基于强跟踪滤波器的改进非线性自适应观测器

对基于强跟踪滤波器的非线性自适应观测器(nonlinearadaptiveobserver,NAO)的收敛性进行了分析,给出了NAO局部渐近收敛的充分条件。提出了一种改进非线性自适应观测器(modifiednonlinearadaptiveobserver,MNAO)算法。MNAO在具有强跟踪特性的同时对输出测量中的坏数据有较强的鲁棒性。为了降低对初始误差的敏感性,采用一种强跟踪扩展卡尔曼观测器算法启动MNAO。数值仿真示例显示了本方法的有效性。     

基于强跟踪滤波器的PMSM无速度传感器DTC策略

针对扩展卡尔曼滤波器(EKF)对模型误差鲁棒性差的问题,提出了基于强跟踪滤波器(STF)的永磁同步电机(PMSM)无速度传感器直接转矩控制(DTC)策略,该方法利用永磁同步电机定子坐标系下的非线性数学模型和强跟踪滤波技术建立了STF观测器,从而实现了对电机定子磁链、转速和转子位置的实时在线观测。仿真结果表明,STF观测器可以准确地观测出电机定子磁链和转速,同时与EKF观测器相比,该观测器对于系统参数摄动、外部干扰等系统模型失配具有更强的鲁棒性。     

基于强跟踪滤波器的自适应常加速模型及跟踪算法

建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服"当前"统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对"当前"统计(CS)模型的分析研究,在常加速(CA)模型的基础上提出了一种基于强跟踪滤波器的自适应常加速模型及跟踪算法(ACA-STF).该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比"当前"统计模型算法具有更高的跟踪精度.     

一种强跟踪自适应状态估计器及其仿真研究

分析了强跟踪滤波器中新息方差近似计算方法的不足,提出了一种基于衰减记忆思想来近似计算新息方差的改进强跟踪滤波器。然后,对于过程噪声水平未知的目标状态估计问题,在Sage-Husa过程噪声水平自适应估计算法的基础上,一旦通过基于新息的滤波器发散判据检测到可能出现的发散现象,提出用改进的强跟踪滤波器进行抑制,极大地提高了滤波算法的鲁棒性。对三种典型的目标机动形式进行的Monte-Carlo仿真结果进一步验证了新提出算法的有效性。     

基于多卡尔曼滤波器的自适应传感器融合

准确估车前目标的位置和状态是车辆安全系统的一个重要组成部分,利用多传感器可以提高对目标测量的可靠性。给出了一种用于汽车防碰撞系统中估计车前目标位置的多传感器融合算法,根据车辆与目标之间的一步预测距离,从多个预置的卡尔曼滤波器中选择一个合适的滤波器来实时处理传感器的量测数据。该算法不仅可以有效地处理具有不同测量范围的传感器数据,同时还可以通过滤波器切换的方式,处理具不同数据速率的传感器数据。Monte Carlo数字仿真证明了该算法的有效性。     

基于强跟踪滤波器的纯方位机动目标跟踪算法

针对无源纯方位跟踪中目标机动的问题,提出了一种基于强跟踪滤波器的机动目标跟踪算法.该算法在目标机动跟踪中通过实时调节增益阵,提高了滤波器对状态变化的跟踪能力,避免了修正增益协方差(MGEKF)算法中所寻找的观测量修正函数不准确而引起较大的误差.同时对量测模型非线性问题采用伪量测变换估计器(PLE)予以解决,它具有形式简单,计算量小的优点.最后将该算法与MGEKF算法相比较,Monte Carlo仿真结果验证了提出算法的优越性.     

基于强跟踪滤波器估计的最优融合方法

在分布式雷达数据处理模式中 ,数据融合是获得较精确的目标轨迹的主要环节。为克服卡尔曼滤波器对初始值敏感、鲁棒性差和对机动目标跟踪性能差的缺陷 ,通过利用各传感器的观测数据 ,采用强跟踪滤波器对目标进行跟踪 ,以改善目标状态估计的精度。对判定源于同一目标的状态估计值 ,给出了一种估计状态线进行性组合的最优融合准则。得出了实际数据的实验结果。     

一种带未知时变系统噪声水平的目标跟踪滤波器

在机动目标跟踪中，为了保证Kalman滤波器的数值稳定性和最优性，未知的时变系统噪声水平需要在线估计，但已有方法主要针对平稳或统计特性缓变的噪声过程。在Sage-Husa系统噪声水平自适应估计算法的基础上，通过引入基于新息的滤波器发散检测判据和利用强跟踪滤波器的思想，提出了一种系统噪声水平估计值的时变调节因子阵来抑制因系统噪声水平突变而引起的滤波器可能出现的发散问题。Monte-Carlo仿真结果表明，该算法不仅数值稳定性好，同时目标的跟踪精度也得到明显改善。     

迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter, IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2~3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter, UKF)的迭代收益就难以保证。     

基于强跟踪滤波器的液压伺服系统实时故障诊断

为了在线监测运行工况和提高其可靠性,研究了液压伺服系统的实时故障诊断模型和方法.使用强跟踪滤波器联合估计系统的状态和未知时变参数,使用修正的贝叶斯算法检测故障和估计出故障的幅值,从而建立故障诊断模型和实现液压伺服系统的实时故障诊断.仿真结果证实了模型的合理性和可行性,参数估计误差小于1.2%.该方法对模型参数的不确定性具有较强的鲁棒性,能正确检测和分离液压伺服系统的故障.     

