基于Kalman滤波的多尺度融合估计新算法

将信号的多尺度分析方法与多传感器数据融合技术相结合，基于某一尺度上给定的状态模型和在不同尺度上拥有不同采样率的多传感器分布式动态系统，提出了一种新的基于Kalman滤波的多尺度融合估计算法；在最细尺度上获得了基于全局信息的融合估计值；计算机仿真验证了算法的有效性。     

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。     

基于严密Helmert方差分量估计的动态Kalman滤波

针对Kalman滤波模型推导了严密的Helmert方差分量估计公式.在此基础上,构建了方差分量估计辅助的Kalamn滤波解,改进的Kalman滤波与标准Kalman滤波的计算过程基本相同.推导了方差分量估计对Kalman滤波解的影响.理论推导和计算结果均表明,Helmert方差分量估计辅助的Kalman滤波能够合理调控动力学模型误差的影响,合理平衡观测信息与动力学模型信息对Kalman滤波解的贡献,提高状态参数估计的精度;严密Helmert方差分量估计与简化Helmert方差分量估计辅助的Kalman滤波解基本等效.     

多尺度多速率递归Kalman滤波

利用多尺度分析的思想，将模型的动态系统分析与信号多尺度分析的思想相结合，基于不同尺度上拥有不同采样速率的多传感器动态系统，建立一个多尺度、多速率递妆Kalman滤波器，在最细尺度上获得目标状态基于全局信息的融合估计值。     

基于自适应Kalman滤波的输油管道状态估计

通过离散化输油管道瞬变流动控制方程,基于扩展Kalman滤波方法,用带有未知时变噪声统计的虚拟噪声补偿线性化模型误差,构造了鲁棒自适应Kalman滤波器,以进出口压力及站间测量点为系统的输入与输出向量,对输油管道进行状态估计,并将状态估计结果与实际运行采集数据进行对比.结果表明,该滤波器迭代收敛速度较快,其误差控制在3%以内.     

基于变分贝叶斯原理的SINS/GPS组合导航VB-CKF滤波算法

系统量测噪声统计量不准确能引起组合导航系统滤波精度下降甚至发散,在变分贝叶斯原理的基础上,以容积卡尔曼滤波(CKF)为基础滤波器,导出基于变分贝叶斯的自适应容积卡尔曼滤波(VB-CKF)算法,仿真结果表明：在SINS/GPS组合导航系统中,VB-CKF算法较CKF算法能有效减少系统量测噪声统计量变化对滤波精度的影响,是一种具有广泛应用前景的SINS/GPS组合导航滤波算法。     

基于变分稀疏贝叶斯的off-grid DOA估计

针对传统稀疏贝叶斯学习方法在解决低信噪比条件下信号到达角DOA估计中,到达角不完全落在阵元端离散化网格点上的情况,提出了一种基于变分稀疏贝叶斯学习期望最大化的离格DOA处理方法.该方法首先对均匀线阵的实际接收信号off-grid情况建立参数化稀疏模型,利用变分稀疏贝叶斯学习方法,通过最小化KL散度寻求一个与后验概率近似的概率分布,其次期望最大化方法分别在期望阶段和最大化阶段进行参数推断,进一步在离格误差模型下以较高的精度和分辨率实现信号到达角的估计,最后仿真结果表明,该方法不仅在传统SBL方法的基础上提高了运算效率,而且具有更高的空域分辨率和角度估计精度,该方法具有优越的角度估计性能.     

基于变分贝叶斯的数据分类算法

随着互联网技术的高速发展,数据库的规模和复杂度不断增长,传统的分类方法已经不能满足复杂数据的分类需求,针对此类问题,提出了一种基于变分贝叶斯的数据分类算法。该算法在传统贝叶斯推断上引入变分近似理论,结合最大期望算法思想,利用统计物理中的平均场理论,并以混合高斯模型为例进行了实验仿真。实验结果证明,随机生成数据在经过382次迭代后,能明显看出由3组高斯模型混合而成,似然函数的下界随迭代次数增加不断上升,在350次迭代后曲线与预想一样趋于平缓,并且在误差允许的范围内得到接近真实数据的均值和逆协方差矩阵,实现其分类处理。在保证高精度的要求下计算速度更快、效率更高、更符合实际工程的应用背景。     

基于变分贝叶斯理论的不确定厚尾噪声滤波方法

为了解决非线性滤波中量测噪声呈厚尾分布且统计特性不确定的问题,提出一种基于Pearson Type VII分布的自适应滤波算法.针对传统鲁棒卡尔曼滤波器因尺度矩阵和自由度参数固定不变而无法自适应调整的问题,以容积卡尔曼滤波器为基础,选择Pearson Type VII分布对厚尾噪声进行建模,将传统鲁棒滤波固定自由度参数的估计转化为Pearson Type VII分布中可自适应调整的双自由度参数的估计,并通过inverse Wishart和Gamma分布描述尺度矩阵、双自由度参数和辅助参数的先验分布,利用遗忘因子对各参数进行时间更新;基于变分贝叶斯理论,对系统状态、尺度矩阵、双自由度参数和辅助参数形成的联合后验概率密度函数进行变分迭代,实现对系统状态和未知厚尾噪声的联合估计.仿真结果表明,在不确定厚尾噪声条件下,本文算法的滤波精度高于传统鲁棒容积卡尔曼滤波.     

