具有随机偏差的最优多段卡尔曼估值器

提出了具有随机偏差的最优多段卡尔曼估值器。针对状态模型与观测模型同时具有偏差且偏差模型噪声与状态模型噪声相关的情况 ,给出了具有随机偏差的状态方程的增广状态 ,并通过U V变换对卡尔曼估值器的协方差矩阵解耦得到了最优多段卡尔曼估值器。结果表明 ,多段卡尔曼估值器不仅是最优的 ,而且降低了计算的复杂度     

两段卡尔曼估值器及最优条件研究

考虑了具有ARMA模型随机偏差的两段卡尔曼估值器的最优条件问题。首先给出了增广状态的最优卡尔曼滤波和两段卡尔曼估值器 ;其次证明了在一定的代数约束条件下 ,两段卡尔曼估值器和增广状态的最优卡尔曼滤波是等价的 ;最后 ,由于给定的代数约束条件在实际系统中是受限制的 ,因此结论表明两段卡尔曼估值器是次优的。     

格形滤波器在ARMA模型辨识中的应用

本文总结了近年来发展的ARMA模型格形辨识算法。基于运用格形滤波器的特性来获得ARMA模型格形辨识算法的思路,着重分析了三种典型算法及其性能,给出了稳定判据,最后指出了今后的发展方向。     

误差方差约束下不确定离散时间系统的鲁棒卡尔曼滤波

本文研究状态矩阵及测量矩阵中均含有不确定性的离散时间系统的鲁棒卡尔曼滤波问题。在状态估计领域中，指标要求常直接以状态分量的估计误差方差上限的形式给出。为此，本文的目的在于设计卡尔曼滤波增益，使不确定系统的估计误差方差达到稳态且其值不大于预先指定值、文中给出了期望鲁棒滤波增益的存在条件及其解析表达式，并以数值算例说明设计方法的直接性与有效性。     

机动目标状态估计

本文研究适用于综合火力／飞行控制系统要求的机动目标状态估计的算法问题。通过选取直角坐标及伪测量量构成扩展Ｋａｌｍａｎ滤波。在此基础上，提出采用距离通道冗余滤波以提高距离通道的滤波精度，同时，得到了改善其它估计量精度的一种算法。通过综合火力／飞行控制系统的ＭｏｎｔｅＣａｒｌｏ仿真表明，该算法具有很好的性能。     

基于辅助粒子滤波的风估计方法研究

对飞行中风场测量值含连续野值较多的问题,提出了将连续野值当作噪声处理的方法。噪声设置为随机游走模型并在状态方程中引入时变系数,利用辅助粒子滤波(APF)处理。与当前的自适应Kalman方法进行了比较,在含10个连续野值的模拟数据处理中,Kalman方法发生了跳变,而APF方法成功地处理了连续野值;APF方法和Kalman方法的平均均方误差分别为0.8313和1.0021。最后,将APF方法用于飞行测量数据处理。结果表明,APF方法能处理更多的连续野值,具有更好的精度和稳定性,适合工程应用。     

地炮定位雷达中的弹道外推及误差估计

本文结合我国正在研制的某型地炮侦校雷达的研究,设计了一个用于弹道外推的卡尔曼滤波器,介绍了依用卡尔曼滤波器估计出的弹丸飞行参数外推出敌方炮位的方法.首次提出了估计外推误差的方法.本文还给出了弹道外推及误差估计的计算机模拟结果.     

一类动态多尺度系统的模型和估计算法

多传感器信息融合是信息学科的重要研究方向,本文的目的就是对分布在多个尺度上的传感器信息进行融合。本文针对一类动态多尺度系统,在国内外相关研究的基础上,提出一种新的动态多尺度系统建模方法。该模型满足标准卡尔曼滤波条件,给出了基于Haar小波的实现方法,基于此可以获得各个尺度上目标状态线性最小方差意义下的最优估计值。仿真结果令人满意,最细尺度上用本文方法进行估计优于直接进行卡尔曼滤波的效果。     

基于自适应卡尔曼滤波的汽车前后轴干扰力估计

针对汽车自动车道保持控制中汽车侧向干扰信息难以直接获取,提出把汽车动力学模型和自适应卡尔曼滤波理论相结合进行汽车前后轴干扰力估计.在线性二自由度汽车动力学模型中考虑前后轴的侧向力干扰,以辅助变量横摆角速度、侧向加速度和方向盘转角为量测信息,通过改进的自适应卡尔曼滤波算法建立了前后轴干扰力的最小方差估计,并对量测信号进行了滤波降噪.基于ADAMS/Car的虚拟试验验证了该算法具有较高的估计精度,可以为汽车侧向控制系统中估计器的设计提供理论指导.     