FLAKF在无陀螺惯性测量组合中的应用

在无陀螺惯性测量组合（non gyro inertial measurement unit, NGIMU）导航计算中,由于加速度计输出动态噪声的存在,造成误差随时间迅速累积。采用传统卡尔曼滤波方法进行NGIMU/GPS组合导航系统设计时,又由于观测噪声的复杂性,造成滤波结果不明显。针对上述噪声统计特性不易确定的问题,基于NGIMU九加速度计配置方案,提出利用模糊逻辑自适应卡尔曼滤波(fuzzy logic adaptive Kalman filter, FLAKF)方法进行NGIMU/GPS组合导航系统设计。该FLAKF方法通过对噪声方差进行修正,将卡尔曼滤波器调整到最优状态。同时进行了系统位移、速度、角速度仿真,仿真结果验证了FLAKF方法的可行性。     

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。     

Unscented extended Kalman filter for target tracking

A new method of unscented extended Kalman filter (UEKF) for nonlinear system is presented. This new method is a combination of the unscented transformation and the extended Kalman filter (EKF). The extended Kalman filter is similar to that in a conventional EKF. However, in every running step of the EKF the unscented transformation is running, the deterministic sample is caught by unscented transformation, then posterior mean of nonlinearity is caught by propagating, but the posterior covariance of nonlinearity is caught by linearizing. The accuracy of new method is a little better than that of the unscented Kalman filter (UKF), however, the computational time of the UEKF is much less than that of the UKF.     

基于自适应卡尔曼滤波盲多用户检测的新算法

研究在稳态的码分多址(code-divisionmultiple-access,CDMA)系统存在很强的抗多址干扰时,使多用户检测中的最优判决向量的估计保持较高的数值鲁棒性的算法。采用一种新的自适应卡尔曼滤波多用户检测算法估计CDMA系统多用户接收器的最优判决向量,高性能盲自适应多用户检测算法。通过仿真实验,可以看出,该算法收敛速度快、跟踪性能好、数值稳定性好。仿真实验表明,提出的方法能够有效抑制阵发性多用户干扰,具有很强的抗多址(multipleaccessinterference,MAI)干扰能力和较高的数值鲁棒性。     

基于平方根UKF的多传感器融合再入段目标跟踪研究

为了提高再入段目标跟踪的精度,将平方根不敏卡尔曼滤波（unscented Kalman filter, UKF）算法与多传感器分布式融合算法相结合,提出了基于平方根UKF的多传感器融合跟踪算法。在各个独立的传感器中利用平方根UKF滤波器进行状态估计,然后通过分布式融合方法融合各传感器的状态估计值得到全局的状态估计值和误差协方差,将全局误差协方差进行加权对各传感器进行分配更新。通过仿真验证,基于平方根UKF的多传感器融合跟踪算法具有较高的跟踪性能,是一种有效的非线性融合跟踪算法。     

基于自适应UKF算法的机载INS/GPS空中对准研究

在空中对准失准角不满足小角度假设的条件下,推导了一种新的机载INS/GPS大失准角空中对准的误差模型。将基于极大似然估计的自适应估计器与无迹卡尔曼滤波(unscented Kalman filter, UKF)算法相结合,修改自适应滤波算法中自适应参数的表达式。提出将自适应UKF算法用于非线性误差模型的空中对准方案中。仿真表明,自适应UKF算法能够克服噪声统计模型不准确对滤波结果的影响,失准角估计的精度好于UKF算法的精度。     

Modified unscented Kalman filter using modified filter gain and variance scale factor for highly maneuvering target tracking

To improve the low tracking precision caused by lagged filter gain or imprecise state noise when the target highly maneuvers, a modified unscented Kalman filter algorithm based on the improved filter gain and adaptive scale factor of state noise is presented. In every filter process, the estimated scale factor is used to update the state noise covariance Qk, and the improved filter gain is obtained in the filter process of unscented Kalman filter （UKF） via predicted variance Pk｜k-1, which is similar to the standard Kalman filter. Simulation results show that the proposed algorithm provides better accuracy and ability to adapt to the highly maneuvering target compared with the standard UKF.     

自适应卡尔曼滤波器渐消因子选取方法研究

分析了通过改变噪声和初始条件抑制Kalman滤波发散的方法,指出了造成Kalman滤波发散的原因和控制Kalman滤波发散的机理。推导了衰减记忆滤波方程并研究了衰减记忆滤波噪声阵和滤波初值的选取条件,分析了衰减记忆滤波条件下量测噪声阵遗忘因子权重变化的物理意义。给出了衰减记忆滤波不发散的自适应遗忘因子的新算法,仿真结果证明了所述方法的有效性。     

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。