基于新息特性抗野值Kalman预测算法

针对Kalman最优预测方法应用过程中,量测值中的野值对状态预测的不利影响,提出了一种基于新息正交特性实时估计量测方差的新算法.该算法使得修正的量测方差能够保持修正前的新息正交性,从而改变Kalman最优增益,修正状态预测值,使得预测误差的方差为最小.仿真结果表明,该算法能够克服野值对状态最优预测值的不利影响,提高了跟踪精度.     

基于Kalman滤波的稳态白噪声估值器

基于 Kalman 滤波,对带非零均值的相关噪声系统提出了统一的稳态白噪声估值器,可统一处理白噪声滤波、平滑和预报问题。它们包括稳态输入白噪声估值器和观测白噪声估值器,且包括白噪声新息滤波器和 Wiener 滤波器。一个 Bernoulli-Gaussian 白噪声的仿真例子说明了它们的有效性。     

噪声相关下的无序量测状态更新估计算法

在多传感器跟踪系统中，由于存在通信延迟等因素使得跟踪滤波器的传感器到达处理中心的时序被打乱，出现无序量测的情况．本文主要采用目前国际上用的较多直接更新法，即直接用延迟到达的量测更新目标状态，同时考虑输入噪声和过程噪声的相关性，给出了噪声相关情况下的无序量测的直接状态更新估计．最后又通过计算机仿真比较了丢弃延迟量测和直接更新法，验证了该算法具有更高的优越性，更具实际意义．     

基于Kalman滤波的白噪声估计理论的推广

应用Kalman滤波方法和射影理论,将现行的白噪声估计理论推广到一般的随机系统,其中系统噪声在相邻时刻是相关的,且系统噪声和观测噪声在相同和相邻时刻也是相关的。提出了统一的最优和稳态白噪声和拟白噪声估值器。一个仿真例子说明了其有效性。     

无序量测下的多传感器观测噪声融合估计

本文采用直接更新法,给出了噪声相关情况下的各局部传感器观测噪声更新估计算法;给出了观测噪声线性最小方差意义下的最优对角阵加权融合更新估计算法．     

一般相关量测噪声线性系统的递推状态估计

为了得到具有一般相关量测噪声线性系统的递推滤波算法,将该问题转化为具有相关量测单值随机向量的滤波问题,根据单值随机向量的线性无偏最小方差估计算法,导出了量测噪声为一般相关鞅差序列的线性系统的最优递推状态估计滤波算法,通过数值仿真,将该算法与假定量测噪声不相关时的Ｋａｌｍａｎ滤波算法进行了比较,证明了该算法的有效性。     

有色量测噪声情况下的多传感器目标跟踪融合算法

目前已有的目标跟踪融合估计算法都是基于Kalman滤波的,而卡尔曼滤波估计算法要求系统过程噪声和量测噪声均为白色噪声,而实际的跟踪系统中量测噪声往往是有色噪声。针对上述问题,本文利用线性组合当前量测与下一时刻量测的量测扩增法,研究了有色量测噪声情况下的集中式、分布式多传感器目标跟踪融合算法。并对新的融合算法进行仿真分析,仿真结果表明新的融合算法具有良好的跟踪性能。     

误差协方差约束下的传感器噪声估计算法

该文针对具有误差协方差约束下噪声确界算法为研究背景,阐述了协方差约束下容许噪声发展过程和现状,介绍了卡尔曼滤波噪声的确界算法,在此基础上重点陈述了不完全量测下噪声确界办法。提出不完全量测下传感器精度容许噪声的确界算法,在给定协方差的条件下,利用凸优化问题求解最优值问题的求解方法,在LMI工具箱中求解多传感器容许噪声的问题,介绍了该方法在实际工程中的应用价值,最后指出了当前方法的局限性,并对未来研究方式做了总结和展望。     

基于改进CKF算法的一类有色噪声污染的线性观测系统的状态估计

针对系统受有色噪声污染时容积卡尔曼滤波(CKF)算法滤波精度下降甚至发散的问题,提出了基于量测信息增广的改进CKF算法。改进算法采用量测信息增广方式,将有色噪声白噪声化,再将白化后的噪声和系统噪声去相关化,从而解决了一类有色噪声污染的线性观测系统的状态估计问题。将本文算法应用于生物地球化学仿真模型,对生物圈植被碳含量进行动态估计,仿真结果表明,改进算法具有较高的精度和鲁棒性。     

基于Kalman滤波的带相关噪声系统最优白噪声估值器

基于 Kalman 滤波,提出了带相关噪声定常系统的统一的白噪声估值器。它们由输入白噪声估值器和观测白噪声估值器组成,且可统一处理白噪声滤波、平滑和预报问题,可用于石油地震勘探信号处理和状态估计。一个 Bernoulli-Gaussian 白噪声平滑器的仿真例子说明它们的有效性。     

机动目标跟踪中一种改进的自适应卡尔曼滤波算法

针对“当前”统计模型中预先设置机动频率和加速度极限值造成对目标跟踪精度不高的问题,提出一种新的参数自适应算法.该算法利用目标前后2个时刻的加速度均值代替“当前”统计模型中只利用前一时刻的加速度值作为当前时刻的加速度均值,推导出了机动频率自适应,再利用加速度方差与加速度变化量之间存在的正比线性关系,推导出了加速度方差自适应,避免了由于参数设置不合理而造成的跟踪误差.理论分析和仿真结果表明,改进算法有效提高了目标跟踪精度,仿真结果验证了改进算法的有效性.     

