基于不等间隔接收机钟差组合预报模型的辅助定位方法

在典型城市或室内应用等情况下,卫星导航信号由于被频繁遮挡变而变得微弱甚至不可用,使得传统的定位模式难以满足连续定位的要求。针对此问题,分析接收机钟差辅助定位的可行性,建立原点插值条件下使残差平方和最小的多项式钟差预报模型和改进的非等间距灰色系统钟差预报模型,并提出一种基于不等间隔接收机钟差解算值序列的动态加权组合预测模型及相应的钟差辅助定位算法。该模型通过权值的合理选取可实现单一模型的最优组合,具有更高的预测精度和稳健性。实测结果表明:该组合模型对钟差解算值序列的预测是可行和有效的;对于50 s内的短时钟差辅助定位,定位误差与连续正常定位接近,仅降低2.76%,可有效提高可见卫星不足4颗时的定位连续性。     

分类因子自适应抗差滤波

自适应抗差滤波的关键技术是构造观测等价权矩阵和合理的自适应因子，以便能有效地平衡观测信息、状态信息及其各分量对状态参数估值的贡献．文中在自适应抗差滤波和双因子相关观测抗差估计原理的基础上，提出了将常速度模型的状态预报信息分为位置和速度两类，并分别构造相应的自适应因子．导出了相应的分类因子自适应抗差滤波解，并给出了分类自适应因子的计算表达式．计算结果表明，分类因子自适应抗差滤波不仅能有效地控制观测异常和动态扰动异常的影响，而且利用分类因子合理地平衡了位置预报信息和速度预报信息对状态参数估值的贡献，其精度要优于基于位置不符值和速度不符值的单因子自适应抗差滤波．     

基于总体最小二乘法的RAIM算法模型改进

最小二乘残差RAIM算法中的伪距观测模型线性化过程会形成截断误差.考虑环境噪声对数据矩阵和观测值的扰动影响,给出了RAIM解算模型;采用总体最小二乘法估计准则,使残差更精确,数据可靠性更高,提高了RAIM算法的定位解算的精度与可靠性.分别采用总体最小二乘残差法和最小二乘残差法对实测数据进行了处理,分析结果验证了总体最小...     

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%.     

随机模型在GPS卫星钟差估计中的应用

卫星钟差是影响定位精度的重要误差源之一.针对不同接收机评估其伪距观测精度,选择相应的相位观测方差,构建合理的随机模型.采用56个IGS(International GNSS Service)跟踪站观测数据解算卫星钟差,并进行定位验证.结果表明:基于该方法的钟差估计结果与传统的钟差估计方法的结果在定位精度上改进约为5％....     

基于特征颜色模型的粒子滤波改进算法

针对在视觉跟踪任务中,当目标体的外形发生变化时,传统的粒子滤波算法在模型更新的过程中往往出现偏差并逐渐累积,最终导致跟踪性能降低的问题,作者通过挖掘目标体区别于背景的颜色信息,建立特征颜色模型,提出了一种改进算法.该算法首先使用粒子滤波进行粗定位,然后基于特征颜色模型分割目标.实验表明,作者提出的算法速度快,能够准确地跟踪目标的外观变化,对目标体的旋转和遮挡以及光线变化具有一定的鲁棒性,特别适合于跟踪行人和车辆等具有显著颜色的目标.     

基于灰色BP网络的卫星钟差预报

精密卫星钟差是精密定轨的重要因素之一.将BP神经网络模型引入卫星钟差预报,分别对少量及大量的卫星钟差数据进行预报,将其预报精度和灰色模型GM(1,1)预报结果进行分析比较,证明BP神经网络模型适于卫星钟差预报.通过对IGU超快速星历中的卫星钟差进行预报,发现前期预报精度很高,验证了其实际有效性.     

Kalman滤波质量控制的一种改进算法

探讨了Kalman滤波中观测粗差和状态方程异常的处理问题,分析了以往处理方法,如Sage自适应滤波法、两步假设检验法及抗差自适应Kalman滤波法等的优点和不足,提出一种改进算法,一方面用拟准检定法检测观测方程中的粗差,另一方面再用Sage自适应方法实时估计状态噪声方差阵,减免状态方程异常对参数估计的影响.通过一个星载GPS低轨卫星定轨算例,验证这种思路是可行的.     

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。     

基于灰关联熵的网络安全态势kalman预测算法

在评估当前网络安全态势的基础上,掌握未来一段时间的网络安全态势,能够为网络管理者做出安全防护的决策提供有效的信息。利用网络安全态势值具有非线性时间序列的特点,提出一种基于灰关联熵的网络安全态势卡尔曼预测算法。首先应用灰关联熵分析方法对网络安全态势的各种影响因素做关联度分析,由此选出关键影响因素,接着根据这些影响因素建立相应的过程方程和预测方程。最后应用卡尔曼滤波递推地进行网络安全态势预测。实验结果表明该算法的预测精度优于传统的GM(1,1)算法和普通卡尔曼算法,算法适应性和实时性优于RBF算法。     

基于能量原理和Kalman滤波器的实时模型修正策略

为了实时监测结构的安全状态,提出了一种计算速度快、易收敛的模型修正策略.首先通过计算瞬时能量来建立结构单元刚度和结构响应之间的关系;然后,将结构瞬时能量代入Kalman滤波器中,根据每一时间步能量预测值和实际测量值的差异进行修正,得到结构的真实刚度;最后,以美国地震工程模拟中心数据库(NEES)中的美国某州际公路指示牌支撑桁架为例进行数值验证,结果表明:无噪声干扰情况下,刚度发生20%,40%,60%,80%损伤的杆件和未发生损伤的杆件均能在0.4 s内从初始刚度收敛到各自的真实刚度;在5%随机噪声干扰下,利用该策略修正得到的刚度误差均小于12%;每一时间步所消耗的CPU时间远小于采样周期.因此,利用能量原理和Kalman滤波器能够快速有效地对未知刚度的结构进行实时模型修正.     

