基于非线性映射的自适应混合Kalman/H∞滤波器

Kalman滤波器的精度高,但是鲁棒性差。H∞滤波器虽然鲁棒性好,但是精度不高,将两种滤波器进行混合获得新的滤波器可同时具备高精度和对干扰噪声的鲁棒性。通过对Kalman滤波器的实时性能评价,提出了一种基于非线性映射的自适应调节权值混合Kalman/H∞滤波器,并通过全球定位系统/推位组合导航模型对提出的方法进行了仿真验证。仿真结果表明,在干扰噪声统计特性变化和系统模型存在摄动条件下,与Kalman滤波和H∞滤波方法相比,所提出的混合Kalman/H∞滤波方法具有更高的滤波精度,更适用于实际应用。     

H∞鲁棒滤波器与Kalman滤波器的对比

通常Kalman滤波技术应用得比较广泛 ,然而在系统模型和噪声统计特性存在不确定性的条件下 ,Kalman滤波的应用就受到了一些限制。H∞ 滤波可有效地解决Kalman滤波所遇到的问题 ,不仅估计精度高 ,而且还具有鲁棒性。简要介绍了H∞ 滤波技术和Kalman滤波技术 ,设计了H∞ 鲁棒滤波器和Kalman滤波器 ,并分 3方面对二者的性能进行了比较分析。     

平方根二阶EKF及其在目标运动分析中的应用

针对无源目标运动分析的强非线性和低可观测性特点,提出一种改进的二阶扩展Kalman跟踪滤波算法。为了降低传统二阶扩展Kalman算法的计算量,首先研究了对状态矢量正交化处理,减少二阶展开项协方差矩阵计算量的方法;在此基础上,将平方根Kalman算法与二阶扩展Kalman滤波器相结合,提高了滤波器的数值稳定性能;最后,将该算法应用在一个目标运动分析实例中,通过计算机仿真和试验验证了该算法的有效性。     

捷联惯导系统初始对准的SVM自适应Kalman滤波算法

作为捷联惯导系统初始对准关键技术的Kalman滤波要求事先精确已知系统及量测噪声的统计特性,当在滤波过程中这些特性改变时,滤波器性能将会降低甚至发散,针对这一问题采用了一种支持向量机(SVM)自适应Kalman滤波(SVMAKF)算法,根据协方差匹配技术应用支持向量机来动态调谐量测噪声方差阵R,当量测噪声随时间改变时,SVMAKF可以实时的估计出准确的噪声方差阵,这就降低了系统对量测噪声先验统计特性的依赖性,能够改善kalman滤波器的状态估计效果.基于SVMAKF的捷联惯导系统初始对准计算机仿真结果表明在滤波精度和滤波器鲁棒性上,SVMAKF都有比传统Kalman滤波器好的表现.     

DS/SS通信系统多个窄带干扰消除算法研究

首先提出了一种基于WPT Kalman的干扰分离、增强和消除算法。该算估采用小波包变换 (WPT)准确地跟踪单个干扰的频率和带宽并将其从接收信号中分离出来 ,然后对其使用Kalman滤波进行增强。利用干扰分离所使用的小波包基对消除干扰以后的信号进行再次WPT ,得到单个干扰的量测噪声 ,并采用一种独特的参数估计方法实现量测噪声参数的在线实时估计 ,从而改善了Kalman滤波对干扰信号波形的估计性能。该方法综合利用了WPT自适应构建信号特性所对应的“最佳”滤波器组的能力和Kalman滤波对未知信号的线性的、无偏的、最小方差估计的特点以及量测噪声参数在线实时估计策略的优点 ,可以很好地恢复多个独立的、时变的窄带干扰以便消除。仿真结果表明 ,该算法可以提高DS/SS通信系统抗窄带干扰的能力     

多雷达组网虚拟观测卡尔曼滤波算法研究

多雷达组网对空域运动目标跟踪时,组网雷达极坐标测量值与目标状态值呈非线性关系,不满足卡尔曼滤波线性化使用要求。提出将组网融合中心惯性坐标系虚拟为滤波观测坐标系,使得滤波状态和虚拟测量简化为线性关系,通过虚拟观测噪声建模、滤波初始化建模,解决了多雷达组网使用卡尔曼滤波对空域运动目标的最优化滤波估计问题。软件仿真测试和检飞数据验证表明:虚拟观测卡尔曼滤波算法(Virtual-Observation Kalman Filter Algorithms,VOKFA),滤波精度高、算法稳定性好,非常适合于多雷达组网滤波跟踪工程应用。     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

