不确定动态系统的两种递推估计性能比较

对于噪声统计信息等不确定的动态系统的状态估计问题,人们提出了多种符合实际应用要求的递推算法,其中推广的遗忘因子递推最小二乘（EFRLS）和H∞滤波是两种有效估计的方法。对这两种估计的性能进行了比较,用计算机模拟实例说明了EFRLS方法在多种性能指标下较H∞滤波更优,为实际应用提供了有益的指导。     

红外序列图像目标跟踪的自适应Kalman滤波方法

提出了一种用于动态序列图像目标跟踪的自适应Kalman滤波方法。该方法用函数估计的思想估计目标的当前运动模型，同时实时修改滤波器的统计模型，并将最小二乘支持向量机应用于对当前目标运动模型的估计。实验表明，此种改进的Kalman滤波器的算法在跟踪机动目标时具有良好的性能。     

最小二乘滤波及其在INS/双星系统中的应用

为了克服传统Kalman滤波在实际应用中存在的局限性,研究了基于状态估计的最小二乘滤波。该方法将传统的最小二乘估计与状态估计问题有机结合,对系统噪声和量测噪声的统计特性不敏感。利用实测的激光捷联惯导系统/双星(LSINS/DS)组合数据对最小二乘滤波和传统Kalman滤波进行仿真比较,结果表明,在噪声统计特性未知的情况下,最小二乘滤波的精度更高、收敛速度更快、鲁棒性更强。     

一种精确跟踪机动目标的滤波算法的研究

介绍一种自适应调整过程噪声方差的滤波计算新方法.此方法不需要目标机动的先验知识,而是构造一个可自适应调整的缩放因子,通过该因子对过程噪声进行调节.结合协方差匹配自适应滤波算法的思想,给出一种新的机动目标跟踪算法.通过蒙特卡洛仿真,同IMM算法进行比较,结果表明算法在目标发生机动时具有更好的性能.     

针对含噪信号的自适应跟踪微分器改进研究

跟踪含噪信号时,传统的自适应跟踪微分器会有扰动引入到速度因子和滤波因子参数中,导致系统跟踪紊乱从而跟踪到噪声。针对这个问题,分析了噪声引入的原因,研究了传统自适应跟踪微分器的性能,提出了将跟踪间距的滑动窗口标准差估计作为输入的自适应函数来调整滤波因子和速度因子的改进跟踪微分器(IATD)的实现方法。仿真结果表明,IATD具有精确的参数调整能力,噪声条件下拥有更快的跟踪速度,同时在宽范围信噪比条件下也具有更强的噪声抑制能力。     

一种新的用于UWB RAKE接收机的自适应算法:快速横向滤波算法

本文首次提出将快速横向滤波(FTF)算法引入超宽带(UWB)通信系统的接收机结构中.通过引入遗忘因子对角矩阵,推导了带有遗忘因子的FTF滤波器的递推算法.FTF算法可以自适应地跟踪接收机输入信号的幅度衰减,做出实时地估计.仿真实验表明:FTF算法在运算量、收敛速度和误码率等性能上要优于常用的RLS算法,尤其FTF算法的收敛速度对数据的相关性不敏感,比RLS算法更具有吸引力.     

一种基于噪声方差未知情况下的航迹融合方法

在目标航迹融合中,联邦滤波器以其高精度和良好的容错性在航迹融合中有着重要应用,但它在处理过程中要求噪声方差是已知的,而在实际情况中,噪声方差大多是未知的.基于上述问题,利用推广的遗忘因子最小二乘法(EFRLS),研究了噪声方差未知情况下无重置式联邦Kalman滤波的应用问题,并针对子滤波器出现中断或不工作的情况对无重置式联邦滤波器进行了改进.仿真结果表明,在噪声方差未知的情况下,改进的滤波器具有更高的精度和更好的容错性.     

一种加权广义预测自适应递推优化控制算法

文章给出了一种时变遗忘因子递推最小二乘-递推增广最小二乘(RLS—RELS)的性能指标加权的广义预测自适应的优化控制算法,解决了模型反馈校正中控制参数与噪声干扰紧耦合情况下参数估值变慢的问题,通过在线递推估计参数,提高了系统计算速度,并且在优化控制量过程中给出一种简便收敛递推算法,避免了逆阵的计算,提高了效率和精度,增强了鲁棒性,仿真效果表明了该算法优于传统的广义预测控制算法.     

基于模板修正和自适应Kalman预测的刚性目标跟踪

目前在远景刚性目标的跟踪中,由于长序列图像具有亮度动态范围大及背景噪声大的特点,当前模板的尺寸和位置往往不能有效代表目标,从而使目标的预测和相关搜索产生误差累积;另外,Kalman预测常因过程噪声与模型不匹配使其对机动目标跟踪适应性差.对上述问题进行研究提出了一种基于区域增长的模板修正方法,并对Kalman预测中过程噪声自适应的方法进行了仿真.结果表明,这种新的模板修正方法具有良好的尺寸及位置自适应能力和抗背景噪声能力,而且过程噪声的自适应也有效提高了Kalman预测的准确度,对目标跟踪具有指导作用.     

基于动态不确定度评定的加权数据融合算法

加权融合算法的AR模型,采用遗忘因子递推最小二乘法估计出测量方差.根据测量方差对单一导航传感器信息进行动态不确定度评定,进而确定组合导航系统的组合不确定度.在满足组合不确定度最小的情况下,利用拉格朗日乘数法进行加权值的求解.通过实例仿真表明该法具有较高的融合精度,对提高组合导航系统的定位精度具有实际意义.     

