动态系统基于时域与频域相结合的多尺度联合滤波器

针对基于小波变换与Kalman滤波相结合的多尺度联合估计方法中存在的问题,本文利用新的系统分块技术与多尺度变换方法相结合,建立一个动态系统基于时域与频域相结合的多尺度联合滤波器.首先,将时域中描述的状态方程和观测方程改写为块状态方程和块观测方程;利用多尺度变换技术在时域和频域中联合描述它们;结合Kalman滤波与顺序滤波的思想,建立了一类应用于动态系统的多尺度估计联合滤波器.新滤波器不仅保留了传统Kalman滤波器的实时性和递归性等优良性质,而且在滤波过程中还具有对随机状态信号进行多尺度分析的能力.计算机仿真实验验证了利用新估计器得到的估计精度可与利用传统Kalman滤波器得到的估计精度相媲美.     

粒子滤波器在运动单站被动测距中的应用

被动测距中直接测量的方位角、俯仰角与位置坐标的非线性函数组成测量方程.假设目标相对于观测站在三维空间中作匀速直线运动,建立了运动单站被动测距的状态转移方程.由测量方程和状态转移方程组成的动力学模型,将被动测距归结为典型的非线性状态估计问题.粒子滤波器利用Monte Carlo模拟计算状态的最优Bayesian估计,它适合于任何能用动力学系统概述的模型,状态估计精度不依赖于坐标初始假设值.模拟实验实现了粒子滤波在匀速运动观测站对匀速运动目标的被动测距,实验结果说明:粒子滤波器在被动测距中有重要的意义.     

被动测距的可观测性分析和滤波方法

首先建立运动单站被动测距的数学模型,然后分析被动测距的可观测性,并针对实际应用提出了相应的滤波估计方法.可观测性问题分析了具有不同运动特征的目标在仅有方位角和俯仰角测量时能计算位置坐标的充分条件,将被动测距归结为典型的间接测量问题.由于直接测量的方位角和俯仰角与位置坐标的关系构成非线性测量方程,利用离散状态空间模型的分析方法,将被动测距描述为非线性状态估计问题.推广卡尔曼滤波、粒子滤波是求解被动测距非线性状态估计的常用方法.模拟了实际的被动测距模型,并用推广卡尔曼滤波和粒子滤波方法估计目标的位置坐标序列.模拟实验表明:这两种方法在运动单站被动测距中是有效的.     

基于伪测量方程模型库的延迟量测滤波

信息在传感器网络传输过程中会出现延迟、错序和丢包等现象,如何充分地利用这些信息对有效提高状态估计精度非常重要。针对现有延迟量测滤波方法中存在的问题,本文基于所建立的伪测量方程模型库,提出一种用于处理延迟量测的滤波方法。首先,利用线性定常系统的参数时不变特性,在测量值有限延迟条件下建立伪测量方程模型库;然后,基于当前时刻到来的延迟或即时测量数据,在模型库中选取与之对应的测量方程模型,并结合系统状态模型,建立系统状态的预测估计器或滤波估计器或滤波融合估计器。仿真对比验证了新方法的有效性与最优性。     

基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法

针对多说话人跟踪的非线性系统模型,提出了一种基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法。该方法采用麦克风阵列的时间延迟估计作为观测数据,利用具有三次代数精度的球面-径向数值积分准则计算非线性系统贝叶斯滤波器中的多维积分,通过数值积分卡尔曼滤波和概率假设密度滤波对后验多说话人状态的一阶统计量进行估计,并通过递推更新得到说话人状态信息,实现非线性高斯系统的多说话人跟踪。该方法无需求解非线性系统函数的雅克比矩阵,且计算量较小。仿真实验分析了检测概率、虚警点数目、采样周期、信噪比以及混响时间变化时跟踪算法的性能。实验结果表明,该方法降低了系统模型非线性对滤波算法的影响,增强了跟踪算法的鲁棒性,提高了说话人状态和数目的估计精度。      