小波基自适应去卷滤波器研究

为了提高信号处理的精度，熔最小均方滤波、Kalman滤波和小波变换于一炉，提出了小波基自适应去卷滤波器。并用文中方案做了若干仿真实验，结果表明，该滤波器能很好地跟踪反射系数信号，并能滤去高频噪声，平均相对误差在1％以内，表明文中方案是十分有效的。     

基于自适应初始搜索点预测的目标跟踪算法

为了得到恰当的初始搜索点以使得目标跟踪算法避开背景干扰并缩短搜索距离,提出了一种自适应初始搜索点预测的算法。该算法通过对坐标变换参数的变化率进行Kalman滤波来更好地预测初始搜索点;更重要的是,该算法有效地在线估计Kalman滤波器中的模型噪声功率,而非先验地对它们的取值做出假设,因而能够在没有任何人工干预的情况下动态地根据不同的目标运动状况和搜索精度进行实时调整。大量实景视频流上的实验结果均证实了该算法显著提高了跟踪稳定性,并且大幅降低了计算量。     

有色观测噪声条件下的分布式Kalman最优融合

传统分布式Kalman融合算法通常假定观测噪声是白噪声,在有色观测噪声条件下将导致系统性能的降低,而白化有色观测噪声会加剧传感器估计误差的相关性,对这种相关性的处理是分布式Kalman融合的难点.提出了一种基于有色观测噪声多传感器系统的分布式Kalmn最优融合算法,将系统状态分解为不相关的两部分,进行非扩维Kalman滤波以及分布式状态融合,证明了分布式状态融合等价于集中式Kalman最优融合,并进一步分析了具有反馈和非反馈两种结构的多传感器系统,给出了反馈结构下修正的分布式Kalman最优融合算法.同时分析了有色观测噪声对Kalman滤波器的影响.理论分析与蒙特卡罗仿真表明:所提算法具有全局最优性并且便于工程实时计算.     

基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题, 提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上, 使用三阶容积原则推导了状态预测公式, 并使用M-M方法实现状态的量测更新, 构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中, 仿真结果表明, 基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后, 分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响, 验证了所提算法的鲁棒性。     

Modelling of a Class of Nonstationary Time Series with Kalman Filter Using Moving Window

In this paper a method for modelling and forecasting of a class of nonstationary time series with Kalmnan filter using moving window is proposed. The procedure of the method is as follows: in terms of parameter estimation during recursive process by using LSM, the state space equation is constructed, then the Kahnan filter using moving window is made to get the data with reduced level of observation noise. Finally, the precise parameter estimation can be obtained by using the LSM again. The algorithm is carried on recursively. Good results for estimating and forecasting are shown by simulation, examples. The algorithm of Kalman filter using moving window proposed by us is introduced in this paper, which can guarantee the precision and convergence of Kalman filter.     

基于卡尔曼滤波的在线量子态估计优化算法

针对连续弱测量中存在高斯测量噪声的问题, 提出一种基于卡尔曼滤波的在线量子状态估计的预测-修正-投影优化算法。首先,在常规在线卡尔曼滤波算法预测状态时间更新和估计状态测量更新的基础上, 通过增加对量子态的约束条件, 将其应用于在线的量子状态估计中, 将量子态在线估计问题转化为一个带有量子态约束条件的卡尔曼滤波优化问题。其次,通过将待优化问题的求解分解成两个凸优化子问题,一个是基于在线卡尔曼滤波算法求解无约束条件下的量子测量更新问题, 另一个是利用量子约束条件信息, 通过求解矩阵投影问题来获得估计状态。最后,将所提算法应用到4量子位系统状态的在线估计数值实验中, 进行了性能对比实验。实验结果表明, 所提算法具有更优的在线状态估计精度, 并且能够以更少的采样次数和耗时, 实现较高精度的量子状态在线估计。     

