带相关噪声的观测融合稳态Kalman滤波算法及其最优性

对于带相关的输入白噪声和观测白噪声及相关观测白噪声的多传感器线性离散定常随机系统,用加权最小二乘(wLs)法提出了一种加权观测融合稳态Kalman滤波算法,并基于信息滤波器证明了它同集中式观测融合稳态Kalman滤波算法功能的等价性.因而,它具有渐近全局最优性,且可减少计算负担.一个跟踪系统数值仿真例子验证了它的功能等价性.     

两传感器信息融合超前κ步稳态最优Kalman预报器

应用Kalman滤波方法 ,基于Riccati方程 ,对于带相关噪声的系统 ,在线性最小方差融合准则下 ,提出了两传感器按矩阵加权信息融合超前k步稳态最优Kalman预报器 ,给出了最优加权阵和最小融合预报误差方差阵的具体计算公式。同单传感器情形相比 ,可提高预报器的精度。一个跟踪系统的仿真例子说明了其有效性     

两传感器信息融合超前k步稳态最优Kalman预报器

应用Kalman滤波方法,基于Riccati方程,对于带相关噪声的系统,在线性最小方差融合准则下,提出了两传感器按矩阵加权信息融合超前k步稳态最优Kalman预报器,给出了最优加权阵和最小融合预报误差方差阵的具体计算公式.同单传感器情形相比,可提高预报器的精度.一个跟踪系统的仿真例子说明了其有效性.     

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。     

基于Kalman滤波的目标轨迹预测

Kalman滤波器在各个领域都有广泛的应用,如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等．卡尔曼滤波器在机动目标跟踪中具有良好的性能,它是一种最佳估计并能够进行递推计算．但以Kalman滤波方法预测的过程需要对目标的运动方程有准确了解而且要求系统的过程与测量噪声为高斯噪声且相互独立,这在实时跟踪过程中都是很难满足的．本文利用基于Matlab编程的Kalman滤波改进算法实现目标预测跟踪,并绘出目标质心轨迹坐标．     

变分配系数联邦Kalman滤波在塔机定位中的应用

鉴于塔机的复杂结构,建立了应用联邦Kalman滤波算法的塔机定位系统,并提出了改进的变分配系数联邦Kalman滤波方法,在联邦Kalman滤波系统的循环滤波过程中,分配系数随噪声的不断变化而不断调整.此联邦Kalman滤波方法适用于复杂的、大噪声的信息融合系统,对目标状态估计更为精确有效,可以有效提高塔机系统的定位精度,实现塔机的精确定位.仿真结果表明其正确性与有效性.     

基于稳态Kalman滤波的相关观测融合方法及其功能等价性

对于带相关观测噪声和带不同观测阵的多传感器线性离散定常随机系统,用加权最小二乘（WLS）法提出了两种加权观测融合稳态Kalman滤波方法,可处理状态、白噪声和信号融合估计。基于稳态信息滤波器证明了它们功能等价于集中式融合稳态Kalman滤波方法,因而具有渐近全局最优性,且可显著减少计算负担。两个跟踪系统数值仿真例子验证了它们的功能等价性。     

基于EM算法的随机动态系统建模

提出一种在噪声统计信息未知的情况下,对随机动态系统模型进行建模的方法.采用状态空间模型描述随机动态系统,模型的参数通过EM算法进行估计,通过改进该算法中的Kalman滤波,实现了对噪声协方差矩阵的估计.基于改进的Kalman滤波,EM算法可以用于噪声统计信息未知的动态系统建模.     

多状态矢量Kalman滤波算法

提高跟踪精度是雷达发展的重要方向之一.本文建立的雷达跟踪模型,将不同时刻的状态变量联合进行处理,通过改变状态转移矩阵,给出了一种使用多状态矢量的Kalman滤波以提高雷达跟踪精度的新手段.仿真结果表明,相比传统的EKF算法,多状态矢量Kalman滤波能得到更加稳定、准确的滤波结果.     

