迭代容积卡尔曼粒子滤波算法

针对标准粒子滤波算法粒子退化和贫化问题,提出了一种基于高斯-牛顿迭代思想的容积卡尔曼粒子滤波算法.该算法利用当前量测信息,使用容积数值积分原则通过以一组确定的点集和相应的权值直接计算非线性随机函数的均值和方差,避免了求导运算,并通过Gauss-Newton迭代方法对容积卡尔曼滤波(CKF)的非线性最小二乘问题进行求解,减小了线性化误差,以此来产生粒子滤波算法的重要性密度函数,使得迭代CKF产生的重要性密度函数更接近于真实后验概率分布,从而改进了滤波性能.仿真结果表明,与粒子滤波和CPF滤波相比,迭代CKF粒子滤波具有更高的估计精度.     

高斯混合粒子滤波器在静基座捷联惯导系统初始对准中的应用

为解决传统粒子滤波算法中影响状态估计性能的采样枯竭问题,提出一种高斯混合粒子滤波(GMPF)算法,基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,采用加权EM算法取代传统粒子滤波的再采样过程,减弱了采样枯竭的影响,增强了算法的估计性能.对捷联惯导系统静基座大方位失准角初始对准的仿真结果表明,该算法的估计精度优于扩展卡尔曼滤波.     

捷联惯导系统初始对准中IUPF的应用与设计

针对大失准角条件下捷联惯导系统误差模型的非线性引起的初始对准误差问题,引入了粒子滤波技术.首先,利用加性四元数误差建立了大失准角条件下的系统误差模型.然后,将无迹变换算法和迭代算法引入粒子滤波方法中,提出了迭代无迹粒子滤波算法.并且,为了解决迭代无迹粒子滤波算法中由于粒子数量所导致的算法精度和算法实时性的矛盾,采用采样重要性重采样的方法对迭代无迹粒子滤波算法进行修正,提出了一种既具有迭代无迹粒子滤波精度又计算量较小的新的非线性滤波算法.最后,进行了半物理仿真和数字仿真,比较了经典粒子滤波、无迹粒子滤波和修正后的迭代无迹粒子滤波等多种方案的滤波效果.仿真结果表明,在大失准角条件下,采用修正后的迭代无迹粒子滤波方法可以有效提高初始对准精度和算法的实时性.     

基于SCKF的4旋翼无人机的姿态估计

获得准确的姿态角对于无人机的控制来说是十分重要的.考虑到平方根容积卡尔曼滤波算法(square-root cubature Kalman filter,SCKF),既能够克服扩展卡尔曼滤波(EKF)方法因线性化带来的误差,具有更好的非线性滤波功能,又在传统容积卡尔曼滤波方法中加入了平方根技术,从而能够有效提高数值计算的稳定性,并降低了算法的复杂度.该文将SCKF算法应用于4旋翼无人机的姿态估计中,提出了一种新的4旋翼无人机的姿态估计方法,并进行了仿真实验.实验结果表明:该方法相比传统的EKF方法滤波精度更高,相比较传统的容积卡尔曼滤波(CKF)、无迹卡尔曼滤波(UKF)方法计算时间更短.     

惯导初对准中的平方根无轨迹卡尔曼滤波

针对无轨迹卡尔曼滤波(UKF)在递推过程中,有些情况下出现状态协方差逐渐失去正定性,导致计算发散现象,对状态协方差进行矩阵分解,在滤波中用其平方根进行计算,保证其正定性.采用平方根无轨迹卡尔曼滤波(SRUKF)对大失准角情况下惯性导航系统初始对准非线性ψ角模型进行估计.蒙特卡罗仿真结果表明,SRUKF与UKF在滤波精度和收敛速度上基本一致,SRUKF的数值稳定性优于UKF.     

容积粒子滤波算法及其应用

针对使用现有粒子滤波算法对非线性/非高斯离散时间系统的状态估计精度较低的问题,提出了一种新的粒子滤波算法——容积粒子滤波(CPF)算法.新算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,产生粒子滤波算法的建议性密度函数,获得所需要的带权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计.CPF算法由于产生粒子时使用了最新的测量信息,因而提高了对系统状态后验概率的逼近程度.仿真实验结果表明,CPF算法的估计误差约是标准粒子滤波算法和扩展粒子滤波算法误差的1/5和1/3,是无味粒子滤波(UPF)算法的估计误差的1/2,且运行时间只有UPF算法的1/3.     