多重渐消因子强跟踪SCKF及其在#br# 故障参数估计中的应用

针对非线性系统中不可观测故障参数估计问题,提出基于多重渐消因子强跟踪平方根容积卡尔曼滤波（multiple fading factors strong tracking square-root cubature Kalman filter, MSTSCKF）的状态和参数联合滤波算法。MSTSCKF基于强跟踪滤波器理论框架,通过引入多重渐消因子实时调整增益矩阵,克服平方根容积卡尔曼滤波（square-root cubature Kalman filter, SCKF）在故障参数变化函数未知或者突变时滤波精度下降甚至发散的缺点,并兼具SCKF在非线性拟合精度和数值稳定性等方面的优点。仿真结果表明,相比SCKF和强跟踪无迹卡尔曼滤波（unscented Kalman filter, UKF）,本文提出的方法具有更高的估计精度。     

衰减记忆自适应滤波在惯导系统传递对准中的应用

针对滤波稳定性问题,提出了一种改进的衰减记忆自适应滤波算法。通过引入衰减记忆滤波矩阵,根据残差序列输出的互不相关性,在线自适应地调整衰减因子,从而使衰减记忆滤波工作在最佳状态。将该算法应用于惯导系统的传递对准过程,仿真结果表明在模型和噪声统计特性的先验信息不准确时,该算法优于传统的卡尔曼滤波。     

SR-CH∞KF用于弹丸飞行姿态测量研究

为提高弹丸姿态测量精度,提出一种基于H∞滤波的平方根容积卡尔曼滤波.该方法通过三轴地磁传感器和陀螺仪组合测量模型,采用欧拉角算法模型减少状态维数并使状态方程呈现线性化,可以减少计算量.该方法可以适用于量测噪声不确定的情况,引入新息序列不断修正误差限定参数来更新量测噪声估计值,可以提高滤波的精度和鲁棒性.奇异值分解能够保...     

Optimization-based particle filter for state and parameter estimation

In recent years, the theory of particle filter has been developed and widely used for state and parameter estimation in nonlinear/non-Gaussian systems. Choosing good importance density is a critical issue in particle filter design. In order to improve the approximation of posterior distribution, this paper provides an optimization-based algorithm (the steepest descent method) to generate the proposal distribution and then sample particles from the distribution. This algorithm is applied in 1-D case, and the simulation results show that the proposed particle filter performs better than the extended Kalman filter (EKF), the standard particle filter (PF), the extended Kalman particle filter (PF-EKF) and the unscented particle filter (UPF) both in efficiency and in estimation precision.     

软件接收机中基于数据处理的多径估计方法

当信噪比(signal-to-noise ratio, SNR）较低时基于数据处理的多径估计算法的估计性能显著降低。提出了基于Kalman滤波和Teager-Kaiser (TK）算子/最小二乘(least square, LS）相结合的多径估计算法,简称KTK/KLS算法。该算法通过Kalman滤波消除低SNR的高斯噪声对相关输出的影响,然后将滤波后的相关输出用于TK算子/LS估计直接信号时间延迟或多径参数。KTK/KLS算法有效解决了仅使用TK算子和LS算法进行参数估计时对噪声比较敏感的问题,保留了二者对多径比较敏感的优点。最后,通过仿真将KTK/KLS算法与其他高效的基于数据处理的多径估计算法进行比较,结果表明所提出算法的多径估计精度优于对比算法。     

基于多智能体导航的高超飞行器信息融合方法

精确导航技术是高超飞行器(hypersonic vehicle, HV)充分发挥威力的关键所在。然而,高马赫数和强机动性致使HV的导航系统误差及其观测噪声无法准确描述,制约着导航信息的精确性和实时性。为及时获取高精度导航信息,设计基于集员框架的卡尔曼滤波算法。一方面采用多智能体分布式协同探测,形成观测椭球交叉集合,提高了观测效率和测量精度;另一方面,通过设计两类噪声模型,求其与状态估值的最小均方误差,实现滤波增益的计算,提高算法对噪声的抗扰动能力,使状态估值达到均方误差最小。通过数字仿真,将设计方法应用到HV导航模型中,并与扩展卡尔曼滤波和集员滤波的状态估值进行比较,结果表明,提出算法在不同噪声影响下具有更高的估计精度。研究成果将为HV实现实时精确导航提供技术支持,并具有重要的理论意义和应用价值。