动力学模型系统误差及其协方差阵的随机加权拟合法

在现有的基于移动窗口函数模型和随机模型系统误差自适应拟合方法的基础上,提出一种基于移动窗口动态导航模型系统误差的随机加权拟合法,在相同的窗口内给出了相应的状态预报向量协方差阵的随机加权拟合。由于动力学模型系统误差难以直接修正,采用修正状态估计误差向量及动力学模型误差向量的方法,实现对动力学模型系统误差的修正,然后利用修正后的动力学模型及相应的协方差阵进行导航滤波计算,有效地抑制动力学模型系统系统误差的影响,提高导航解算的精度。仿真结果证明,采用随机加权拟合后的算法精度优于未进行拟合的卡尔曼滤波和自适应卡尔曼滤波算法。     

时间序列模型辨识的非线性规划方法

本文利用有关优化理论,把ARMA模型辩识问题转化为带约束条件的非线性规划问题,并通过降维处理把n阶的ARMA模型辨识问题简化为3n维的无约束非线性规划问题,从而为一般的ARMA模型辨识提供了一条新的途径。文中还给出了仿真例子,以证明该方法的有效性。     

PEAK COVARIANCE STABILITY OF A RANDOM RICCATI EQUATION ARISING FROM KALMAN FILTERING WITH OBSERVATION LOSSES

We consider the stability of a random Riccati equation with a Markovian binary jump coefficient. More specifically, we are concerned with the boundedness of the solution of a random Riccati difference equation arising from Kalman filtering with measurement losses. A sufficient condition for the peak covariance stability is obtained which has a simpler form and is shown to be less conservative in some cases than a very recent result in existing literature. Furthermore, we show that a known sufficient condition is also necessary when the observability index equals one.     

一类广义过程非观测分量依可观测分量随机信号的最优滤波与估计

研究信号传递系统中一类含分式有理谱密度广义过程非观测分量依可观测分量随机信号的最优滤波与估计问题。为了有效提高此类信号传递系统的信息滤波效率，在首先建立此类含分式有理谱密度多维广义过程随机信息序列模型并对此类过程非观测分量依可观测分量随机信号进行最佳线性估计与均方误差分析的基础上，深入研究此类广义过程随机信号的最优递推滤波与估计。研究结果表明，本文给出的最优递推滤波算法及其得到的最优递推滤波和最佳线性估计方程，对于解决该类广义过程随机信号的最优滤波与估计效果甚佳，为进一步提高此类信号传递系统的效率提供了一种非常有效的数学处理方法。     

Modified unscented particle filter for nonlinear Bayesian tracking

A modified unscented particle filtering scheme for nonlinear tracking is proposed, in view of the potential drawbacks （such as, particle impoverishment and numerical sensitivity in calculating the prior） of the conventional unscented particle filter （UPF） confronted in practice. Specifically, a different derivation of the importance weight is presented in detail. The proposed method can avoid the calculation of the prior and reduce the effects of the impoverishment problem caused by sampling from the proposal distribution, Simulations have been performed using two illustrative examples and results have been provided to demonstrate the validity of the modified UPF as well as its improved performance over the conventional one.     

基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

预测误差方差约束下的稳态离散卡尔曼滤波

在预测与滤波领域中，指标要求常常直接表现为状态分量的预测误差方差的上界形式。本文研究稳、暂态指标约束下的离散系统卡尔曼滤波问题，即设计滤波增益，使每个状态分量的预测误差方差不大于各自预先给定值，同时滤波矩阵满足给定的区域极点约束。本文给出了期望滤波增益的存在条件及其解析表达式。数值例子说明了本文设计方法的简单性与有效性。     

基于无轨迹卡尔曼滤波器的感应电机转速估计

借助仿真,深入探讨了卡尔曼滤波器家族新成员—无轨迹卡尔曼滤波器(UKF)用于感应电机转速估计这一问题。分析了采样周期以及滤波器参数对UKF收敛特性的影响,从静态性能、动态响应速度、对电机参数的灵敏度、算法复杂度等各方面评价了UKF转速估计性能,并与经典的扩展卡尔曼滤波器(EKF)转速估计进行了比较。结果表明UKF并不能以预想的突出优势在感应电机转速估计问题上取代EKF。     

基于两点外推法的跟踪滤波器启始方法研究

对于多目标跟踪系统，滤波器的起始波门的设计是一个关键问题，首先给出了利用量测标准差与采样周期比值的相对大小来确定滤波器启始的方法，然后利用目标速度极限的先验信息构造环状波门，并考虑量测量噪声对环状波门的影响，利用矩阵范数特性，导出一种更精细的基于两点外推的滤波器启始法，仿真结果表明利用本文方法的构造出的波门的置信区间比其他两种方法所构作出的更为合理。     

基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。     

基于卡尔曼滤波理论的实时行程时间预测模型

行程时间预测是交通流诱导系统研究的一项重要内容．在分析各种行程时间预测方法的基础上,本文利用卡尔曼滤波理论建立了行程时间预测模型, 利用实测的交通流量预测几个时段后的路段行程时间, 进而预测路径行程时间．文中利用三种方法预测行程时间并对结果进行了分析