确定采样型滤波器优化算法及其在编队导航中的应用

针对基于视觉的编队导航系统的导航参数估计问题,开展了确定采样滤波器对导航参数的估计研究。根据僚机体坐标系下的编队运动方程和视觉量测方程,建立了适用于确定采样滤波器的系统状态方程和量测方程。针对采样点不能满足姿态四元数的归一化要求,采用无约束的罗德里格参数代替四元数进行采样,选择的采样点能够满足编队导航系统的要求。采用3阶采样点的确定采样型滤波器对编队导航状态进行估计。UKF和CKF由于分别存在中心采样点权值过大和非局部效应而导致滤波发散,因此通过正交变换的方法对非局部效应进行修正,实现了估计误差的稳定收敛。通过仿真验证表明,提出的改进方法能够满足编队导航状态估计的要求。     

一类带有等式约束的动态系统的滤波方法

在动态系统的状态受到约束的时候,传统的卡尔曼滤波器无法直接的应用.本文提出了一种多尺度约束滤波算法来处理一类由等式方程描述的约束问题.通过对系统状态的分块和小波变换,建立一个包含约束条件的新的动态系统,然后对小波系数进行滤波,最后通过重构得到原系统的估计值.新算法的估计过程是实时的,并且具有多尺度分析的能力.利用约束条...     

利用Kalman滤波修正卫星导航差分RTK定位坐标

卫星导航差分RTK(Real Time Kinematic)定位方法的定位精度极易受到载波相位整周模糊度固定算法的影响,在模糊度固定失败的情况下,差分RTK定位将出现大幅偏差.针对该问题,基于Jerk模型提出了一种利用Kalman滤波修正差分RTK定位坐标的方法.在传统Jerk模型基础上,将卫星导航系统输出的载体运动速度信息引入状态空间模型的观测方程.基于扩展状态空间模型,利用Kalman滤波器实时修正载体的位置坐标.半实物仿真表明,所提方法能大幅改善卫星导航差分RTK定位精度.     

扩维UKF在目标状态估计器中的应用

在火力/飞行控制(IFFC)系统的目标状态估计器(TSE)设计中,通常目标运动模型可精确地在直角坐标系下建模,同时在传感器坐标系下所获得的目标量又是直接可用的,但一般量测模型是非线性的,滤波器模型需采用非线性滤波方法.为了提高状态估计器的估计精度,在UKF(Unscented Kalman Filter)算法基础上,介绍了一种新的AUKF(Augmented UKF)滤波方法.此算法的思想是尽可能多地利用系统的量测信息,把系统和量测噪声同状态变量联系起来一起考虑,即把系统和量测噪声也列为状态.这要求预测方程产生的采样点同样被应用到更新方程,从而使噪声项的作用通过非线性方程进行传递.通过Monte-Carlo仿真与EKF(Extented Kalman Filter)算法进行了比较,仿真结果表明新算法的有效性和实用性.     

不确定退化测量数据下的剩余寿命估计

剩余寿命估计是工程系统预测与健康管理的关键.目前,基于观测的系统退化数据进行剩余寿命估计得到了很大的关注.由于系统随机退化过程和测量误差的影响,测量数据中不可避免包含退化随机性和测量不确定性.然而,现有基于观测数据的剩余寿命估计研究中,没有将退化随机性和测量不确定性对估计的剩余寿命分布的影响同时考虑.鉴于此,提出了一种基于Wiener过程且同时考虑随机退化和不确定测量的退化建模方法,利用Kalman滤波技术,实现了潜在退化状态的实时估计.在退化状态估计的基础上,得到了同时考虑退化状态不确定性和测量不确定性的解析剩余寿命分布.此外,提出了一种基于极大似然方法的退化模型参数估计方法.最后,通过陀螺仪的退化测量数据验证了本文提出的方法优于不考虑测量不确定性的方法,可以提高剩余寿命估计的准确性.     