基于Kalman滤波的一阶微分参量估计方法的研究

基于迭代Kalman滤波算法,提出了一种微分参量的估计方法,并将其应用于腕力传感器的一阶力微分信号的提取处理中．通过对观测信号建立AR模型和递推的使用Kalman滤波算法,有效地抑制了噪声强度从而提高了微分参量的计算精度,克服了直接计算法误差较大的缺点,同时还避免了因加装速度传感器而对原腕力传感器动态性能造成的影响．文中讨论了在均匀分布的背景噪声下如何估计原始信号的一阶微分参量的问题,并给出了仿真结果．试验表明该方法具有良好的计算精度和较强的收敛性．     

基于弯道自适应强跟踪卡尔曼滤波的侧向坡度估计算法

道路的侧向坡度直接影响车辆侧向运动，侧向坡度估计已成为智能汽车稳定控制系统的关键部分之一。然而，侧向坡度与车身侧倾之间存在耦合，且侧向力估计困难，准确的侧向坡度估计难度较大。为此，提出了一种基于加速度传感器的可拓融合侧向坡度估计算法：首先，提出加速度传感器模型和车辆侧倾模型，采用弯道自适应强跟踪卡尔曼滤波算法（CASTKF）对侧向坡度进行估计；然后，提出基于侧向加速度传感器的直接估计方法，防止CASTKF算法在失去可观性后的错误估计；再后，利用可拓算法对两种模式的估计值进行数据融合；最后，采用硬件在环测试（HIL）验证所提算法的有效性。结果表明，智能汽车的侧向坡度估计中采用CASTKF融合算法具有更高的精度和鲁棒性。     

基于GNL模型自适应无迹卡尔曼滤波的电动汽车的荷电状态估计

随着电动汽车的高效发展,逐年递增的退役动力电池回收利用已刻不容缓,对电池进行精确、可靠的荷电状态(state of charge,SOC)估计是实现电池梯次利用的关键技术。传统估计方法均未考虑对老化电池影响较高的自放电因素,本文采用在二阶RC模型基础上考虑了自放电因素的GNL电路等效模型,通过脉冲放电对模型参数进行辨识。对相应的状态空间方程利用矩阵二次型方法进行离散化,并利用自适应无迹卡尔曼滤波算法对SOC进行实时估计及更新。在间歇恒流工况和变电流工况下以老化电池为实验对象对算法进行了对比验证,结果表明双卡尔曼滤波法在初值估计不准确的时候不能及时收敛到SOC真值附近并跟随,基于二阶RC模型的自适应滤波算法估计的误差在工况后期较大,基于GNL模型的自适应滤波算法对老化电池的估计精度较高,误差在0.5%之间。结果表明该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC 估计的实际需求。     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

一种基于扩展Kalman滤波的多径估计算法

定位系统中,噪声环境下的多径估计是消除多径干扰的前提。提出了一种基于扩展Kal-man滤波(EKF)的多径估计算法,可以有效的估计多径信号的时间延迟和幅度。分析了本地码估计偏差、EKF的估计初值、相关间距以及采样频率对多径估计性能的影响。结果表明,EKF在估计多径信号时,EKF初值不仅影响其收敛速度,而且EKF初值中的幅度初值决定其是否收敛。同时,EKF时间延迟估计误差可以通过提高采样频率和增加最大早晚码间距来减小。     

基于双卡尔曼滤波的锂电池SOC估计

针对电池SOC估计误差较大的问题,本文提出了双卡尔曼滤波算法。介绍了电池常用的等效模型和使用方向,以双RC模型为基础建立了电池系统的空间方程,使用混合脉冲功率特性测试法得到了模型参数值;推导了安时积分法和扩展卡尔曼滤波原理,在基础上提出了双卡尔曼滤波算法,对双卡尔曼滤波的原理和公式实现进行了详细推导;设计了电池组的充放电实验对算法进行验证,结果表明安时积分法估计误差随时间不断增大,扩展卡尔曼算法估计误差震荡很大,双卡尔曼滤波的估计精度较高,最大估计误差只有0.13%。     

基于UKF的INS/GPS组合导航系统仿真

通过Unscented卡尔曼滤波(UKF)算法,研究INS/GPS紧耦合组合导航系统中滤波算法的问题,避免了对非线性的系统方程进行线性化。同时将自适应原理引入UKF,给出了一种自适应UKF算法。将EKF、UKF和自适应UKF分别应用到INS/GPS组合导航系统的滤波中。仿真结果表明,相比UKF算法,自适应UKF算法进一步提高导航解的精度和收敛速度,同时系统的鲁棒性也得到了提高。     

基于卡尔曼滤波压缩感知的超宽带信道估计

针对超宽带通信系统采样速率过高的难题,利用超宽带信道冲击响应的稀疏性,提出了一种基于卡尔曼滤波压缩感知的时变信道估计算法.通过将直接序列调制的超宽带发送信号进行下采样,建立压缩感知的数学模型,接收端通过卡尔曼滤波压缩感知的重构算法对信道的冲击响应进行重构.仿真结果表明,对于时变的超宽带信道采用卡尔曼滤波压缩感知算法,不仅可以有效降低采样点数,而且提高了信道估计的准确性.     

基于M估计的自适应滤波器

Ｍ估计器是一种广泛应用于信号滤波的稳健性估计器。在Ｈｕｂｂｅｒ引入的Ｅｕｌｅｒ距离函数中,参数ｋ的确定十分重要,直接影响滤波性能。通过对信号局部统计特性的分析,提出了一种自适应选择参数ｋ的变参数Ｍ滤波器,为Ｍ估计提供了一般参数选择方法。文中的理论分析和测试结果表明,该算法对复杂噪声有较好的滤波效果。