．     

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

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．     

非高斯条件下基于粒子滤波的目标跟踪

介绍了粒子滤波的基本思想和具体算法实现步骤，在给出的闪烁噪声统计模型基础上，将粒子滤波算法应用在雷达目标跟踪中，解决了闪烁噪声情况下的雷达目标跟踪问题．仿真结果表明，在满足高斯噪声条件下，扩展卡尔曼算法和粒子滤波算法跟踪性能相近，但若考虑雷达的闪烁噪声，则随着闪烁影响增强，扩展卡尔曼算法跟踪性能严重下降，而粒子滤波算法能继续保持较好的跟踪精度．     

基于路标的智能车辆定位

为解决智能车辆在城市环境中的定位问题,使用激光雷达检测和提取圆柱形路标的中心位置,并与已知地图进行数据关联;以CyberC3智能车辆为移动平台,建立了车辆运动模型和传感器测量模型,使用扩展卡尔曼滤波算法对激光雷达和编码器数据进行融合,计算车辆的全局位姿.实验结果证明该方法可以获得较高的定位精度,解决了车辆自主导航的关键问题,并可推广应用到基于自然特征的全局定位.     

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.      

UKF车速估计器的算法研究与仿真

为准确估计车辆的行驶速度, 保证汽车的安全性, 设计了基于无味卡尔曼滤波算法（UKF: Unscented Kalman Filter）的车速估计器, 并与基于卡尔曼滤波（KF: Kalman Filter）算法所建立的估计器进行了比较。两个估计器都以七自由度整车模型为研究平台, 同时在Matlab中搭建了UKF和KF的算法模型。仿真实验结果表明, 当系统输入产生突变时, UKF算法与真实值的绝对误差率始终在4%以内, 比KF算法的误差率大约降低了3%, UKF车速估计器能很好地预测车速变化的趋势, 相对于KF估计算法效果更佳。     

3颗卫星条件下 GPS三维定位的新方法

提出了一种新型的双天线全球定位系统(GPS)接收机结构方案,用于某些恶劣定位条件下、接收信号的卫星数量较少时对用户位置进行解算.该方法可以在仅接收到3颗卫星信号的情况下,根据GPS的原始数据和伪距,进行较理想的三维位置估计,满足单机定位的精度.建立了基于非线性滤波的位置估计模型,根据该模型的特点,运用平淡卡尔曼滤波算法求解该模型.通过GPS定位实验,验证了该方法的可行性.     

基于改进的自组织神经网络的基因剪切位点的识别

为提高基因序列中剪切位点的识别率,将无先导卡尔曼滤波器(UKF)和自组织神经网络(SOFM)相结合,给出一种非线性高维数据的聚类算法.利用无先导变换(UT)参数化SOFM邻域宽度函数的均值和方差,并采用UKF进行预测,完成SOFM参数的自适应过程.该算法用于基因剪切位点的识别结果表明:较SOFM与EKF参数自适应方法,该算法识别精度较高,验证了其有效性和可行性.