基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。     

空间Kalman滤波与空时Kalman滤波算法

经典的Kalman理论是以观测按时间延续分布的方式建立的.针对观测按空间延展分布的情形,基于时空对偶性建立空间Kalman滤波的方法,进而提出针对观测同时在时间、空间两个方面展开的情形的空-时Kalman滤波算法.这些算法可用于包括多传感器信息融合等在内的广泛领域.仿真表明,相比于在不计代价(成本)的情况下精度最高的集中式多传感器融合算法,空-时Kalman滤波不仅具有滤波精度与之相当的优点,更重要的是,由于在计算复杂度上占有更大的优势,使算法实时性和有效性更为提高,更适用对实时性有更高要求的情形.     

相关观测噪声的加权观测融合UKF滤波器

对于具有相同观测方程,相关观测噪声的非系统,应用无迹卡尔曼滤波器(UKF),以及加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.该算法具有全局最优性,且没有增加观测系统的维数,进而没有增加系统的计算负担.一个带有相关观测噪声的两传感器非线性系统的仿真例子说明了该融合算法的有效性及等价性.     

An aperiodic phenomenon of the unscented Kalman filter in filtering noisy chaotic signals

A non-periodic oscillatory behavior of the unscented Kalman filter (UKF) when used to filter noisy contaminated chaotic signals is reported. We show both theoretically and experimentally that the gain of the UKF may not converge or diverge but oscillate aperiodically. More precisely, when a nonlinear system is periodic, the Kalman gain and error covariance of the UKF converge to zero. However, when the system being considered is chaotic, the Kalman gain either converges to a fixed point with a magnitude larger than zero or oscillates aperiodically.     

An aperiodic phenomenon of the unscented Kalman filter in filtering noisy chaotic signals

A non-periodic oscillatory behavior of the unscented Kalman filter (UKF) when used to filter noisy contaminated chaotic signals is reported. We show both theoretically and experimentally that the gain of the UKF may not converge or diverge but oscillate aperiodically. More precisely, when a nonlinear system is periodic, the Kalman gain and error covariance of the UKF converge to zero. However, when the system being considered is chaotic, the Kalman gain either converges to a fixed point with a magnitude larger than zero or oscillates aperiodically.     

旋转导向系统有色噪声的改进无迹卡尔曼滤波方法

在旋转导向钻井系统的姿态测量过程中,三轴加速度计测量数据中包含大量有色噪声,严重影响井底组合钻具姿态测量的精度。基于旋转坐标变换的四元数理论,结合所建立的三轴加速度噪声模型,提出一种改进无迹卡尔曼(UKF)迭代滤波算法。此方法利用陀螺测量原理构造观测方程和时变状态方程,将实时解算出的钻具姿态以四元数的形式更新时变状态方程中三轴角速度,通过更新观测方程加速度噪声模型实现加速度计传感器数据中有色噪声的UKF迭代滤波。实测数据滤波的结果表明,此方法可有效滤除加速度传感器数据中的有色噪声,保证旋转导向钻具姿态测量的精度。     

IMM迭代无迹Kalman粒子滤波目标跟踪算法

针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法.该算法在多模型滤波过程中采用改进的粒子滤波算法,通过迭代无迹Kalman滤波融入最新观测信息,进而生成粒子滤波的重要性密度分布,从而提高采样质量,改善滤波算法性能.仿真结果表明,提出的算法相对于交互式多模型粒子滤波算法具有更好的跟踪效果.该算法对提高跟踪机动式再入目标的精度与实时能力具有一定的理论意义.     

基于联邦卡尔曼滤波的某舰船组合导航系统的设计

为了得到更高精度的导航信息,在某船现有的固定指北惯性导航系统的基础上,将惯导与GPS结合,设计了一种基于联邦卡尔曼滤波的舰船用组合导航系统,研究了该组合导航系统的数据处理方法,并对该组合方式进行仿真,验证了可行性.     

改进卡尔曼滤波的IRFPA非均匀性校正算法

提出一种改进的卡尔曼滤波的IRFPA非均匀性校正算法,该算法使用求逆引理对传统迭代公式进行求逆变换,使用误差协方差逆阵形式实现迭代过程,使算法计算复杂度由nk×nk阶矩阵求逆降低至nk维对角矩阵求逆,简化了传统卡尔曼滤波算法的递推过程,提高了实时性能．通过对实际采集的红外图像序列进行仿真实验,结果表明：该算法在继承传统校正算法校正精度的同时,兼顾提高了算法校正速度,运行效率可以提高至2倍．     

带丢包一致性卡尔曼滤波算法优化

针对无线传感网络在实际应用中存在的丢包问题,以最小化均方估计误差为目标,提出一种带丢包的最优一致滤波算法,对收敛性进行初步分析。应用数值仿真验证算法的稳定性,并与已有的经典滤波算法进行比较;当网络拓扑结构固定时,比较最优一致滤波算法与已有经典算法分别在系统稳定和不稳定状态下的估计性能;研究网络拓扑结构对算法的影响。研究结果表明:随着通信半径增大,算法估计精度越高。     

基于联邦滤波的多传感器主动容错估计方法

针对冗余传感器系统的容错问题,改进一种有反馈式联邦滤波的容错估计算法。通过残差法对硬故障进行检测,并隔离故障子系统的估计值。若全部子系统出现硬故障,取上一时刻的联邦滤波的最优值,通过系统状态方程计算得到系统状态量的预测值进行容错补偿。定义可信度因子,设计可信度单调性法则检测子系统软故障,并设计校正策略。大量仿真实验表明,改进后的反馈式联邦滤波的容错估计算法,可在保证系统估计精度的前提下,提高多传感器系统的容错性与鲁棒性。     

