EKF与UKF在紧耦合组合导航系统中的应用

为了检验扩展卡尔曼滤波(extended Kalman filter,EKF)与无轨迹卡尔曼滤波(unscented Kalmanfilter,UKF)在紧耦合组合导航系统中的性能,给出了地心地球固连(earth-centered earth-fixed,ECEF)坐标系下惯性导航系统(inertial navigation system,INS)误差方程.将该方程作为系统方程,GPS伪距测量方程作为系统测量方程,推导得出了EKF和UKF的滤波方程.仿真验证了EKF和UKF可以良好地应用于紧耦合系统,其定位精度优于单独使用GPS信息得到的导航解,UKF与EKF二者性能相当,UKF略优.     

基于粒子滤波的机动目标跟踪改进算法

粒子滤波是指利用Monte Carlo仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波(EKF)算法,融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。仿真结果表明,该算法对机动目标有更好的跟踪效果。     

车载DR导航的非线性滤波方法研究

针对扩展卡尔曼滤波方法(EKF)用于车载DR导航系统滤波中存在的一些缺点,将一种新的滤波方法—UKF滤波方法用于车载DR导航系统的非线性状态估计中。该滤波方法与EKF方法相比具有容易实现和滤波精度高的特点。通过非线性状态估计UKF方法大大提高了导航系统的精度。为了检验其有效性,将这两种方法分别对车载DR导航系统进行滤波仿真,仿真结果进一步表明UKF方法优于EKF方法,是一种理想的车载DR导航非线性滤波方法。     

基于EKF与UKF的利率期限结构模型估计及对比

在CKLS广义模型框架下,引入基于扩展卡尔曼滤波(EKF )和无损卡尔曼滤波(UKF )的利率期限结构均衡模型的估计方法,并使用加拿大国债数据对EKF和UKF的模型估计效果进行了对比实证研究.结论表明,引入的基于UKF的模型估计方法相对于文献中普遍采用的基于EKF 的估计方法的估计效果有明显改善,尤其存在强非线性和非正态分布的模型条件下,基于 UKF 的模型估计方法相对于基于EKF的估计方法有很大优势.进一步,基于UKF 估计方法对Vasicek 模型和CIR模型的数据拟合性进行了对比研究.结果表明,Vasicek 模型和 CIR 模型均具有较好的数据拟合性,而Vasicek 模型相对更好.     

基于循环神经网络的车载DR状态估计

由于噪声的不确定性和自身的非线性特征,通过航位推算系统(DR)精确地估计车辆的状态是实际车辆组合导航中最困难的部分。提出了一种基于循环神经网络的方法,和传统的扩展卡尔曼滤波(EKF)方法相比,该方法不仅提高了系统定位的准确性和自适应抗干扰能力;而且不需要模型的具体解析形式,避免了复杂的 Jacobian 矩阵的计算,算法更简单,也更加易于实现。为了检验其有效性,将两种方法分别对车辆 DR 导航系统进行滤波仿真,仿真结果进一步表明该神经网络方法明显优于 EKF 方法,是车载 DR 导航中一种更理想的非线性滤波方法。     

基于AEKF的高速自旋飞行体组合导航方法

针对高速自旋飞行体运行过程中噪声特性无法准确获取的问题, 提出了基于改进自适应扩展卡尔曼滤波(adaptive extended Kalman filter, AEKF)算法对量测噪声进行自适应调节, 并在扩展卡尔曼滤波(extended Kalman filter, EKF)的基础上提出了一种基于对状态变量新的建模方式的EKF算法, 提高算法的实时性。采用北斗/捷联惯性导航系统(strapdown inertial navigation system, SINS)组合导航方案, 在EKF的基础上, 引入带遗忘因子的噪声估计器, 通过AEKF对组合导航数据进行融合, 对量测噪声进行估计。仿真结果表明, 所提出的组合导航方法对高速自旋飞行体的姿态和位置定位误差较小, 与无改进的AEKF相比, 具有更好的收敛性。     

基于修正IEKF的IRST系统多站融合跟踪

针对红外搜索跟踪(infrared search and track, IRST)系统单站情况下的弱可观测强非线性问题,提出了一种基于修正迭代扩展卡尔曼滤波(modified iterated extended Kalman filter, MIEKF)的多站融合跟踪算法。按照高斯-牛顿迭代方法对IEKF中的测量更新进行修正,并推导了最大似然迭代终止条件,减小了非线性滤波的线性化误差。结合集中式融合跟踪算法,应用于IRST系统多站目标跟踪。以三站为例进行仿真研究,结果表明所提算法的跟踪性能要优于EKF和UKF。     

基于交互式多模型算法跟踪临近空间目标

由于目前机动目标模型越来越向模块化、并行计算的方向发展,对目前算法计算效率提出了更高的要求。对于临近空间超声速机动目标一般采用多种机动模型跟踪,单一模型已经很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型（interacting multiple model, IMM）算法,这种算法特点与临近空间目标高速、高机动特性相适应。同时考虑到扩展卡尔曼滤波 (extended Kalman filter, EKF) 算法对强非线性对象滤波效果不好, 无迹卡尔曼滤波(unscented Kalman filter, UKF)算法对于此类问题,可以很好地加以解决。仿真对比试验表明,交互式多模型〖CD*2〗无迹卡尔曼滤波(interacting multiple model unscented Kalman filter, IMM UKF)算法优于单一模型EKF算法。     