基于平方根UKF的水下纯方位目标跟踪

为了避免被动跟踪中非线性性带来的计算复杂化及跟踪精度的下降,该文将平方根无迹卡尔曼滤波(SR-UKF)算法应用到水下仅测角目标跟踪.利用协方差平方根代替协方差参加递推运算,解决了标准无迹卡尔曼滤波(UKF)算法中由于计算误差和噪声等因素有可能引起误差协方差矩阵负定而导致滤波结果发散的问题,保证了滤波算法的数值稳定性,提高了跟踪的精度和可靠性.仿真结果表明,SR-UKF非线性滤波算法应用于水下仅测角目标跟踪系统是有效的,而且滤波精度、稳定性和收敛时间明显优于扩展卡尔曼滤波(EKF)和标准UKF算法.     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

求积分卡尔曼粒子滤波算法

针对非线性/非高斯系统的状态估计问题,提出一种采用求积分卡尔曼滤波(QKF)算法来产生重要性密度函数的粒子滤波新算法--PF-QKF算法.新算法使用统计线性回归的方法,通过一套高斯一厄米特积分点来线性化非线性函数,不需要计算雅可比矩阵,易于实现,而且所产生的重要性密度函数在系统状态转移概率密度的基础上,融入最新的观测数据,提高了对系统状态后验概率的逼近程度.理论分析和实验结果表明,PF-QKF算法的估计精度比无味粒子滤波(PF-UF)算法提高了约18%,其计算复杂度比PF-UF算法稍有降低,表明PF-QKF算法是一种很有效的非线性滤波算法.     

一种强背景噪声下的WSN目标定位算法

为了进一步提高无线传感器网络(WSN)目标定位解算精度,提出了一种改进的Cubature粒子滤波(ICPF)定位算法.该算法运用最小二乘法估计移动目标当前初始时刻的位置,使用Cubature卡尔曼滤波和Gauss-Newton迭代法来充分利用测量更新后的状态最新信息,精确设计目标状态重要性密度函数,为粒子滤波提供相应的建议分布,从而能够更加有效改善粒子滤波器的性能.仿真实验结果证明,提出的改进算法在强背景噪声下能有效提高定位精度且收敛性增强,其性能优于标准粒子滤波(PF)、扩展粒子滤波(EPF)及Unscented粒子滤波定位算法(UPF).      

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

闪烁噪声下目标跟踪的容积粒子滤波算法

针对闪烁噪声下非线性非高斯系统的目标跟踪问题,首先建立了闪烁噪声的数学模型;然后分析了传统粒子滤波算法的优劣点,在此基础上,引入容积卡尔曼滤波算法,重新设计粒子滤波的重要性密度函数,提出用容积粒子滤波算法来跟踪目标。最后进行了仿真分析与对比。仿真结果表明,闪烁噪声条件下,容积粒子滤波算法的跟踪误差分别是传统粒子滤波算法和无迹粒子滤波算法的1/5和1/2,有更高的跟踪精度;而运行时间仅是无迹粒子滤波算法的1/2,且跟踪稳定性更好。     

ACDKF在SINS大方位失准角初始对准中的应用

将可以估计系统参数、噪声统计特性和修正滤波增益的自适应估计方法引入到CDKF算法中,并将其应用到SINS大方位失准角初始对准中,实现SINS大方位失准角初始对准,解决了噪声特性不准确的非线性问题,避免了线性化误差对滤波精度的影响,克服了噪声统计特性不准确的局限性,进一步提高了导航精度.采用自适应中心差分卡尔曼滤波(ACDKF)进行初始对准,提高了CDKF算法的收敛性和系统的稳定性.仿真结果表明:ACDKF能够克服噪声统计模型不准确对滤波结果的影响,对失准角的估计精度优于CDKF,进一步提高了系统的精度和可靠性.     

粒子群优化平方根强跟踪CKF及应用

提出一种粒子群优化平方根强跟踪容积卡尔曼滤波算法,并将其用于水下应答器辅助航位推算组合导航系统. 以强跟踪滤波器为理论框架,结合容积卡尔曼滤波器,设计了平方根强跟踪容积卡尔曼滤波器. 提出一种改进的粒子群算法,将粒子两两为一对分成若干对,每进化一次后,比较两个粒子的代价函数值,代价函数值较优的粒子,搜索方向侧重于群体历史经验,代价函数较差的粒子,搜索方向侧重于自身历史经验. 将改进的粒子群算法用于求取强跟踪滤波器的渐消因子. 仿真结果表明在系统模型不准确的情况下所提算法依然能够有效跟踪状态变化,比传统的容积卡尔曼滤波器具有更高的滤波精度和稳定性.      