一种基于卡尔曼滤波的压缩跟踪算法研究

根据道路交通监控视频的特点,采用压缩跟踪(CT)算法进行运动车辆的检测与跟踪。在摄像头变化较大、运动车辆尺度变化和背景变化等情况下,CT算法均具有很强的鲁棒性。但是当车辆被遮挡时,跟踪算法容易失效。为了解决这一问题,提出使用卡尔曼滤波对遮挡的车辆进行轨迹预测。卡尔曼滤波能根据CT算法跟踪目标的轨迹,有效地预测目标遮挡时的轨迹。实验结果表明,本算法不但可以较好地处理跟踪车辆尺寸变化的问题,在车辆丢失或被部分遮挡时,能准确而稳定地跟踪车辆,而且具有很好的实时性,满足了工程应用的需求。     

基于交互多模型无味卡尔曼滤波的移动机器人故障诊断

为了快速、准确地诊断出移动机器人的故障,将交互多模型算法和无味卡尔曼滤波(IMM_UKF)结合起来,通过各个故障模型的概率大小来判断故障是否发生。仿真结果证明,IMM_UKF的估计准确度要高于IMM_EKF,能够准确判断故障。     

基于集合卡尔曼滤波的新安江模型状态变量实时修正方法

为了提高洪水预报的精度,基于集合卡尔曼滤波,提出对流域中子流域中间状态量进行全状态量回溯修正方法。该方法根据每个子流域地貌特征和汇流时间不同,分别找出其相应的回溯时间,与新安江模型相结合对各个子流域特定时段前的中间状态量进行全状态量回溯修正,逐步降低误差的累积。采用理想模型验证,结果显示子流域中间状态量得到有效修正,洪量相对误差和洪峰相对误差减小,确定性系数提高。以大坡岭流域为例,采用该方法对流域12场历史洪水进行修正,修正结果表明此方法能有效提高洪水预报的精度,可在实际洪水预报中推广应用。     

基于区间卡尔曼滤波的多传感器信息融合

目标运行建模过程中,存在系统参数不确定的情形．将基于标准卡尔曼滤波的多传感器信息融合算法由系统参数确定的情形推广至参数不确定的情形,给出了基于区间卡尔曼滤波的多传感器信息融合算法,解决了系统参数不确定情形下系统状态估计的融合问题．给出的状态估计不再是目标的状态点估计,而是目标状态的区间估计．     

基于Kalman滤波的地铁换乘客流预测

针对地铁换乘通道的换乘客流量,提出了利用Kalman滤波进行短时客流量预测的方法.基于Kalman滤波原理对地铁换乘客流系统构建状态方程,并根据历史数据对状态方程中的状态转移矩阵进行标定,然后运用灰色关联分析的方法来确定该状态转移矩阵在待预测时间序列上的值,进而实现客流量的预测.以北京地铁西单站换乘通道为例,从平日和假日两方面分别对该换乘通道一周内,早高峰时期客流量进行了短时预测.     

基于模糊自适应卡尔曼滤波的SLAM算法

针对同步定位与地图创建（SLAM）问题中难以建立准确的先验噪声模型的问题,提出一种改进的模糊自适应卡尔曼滤波算法.该算法通过在线监测新息的变化,利用模糊逻辑对系统噪声和观测噪声的权重进行实时调整,进而改变系统对观测信息的信赖和利用程度,使滤波器最终趋于稳定.为了保证系统的实时性,提出一种直接将输入和输出进行模糊隶属函数匹配的方法代替模糊推理.将新的滤波算法用于SLAM仿真实验,结果表明该算法能根据噪声变化进行快速调整,滤波精度较高,相比标准EKF对定位和构图精度提升了50%以上.     

一种基于分数阶卡尔曼滤波器的模型预测控制器的设计与实现

针对一类分数阶线性系统,设计了一种基于分数阶卡尔曼滤波器的模型预测控制器。采用分数阶微分的Grunwald-Letnikov定义对被控对象的分数阶状态空间模型进行离散化,构造了一种分数阶卡尔曼滤波器,并将该滤波器得到的状态估计应用于预测控制系统的最优状态反馈控制中。将所提出的方法用于一种黏弹性阻尼系统的控制,仿真结果表明该预测控制器在设定值跟踪、抗噪声扰动等方面都有良好的控制性能;分数阶微分的短记忆长度不仅会影响分数阶卡尔曼滤波器的估计精度,还会对预测控制器的性能产生重要影响。     

基于两阶段卡尔曼滤波的多传感器信息融合

在目标跟踪中,对目标运动建模时,常会遇到系统状态方程存在偏差问题. 传统的信息融合方法总是假设系统状态方程中的偏差为常量,很少涉及偏差为随机变量的情形,但实际建模中常会出现这类问题. 针对此问题,提出了基于两阶段卡尔曼滤波的多传感器信息融合方法. 这种方法可以有效地消除系统状态方程在建模存在随机偏差时给信息融合所带来的影响,从而提高了融合精度.     

基于卡尔曼滤波的室内服务机器人定位

研究了服务机器人在室内环境中运用卡尔曼滤波算法定位的一种方法.服务机器人事先将特定的墙壁与墙角信息存储,依靠自身配备的里程计获得基本的位置信息,通过声纳传感器进行观测,对墙壁进行识别匹配,根据事先的墙壁信息获得观测位置,通过将预测值与实际观测值之间匹配和修正的递归过程实现定位算法,用Matlab软件仿真验证了该方法的可行性.