基于EKF及弹道方程的弹道目标跟踪滤波器设计

针对地面跟踪雷达多目标、低数据率、高跟踪精度要求,提出了基于弹道运动方程的扩展卡尔曼滤波(extended Kalman filter, EKF)算法。建立了导弹被动段精确的质心运动方程,改进了EKF算法,经过与传统的基于常加速模型的EKF算法和基于弹道运动方程的无迹卡尔曼滤波(unscented Kalman filter, UKF)算法比较,验证了基于弹道运动方程的EKF具有低数据率下滤波精度高、计算量小等优点,解决了地面跟踪雷达实际中遇到的问题。     

基于平方根UKF的车辆组合导航

针对扩展卡尔曼滤波(EKF)在车辆导航中存在着计算复杂、线性化误差大等缺点,将一种新的非线性滤波方法--平方根UKF方法(SRUKF)用于车辆GPS/DR组合导航中.和普遍采用的EKF方法相比,SRUKF方法不仅提高了车辆组合定位的精度和稳定性;而且不需要模型的具体解析形式,避免了复杂的Jacobi-an矩阵的计算,算法更简单,也更加易于实现.为了检验其有效性,将两种方法分剐对车辆GPS/DR组合导航系统进行滤波仿真,仿真结果进一步表明SRUKF方法明显优于EKF方法,是车辆组合导航中一种更理想的非线性滤波方法,真正实现了车辆低成本、高精度的实时定位.     

SINS/CNS/GPS integrated navigation algorithm based on UKF

A new nonlinear algorithm is proposed for strapdown inertial navigation system (SINS)/celestial navigation system (CNS)/global positioning system (GPS) integrated navigation systems. The algorithm employs a nonlinear system error model which can be modified by unscented Kalman filter (UKF) to give predictions of local filters. And these predictions can be fused by the federated Kalman filter. In the system error model, the rotation vector is introduced to denote vehicle’s attitude and has less variables tha...     

一种新的SPKF算法-GSPKF算法

提出了一种SPKF算法的改进算法,称之为GSPKF。该算法中Sigma点权值由选择该Sigma点的概率决定。此时,Sigma点权值物理意义明确、计算简单、恒大于零,协方差矩阵物理意义明确,可以实现全局拟合,GSPKF算法的物理意义更加明确。可以证明,两种算法对期望和协方差的准确估计精度是相同的,但是,GSPKF算法可以渐进拟合非线性函数真实的期望和协方差,GSPKF算法的滤波效果至少不低于现有SPKF算法。它们的滤波效果由仿真进行了验证。     

基于UKF的低成本SINS/GPS组合导航系统滤波算法

针对MIMU的精度不高,会带来较大的初始对准误差角,如果继续采用传统的小干扰线性方程就会给滤波带来很大误差,甚至发散。针对这个问题,对低成本SINS/GPS组合导航系统建立了基于四元数误差模型的非线性滤波方程,并采用了UKF非线性滤波方法。针对四元数误差模型单纯使用UKF方法无法估计加计零偏和陀螺漂移的问题,提出将UKF和EKF相结合的算法,仿真结果表明,比起扩展卡尔曼滤波以及采用传统小干扰线性方程的卡尔曼滤波,这种方法能够提高姿态误差角特别是方位误差角的估计精度。     

跟踪弹道目标的几种次最优滤波器

研究了通过雷达观测跟踪重返大气层阶段的弹道目标问题。考虑了一种状态方程和量测方程都具有高度非线性的数学模型并推导出估计误差的理论Cramer-Rao低界。我们设计了三种次最优滤波器并将其滤波性能和Cramer-Rao低界进行了比较。除了在非线性滤波中经常采用的EKF和UKF之外，提出了一种结合传统卡尔曼滤波和简化点Unscented变换的滤波器，仿真结果表明，新滤波器在精度和计算复杂性上均有良好表现。     

基于线偏差测量的目标运动参数估计方法及仿真研究

建立了遥控制导系统目标运动方程和观测方程,为估计目标运动参数,如目标距离,目标运动速度,目标机动方向等,设计了推广卡尔曼滤波器及针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器。进行了数学仿真,结果表明在制导系统中的目标运动参数估计方面,自适应推广卡尔曼滤波器的性能优于推广卡尔曼滤波器。     

基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。     

Estimation of time dependent carbon transfer coefficients using net ecosystem exchange data

<正> Time dependent carbon transfer coefficients are estimated using ecosystem exchange databy minimizing over variable observational intervals,Kalman filter,and variational minimization techniques.Transfer coefficients are determined by application of estimation procedures to subintervalsfrom a partition of the observational time period,minimizing the variance of analyzed errors withoutthe imposition of a priori transfer coefficient models in Kalman filters,and minimization with respectto transfer coefficients in variational fit-to-data functionals.Results are compared between methodsand seasonal variability is observed in the transfer coefficients.     

基于UKF的自组织模糊神经网络训练算法

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点,针对这一问题,提出了基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的自组织模糊神经网络的训练算法。分析了模糊神经网络的非线性动力系统表示,并用递推最小二乘法（recursive least square, RLS）和UKF分别学习线性和非线性的参数,给出了模糊规则生成的准则和参数更新的策略;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则。通过典型的函数逼近和系统辨识实例,表明所提算法得到的模糊神经网络的结构更为紧凑,泛化性能更佳。     

基于改进容积卡尔曼滤波的纯方位目标跟踪

为处理纯方位跟踪的非线性问题,提出了距离参数化均方根容积卡尔曼滤波,在消除距离信息不可测对跟踪影响的同时弱化了计算机有限字长截断效应所引入的误差。在假设目标的初始距离信息用多个参数化模型表示的基础上,对每个模型独立进行均方根容积卡尔曼滤波,并依据贝叶斯准则计算各滤波结果对应的概率,将概率和对应结果的加权融合作为最终滤波结果。实验仿真表明,该滤波虽略微提升了计算复杂度,但获得了更好的滤波精度和鲁棒性。