ISR-CDKF在SINS大方位失准角初始对准中的应用

针对捷联惯导系统（SINS: Strapdown InertialNavigation System）误差模型在大方位失准角条件下非线性的特点, 对非线性滤波算法的研究具有十分重要的意义。扩展卡尔曼滤波（EKF: Extended Kalman Filter）精度低, 而且需要计算复杂的雅可比（Jacobian）矩阵; 而中心差分卡尔曼滤波（CDKF: Central Difference Kalman Filter）虽然精度稍高, 但计算量大, 且算法不稳定。为克服以上不足,提出了迭代测量更新的平方根中心差分卡尔曼滤波(ISR CDKF: Iterative Square Root Central Difference Kalman Filter)算法, 并应用于SINS大方位初始对准中。通过滤波仿真, 进一步表明了ISR CDKF算法不仅具有更高的精度和收敛性, 同时具有较强的数值稳定性。     

融合RTS平滑的迭代无迹卡尔曼粒子滤波方法

对粒子滤波算法中建议分布函数的设计提出了一种新的方法,即将迭代无迹卡尔曼滤波(Iterated Unscented Kalman Filtering,IUKF)与Rauch-Tung-Striebel(RTS)平滑算法融合,产生新的建议分布函数,以减小粒子滤波的粒子数匮乏现象,与单独使用无迹卡尔曼滤波产生建议分布函数的粒子滤波方法(Unscented Kalman Particle Filtering,UPF)相比,状态的估计结果更加准确,系统具有更好的稳定性。最后通过仿真研究验证了该方法的有效性。     

高斯衍生粒子滤波器

针对基于高斯滤波的重要性采样方法运算量的明显增加主要集中在使用高斯滤波生成更好的重要性密度函数的问题,提出了一种新的高斯衍生粒子滤波算法(GDPF).该算法将一种类似光子衍射的粒子衍生重要性采样方法与现有的高斯辅助粒子滤波算法(GAPF)相结合,通过粒子的扩张与收缩,在保证不减少参与状态估计的粒子数的条件下减少更新粒子数,根据粒子权值大小自适应地调整衍生粒子数,能很好地缓解精度与运算量之间的矛盾,抑制粒子退化等问题.对衍生粒子进行理论分析,证明了其与高斯采样粒子的等效性.仿真结果表明,当选取了相同的参与状态估计的粒子数时,所提算法保持了与原算法相当的估计精度,同时运算量大大降低.     

基于平方根容积卡尔曼滤波的永磁同步电机状态估计

针对使用容积卡尔曼滤波算法(Cubature Kalman Filter, CKF)在复杂非线性状态估计时存在的误差较大、运算速度慢等问题,引入一款改进后的平方根容积卡尔曼滤波算法(Square-Root Cubature Kalman Filter, SRCKF)。建立非线性系统线性化模型和电机数学模型,引入SRCKF实现对转速和转子位置的状态估计,在Matlab/Simulink环境下对SRCKF和CKF两种算法进行仿真。结果表明：平方根容积卡尔曼滤波大大降低了电机在状态估计时的运行速度和估计误差,提高了估计精度,系统更加稳定。     

基于反馈判决的鲁棒自适应机动目标跟踪算法

针对平方根容积卡尔曼滤波(SRCKF)在机动目标跟踪中面临测量异常和模型失准时估计精度下降的问题,提出了一种基于反馈判决的鲁棒自适应算法.利用Huber函数对观测残差序列处理获得权重向量以修正测量协方差,增强算法的抗差能力以克服测量异常问题;同时,引入多重渐消因子调整预测误差协方差,从而改变滤波增益,增强算法的自适应性...     

SINS/CCD系统四元数中心差分姿态估计算法

针对载体捷联惯性导航系统(SINS)姿态确定中乘性四元数扩展卡尔曼滤波在大初始失准角情形下收敛速度慢及计算精度较低的问题,提出了捷联惯导与星敏感器组合系统姿态估计模型的单位四元数二阶中心差分算法.在推导系统姿态四元数非线性误差模型及其变量计算基础上,利用拉格朗日代价函数法计算四元数加权均值和四元数状态向量,以及非四元数向量分离策略计算估计均值及其方差矩阵,实施中心差分最优姿态估计计算达到提高算法计算精度和降低系统计算量的目的.仿真验证表明:在载体大初始失准角情形下,该算法相比于乘性扩展卡尔曼算法和四元数无迹卡尔曼算法,滤波精度得到提高,算法收敛速度相比于乘性扩展卡尔曼算法有所改善.