基于卡尔曼滤波的机动目标外推预测的研究

卡尔曼滤波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,是一种最佳估计并能够进行递推计算。为了研究卡尔曼滤波对机动目标的预测,首先用Matlab仿真验证自适应卡尔曼滤波的跟踪滤波能力,根据结果判定目标运动模型,进而在此运动模型下用卡尔曼预测对目标进行外推验证。     

基于后向平滑容积卡尔曼滤波的单站无源定位算法

单站无源定位跟踪是一个典型的非线性滤波问题,由于测量精度不高、初始误差较大等原因容易导致滤波算法定位精度低、收敛速度慢。本文将一种新型的滤波算法——容积卡尔曼滤波（cubature Kalman filter,CKF）应用于单站无源定位领域,并将后向平滑滤波思想与CKF算法相结合,提出了一种后向平滑容积卡尔曼滤波算法（backward-smoothing CKF,BSCKF）。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,并采用后向平滑值进行递归滤波,具有更优非线性估计性能。仿真实验表明,与EKF、UKF和CKF算法相比,BSCKF算法定位精度更高、收敛速度更快。      

低载噪比GPS信号载波跟踪环路滤波算法

抑制锁相环（PLL）中的抖动噪声对于连续精确跟踪低载噪比GPS信号具有重要意义。本文设计了一种基于Kalman滤波理论的PLL模型用于处理GPS软件接收机中的弱载波信号。该模型通过去相关模型误差噪声和测量噪声,使PLL具有更小的过冲和噪声干扰的载波相位差和多普勒频移的正确估计,保持了PLL对GPS信号的有效跟踪。最后,通过仿真实验说明了基于Kalman滤波器的PLL的可行性。     

含状态等式约束的分布式估计融合

在假设各传感器间观测噪声不相关的基础上,将最优线性无偏估计意义下的分布式最优估计融合公式推广至含状态等式约束的分布式估计融合问题中,并在此约束条件下,先将该约束系统直接转换为投影系统,再利用投影系统中的Kalman滤波估计,分别讨论了两种信息融合方式:中心式与分布式融合。进一步地指出中心式估计融合优于分布式估计融合,并在分布式融合结构下,得到了约束的Kalman滤波估计优于投影的Kalman滤波估计的结论。通过数值模拟论证了两种融合方式下的性能差异。     

基于CMAC的卡尔曼滤波技术在组合导航系统中的应用

经典卡尔曼滤波器要求假设系统的动态模型和观测模型的噪声统计特性已知,而组合导航系统的噪声具有非先验性。为了解决这一问题,提出小脑模型神经网络（CMAC）辅助卡尔曼滤波器。仿真试验结果表明,该辅助算法的精度与经典卡尔曼滤波算法相比提高了2倍,收敛时间缩短近200 s,并有效地克服了传统神经网络学习速度慢,泛化能力弱的缺点,使系统具有自适应能力,以应付动态环境的扰动。     

机载有源无源传感器稳健融合方法

在机载有源无源情报融合处理中,很多条件很难满足中心式滤波的要求,比如一般情况下过程噪声是不正确的,或者不知道的.给出了几种稳健的Kalman滤波,这些方法主要针对运动方程或者观测方程中噪声信息未知或者噪声信息不准确的情况下,对数据进行融合.如果只是过程的信息未知,提出的自适应滤波,即是用观测信息对运动方程的噪声进行实时估计;如果运动方程和观测方程的噪声不准确,则可以采用H∞滤波进行噪声误差方差估计.     

Estimation of nonstationary EEG with Kalman smoother approach: an application to event-related synchronization (ERS)

An adaptive spectrum estimation method for nonstationary electroencephalogram by means of time-varying autoregressive moving average modeling is presented. The time-varying parameter estimation problem is solved by Kalman filtering along with a fixed-interval smoothing procedure. Kalman filter is an optimal filter in the mean square sense and it is a generalization of other adaptive filters such as recursive least squares or least mean square. Furthermore, by using the smoother the unavoidable tracking lag of adaptive filters can be avoided. Due to the properties of Kalman filter and benefits of the smoothing the time-frequency resolution of the presented Kalman smoother spectra is extremely high. The presented approach is applied to estimation of event-related synchronization/desynchronization (ERS/ERD) dynamics of occipital alpha rhythm measured from three healthy subjects. With the Kalman smoother approach detailed spectral information can be extracted from single ERS/ERD samples.     

State Bounding在目标跟踪中的应用

本文把Ｂｏｕｎｄｉｎｇ估计引入目标跟踪领域,提出一种用状态估计集几何中心作为目标滤波值的递推算法。该算法使用椭圆集来描述状态的不确定性并给和系统和观测噪声的界,以最小值椭圆作为更新准则。仿真结果给出了本算法与Ｋａｌｍａｎ滤波算法的性能比较以及界内噪声分布不同时跟踪性能的差别。     

基于扩展集员滤波与信息几何的机动目标跟踪

面对当前日益复杂的雷达跟踪目标和环境,广泛应用的卡尔曼滤波及其扩展类算法虽然能以较少的计算量得到较好的跟踪效果,但其要求过程噪声与量测噪声符合零均值高斯分布,否则会导致滤波发散。为解决系统状态及噪声未知但有界情况下的机动目标跟踪问题,介绍了一种扩展集员滤波机动目标跟踪算法,并辅以基于信息几何的跟踪性能监测处理。通过仿真分析验证了基于集员滤波与信息几何的机动目标跟踪边界约束性能及跟踪准确度较好,且能通过统计流形距离的变化来探测目标是否发生机动。