带有色观测噪声的广义系统Kalman滤波器

对于带多传感器的广义线性离散随机系统,应用奇异值分解,并通过对观测方程的状态变换,将带有色观测噪声的系统变换为等价的带相关噪声的两个降阶多传感器子系统.应用Kalman滤波方法,在线性最小方差按块对角阵加权融合准则下,提出了按矩阵加权融合降阶广义Kalman滤波器,可减少计算负担和改善局部滤波精度.为了计算最优加权,给出了局部滤波误差协方差阵的计算公式,证明了融合器和局部滤波器之间的精度关系.一个Monte Carlo仿真例子说明了其有效性.     

基于有色噪声卡尔曼滤波的GPS多径估计研究

在最大似然多径估计技术的基础上,提出了一种新的基于有色噪声卡尔曼滤波的全球定位系统(GPS)多径信号估计技术.建立了GPS多径信号的卡尔曼滤波估计模型,推导了观测噪声为有色噪声的卡尔曼滤波的状态方程和观测方程,阐述了有色噪声的形成过程,推导了卡尔曼滤波的递推公式.实验结果表明,提出的设计技术可以在20dB·Hz的载噪比条件下对多个GPS多径信号进行较精确的估计.     

多传感器全局最优观测融合白噪声反卷积滤波器

白噪声反卷积问题在石油地震勘探中具有重要的应用背景。利用Kalman滤波方法提出了多传感器最优观测加权融合白噪声反卷积Wiener滤波器。同集中式和分布式融合方法相比,不仅可得到全局最优白噪声融合估值器,而且可显著地减小计算负担,便于实时应用。一个四传感器Bernoulli-Gaussian白噪声加权观测融合估值器的仿真例子说明了其有效性。     

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法     

自校正信息融合Kalman预报器

对含未知噪声统计的多传感器系统，用现代时间序列分析方法，基于滑动平均（MA）新息模型的在线辨识和求解相关函数矩阵方程组，可在线估计噪声统计，进而在按矩阵加权线性最小方差最优信息融合准则下，提出了自校正信息融合Kalman预报器。证明了它的收敛性，即它具有渐近最优性，且自校正融合Kalman预报器比每个局部自校正Kalman预报器精度高。一个目标跟踪系统的仿真例子说明了其有效性。     

有色噪声下的卡尔曼滤波

以平台式惯导系统为例 ,论述了如何用卡尔曼滤波技术处理有色噪声 .     

信息融合稳态最优Kalman平滑器

应用Kalman滤波方法,基于Riccati方程,在线性最小方差最优融合准则下,提出了按矩阵加权的两传感器最优融合稳态Kalman平滑器,给出了最优加权阵和最小融合误差方差阵。同单传感器Kalman平滑器相比,可提高平滑精度。一个雷达跟踪系统的仿真例子证明了其有效性。     

自校正加权观测融合Kalman估值器

对于带未知噪声统计的多传感器系统，应用现代时间序列分析方法，基于滑动平均（MA）新息模型参数的两段递推最小二乘法在线辨识，可在线估计未知噪声方差，进而提出了一种加权观测融合自校正Kalman估值器，可统一处理自校正滤波、预报和平滑问题，并证明了它的收敛性，即若MA新息模型参数估计是一致的，则它与相应的最优加权观测融合Kalman估值器的误差收敛到零，因而具有渐近全局最优性。一个带3传感器跟踪系统的仿真例子说明了其有效性。     

自校正标量加权信息融合Kalman滤波器

对含未知噪声统计的多传感器系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识和求解相关函数矩阵方程组,可在线估计噪声统计,进而在按标量加权线性最小方差最优信息融合准则下,提出了自校正标量加权信息融合Kalman滤波器。它具有渐近最优性,且比每个局部自校正Kalman滤波器精度高,算法简单,便于实时应用。一个目标跟踪系统的仿真例子说明了其有效性。