扩展卡尔曼和无迹卡尔曼滤波应用对比研究

普通卡尔曼滤波是在线性高斯情况下利用最小均方误差准则获得目标的动态估计,适应于过程和测量都属于线性系统,且误差符合高斯分布的系统。但是实际上很多系统都存在一定的非线性,表现在状态方程是非线性的,或者测量方程是非线性的。这种情况下就不能使用一般的卡尔曼滤波。解决的方法是将非线性关系进行线性近似,将其转化成线性问题。就转化为线性问题的2个方案扩展卡尔曼(EKF)和无迹卡尔曼(UKF)作出对比和分析,EKF与卡尔曼滤波原理相似,但是它将非线性函数在最佳估计点处进行泰勒级数展开,舍弃高阶分量,从而将非线性模型简单线性化;UKF是通过确定性采样,以无迹变换为基础,用卡尔曼线性滤波框架而建立起来的,对非线性系统有很好的滤波效果。最后在MATLAB平台下实验证明,与EKF相比,UKF不仅保持了系统的稳定性,而且提高了精确度。     

基于不确定度量化加权的CKF算法

针对传感器网络中每个传感器节点的邻接节点状态估计值不确定度不同的问题,提出一种基于不确定度量化加权的一致性卡尔曼滤波算法(CKF).该算法通过考虑节点度数对于传感器网络估计精度的影响,结合节点度数提出了一种衡量邻接节点状态估计值不确定度的量化函数,并把量化值作为该邻接节点与当前节点的状态估计值偏差的融合权重引入一致性协议中,利用优化后的一致性协议对传感器节点先验估计值进行更新,可提高一致性卡尔曼滤波算法的估计精度;算法同时具有非一致性误差小和鲁棒性强等特点.最后在3种不同网络类型下,通过动态目标跟踪实验仿真验证了算法的有效性.     

不完全量测下基于机器视觉的被动跟踪算法

针对不完全量测下利用电视摄像机的单站水面目标被动跟踪问题,提出了一种基于机器视觉被动测距的联邦目标跟踪算法.首先,利用机器视觉技术设计了目标距离的被动测量方法;其次,依据测量机理将测量通道分解为机器视觉被动测距通道和传统测角通道,基于验后置信度残差检测的平方根容积卡尔曼滤波(SRCKF)设计了双通道子滤波器,并对子滤波器估计结果进行联邦结构融合得到最终估计结果.通过OpenGL仿真目标图像和真实水面目标视频的测量结果证明了机器视觉测距的有效性,且在不完全量测下,该跟踪算法比传统基于质点的被动跟踪算法具有更高的跟踪精度.     

基于模拟退火算法的卡尔曼滤波在室内定位中的应用研究

卡尔曼滤波算法是用来解决定位中滤波的问题的一个重要内容,但由于预测和测量值之间的误差比较大,算法并没有达到最优,因为在室内定位中温湿度(高斯白噪声)对其有影响,以及非平面中的位置信息影响人员物品的位置定位精确度。针对卡尔曼滤波算法的这一问题,引进模拟退火算法。结合模拟退火算法的降温思想,采用迭代选取最优解,以此为基础,得到的最优解用于卡尔曼的初始值;将得到的最优距离作为对象,并以此建立邻域,最后再用线性插值法得到坐标。仿真实验表明,此种方法有效提高了室内定位精确度,减小降低了各种因素的干扰。     

基于超长线状分簇结构的卡尔曼滤波融合算法

以应用于隧道结构健康监测的无线传感器网络为基础,针对长线形的隧道结构和分布式的节点布置,提出了超长线状多跳非均匀分簇结构.通过考虑节点剩余能量和优化簇头分簇半径,降低并平衡节点能耗.针对传感器数据冗余量大的问题,提出了基于超长线状分簇结构的分布式卡尔曼滤波融合算法.利用单节点不同时刻的数据,通过卡尔曼滤波器得到局部估计值,降低数据时间冗余度.在簇头节点端和汇聚节点端分别实现分布式卡尔曼滤波融合算法,降低数据空间冗余度,达到具有一致性的网络数据估计值.实验结果表明:该方法能有效实现超长线状分簇结构下的分布式数据融合,具有高可靠性和准确性.     

转换测量卡尔曼滤波在机动目标跟踪中的应用

在三维空间中推导了转换测量卡尔曼滤波算法,得到了在目标真实位置已知的条件下去偏转换测量值误差方差的表达式及在测量值已知条件下去偏转换测量值方差的表达式,并给出了在机动目标跟踪中,预测值与量测值的选择准则.运用“当前“机动模型和此算法给出了机动目标的仿真,取得了较好的跟踪效果.     

基于Kalman滤波的电容成像图像重建算法

在电容成像(E lectrica l C apac itance T om ography,ECT)中,为充分利用多次量测信息以提高电容成像图像重建质量,提出一种基于K a lm an滤波的电容成像图像重建算法。该算法重点考虑了测量噪声的影响,利用对流型一系列多次测量中获得的新息不断进行最优加权以获得重建图像的最小方差估计。针对3种典型介电常数分布进行了仿真,结果表明K a lm an滤波应用于ECT图像重建的可行性和有效性。提出了提高该算法运算速度的方案,分析和仿真结果表明通过预先计算最优滤波增益,并寻找合适的迭代次数,算法可快速地获得满意的图像重建结果。