卡尔曼滤波方程的改进算法及应用

针对卡尔曼滤波的缺点，提出了一种卡尔滤波的改进算法，然后将其应用到给合导航系统中，并用实例对该法进行了详细的说明，仿真结果表明，该方法简单实用，效果很好。     

基于限定记忆随机加权扩展卡尔曼滤波的车辆状态估计

为了降低车辆状态估计过程中历史量测数据误差的影响,提出一种限定记忆随机加权扩展卡尔曼滤波(LMRWEKF)算法.首先,建立三自由度非线性车辆动力学模型;其次,将限定记忆滤波与扩展卡尔曼滤波融合,构成限定记忆扩展卡尔曼滤波;然后,依据随机加权理论,设计服从狄利克雷分布的加权系数来进一步提高滤波估计精度;最后,建立Cars...     

相关观测噪声的加权观测融合UKF滤波器

对于具有相同观测方程,相关观测噪声的非系统,应用无迹卡尔曼滤波器(UKF),以及加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.该算法具有全局最优性,且没有增加观测系统的维数,进而没有增加系统的计算负担.一个带有相关观测噪声的两传感器非线性系统的仿真例子说明了该融合算法的有效性及等价性.     

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。     

一种用于移动通信终端定位的卡尔曼滤波器改进设计

针对传统方法进行移动通信终端定位时,由于无线通信信道存在着噪声干扰、非视距传播、多址干扰等因素的影响,导致移动通信终端定位精准度较低的问题。提出了基于(TDOA/AOA)时间测量值的卡尔曼滤波器改进设计移动通信终端进行定位。利用卡尔曼滤波器抑制和消除TOA/TDOA测量值中NLOS误差,然后通过BP神经网络在时间更新预测阶段及测量阶段对标准的卡尔曼滤波器进行修正,将预处理的TOA测量值输入到修正后卡尔曼滤波器来实现TODA/AOA移动通信终端混合定位,最终确定移动终端的具体位置。实验结果表明,改进的卡尔曼滤波器可以提高移动通信终端定位的精度,具有良好的实用性。     

一种改进的各向异性高斯滤波算法

为了抑制更好的抑制噪声保留边缘信息,提出了一种各向异性高斯滤波的改进方法,该方法先用中值滤波去除椒盐噪声,再利用灰度共生矩阵的惯性矩特征值调整滤波器的长轴尺度,实现各向异性高斯滤波.实验证明,本文所提出的改进方法,在噪声抑制和边缘保持方面优于各向异性高斯滤波器.     

IMM迭代无迹Kalman粒子滤波目标跟踪算法

针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法.该算法在多模型滤波过程中采用改进的粒子滤波算法,通过迭代无迹Kalman滤波融入最新观测信息,进而生成粒子滤波的重要性密度分布,从而提高采样质量,改善滤波算法性能.仿真结果表明,提出的算法相对于交互式多模型粒子滤波算法具有更好的跟踪效果.该算法对提高跟踪机动式再入目标的精度与实时能力具有一定的理论意义.     

一种基于扩展Kalman滤波器的神经网络学习算法

为了解决前馈神经网络BP算法在处理非线性对象时 ,收敛速度慢 ,易陷入局部极值 ,需调节参数多等的缺陷 ,提出将扩展卡尔曼滤波 (EKF)算法引入神经网络的学习中 .把前馈网络的所有权值、阈值作为EKF算法的状态 ,网络输出作为EKF的观测 .同时为了防止滤波发散 ,对算法做了改进 .仿真结果表明 ,该算法比BP算法在收敛速度、抗噪能力方面都有明显提高 ,同时还保证了一定的泛化能力     

改进卡尔曼滤波的IRFPA非均匀性校正算法

提出一种改进的卡尔曼滤波的IRFPA非均匀性校正算法,该算法使用求逆引理对传统迭代公式进行求逆变换,使用误差协方差逆阵形式实现迭代过程,使算法计算复杂度由nk×nk阶矩阵求逆降低至nk维对角矩阵求逆,简化了传统卡尔曼滤波算法的递推过程,提高了实时性能．通过对实际采集的红外图像序列进行仿真实验,结果表明：该算法在继承传统校正算法校正精度的同时,兼顾提高了算法校正速度,运行效率可以提高至2倍．