基于姿态角辅助非线性滤波算法的机动目标跟踪

基于扩展卡尔曼滤波思想,本文提出了一种融合姿态角信息的非线性滤波算法.通过分析目标二维和三维运动特征与姿态角的关系,以姿态角和速度模值为控制项,建立状态方程和量测方程,对目标的位置状态进行估计,实现了姿态角信息和位置信息的有效融合.姿态角在不同随机噪声条件下的仿真实验结果验证了算法的准确性和实时性.     

集中式BLUE滤波器在组网雷达中的应用

为解决组网雷达对目标跟踪中的量测非线性问题,提出基于最佳线性无偏估计器(BLUE)准则的融合滤波方法。建立以融合中心为原点的组网雷达对目标定位的量测方程,推导出极坐标系与球坐标系下跟踪目标的BLUE滤波模型。理论分析表明,集中式BLUE滤波架构在估计单个雷达量测转换误差统计特性的同时,还估计出雷达间量测转换误差的统计特性。因此,跟踪精度和置信度较分布式BLUE滤波方法有显著提高,计算量较其他算法也有明显优势。不同场景下的仿真分析证明:该方法在不同状态噪声水平下的表现优异,是一种很有竞争力的跟踪算法。     

一种改进的α-β滤波算法

针对传统α-β滤波算法不够有效跟踪机动目标的问题,详细分析了其内在原因,提出一种改进的α-β滤波算法.该算法不需要假定目标的机动模型,而是将目标的机动加速度作为滤波状态直接估计出来,将估计加速度作为输入控制量引入到传统α-β滤波器的状态估计方程中进行机动目标的跟踪.然后将它与传统α-β滤波算法进行比较,证明了新的算法不仅具有传统算法计算量小的优点,而且还可以对机动目标进行实时跟踪.仿真结果表明,新算法在综合性能上明显优于传统算法.     

Robust state estimator design for a solar battery charging system

This article describes a robust state estimator design for a solar battery charger where there is significant noise in the output measurements of the solar array voltage that causes degradation in the performance of the maximum power point tracking. The application of the extended Kalman filter, to the photovoltaic system, can lead to enhanced state estimation results so that a recursive solution can be obtained to achieve the most accurate estimate from the noisy signals. Additionally, as a consequence of applying the Kalman filter (KF), the immeasurable state of the inductor current can be estimated without a current sensor. The proposed controller uses the estimated solar array voltage for maximum power point tracker, and the estimated inductor current for determining the battery current controller. The methods for system modeling and design of the extended KF are presented, and the experimental results verify the validity of the proposed system.     

(Semi-)blind channel estimation for space time block coded system with transmit diversity

This paper deals with a blind channel estimation method for space-time coded block transmission system. By concatenating the real part and imaginary part of the received signal to form an elongated vector, we derive an equivalent input–output system model. Then channel state information (CSI) is blindly estimated using subspace method, utilizing only the redundancy inherent in space-time block coding (STBC) and cyclic prefix (CP). The estimation ambiguity, which is common to all blind methods, is analyzed in detail and we prove that there only exist four scalar indeterminacies. Three effective methods to eliminate the ambiguities are also proposed. Compared with other blind channel estimation methods for space time systems, this method needs neither redundant precoding nor oversampling, and thus has higher data rate. Besides, this method is robust to channel order overestimation, which is effectively demonstrated by numerical simulations. This work was supported by NSFC (60496310, 60672093), NSFJS(BK2005061) and BK2005061.     

一种新的基于粒子滤波的多模型跟踪算法

粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。     

量测提升卡尔曼滤波

滤波器设计是系统辨识和状态估计的重要基础.卡尔曼滤波通过状态预测和量测更新的实现框架,在最小方差准则下实现对目标状态的最优估计,但在单传感器量测环境中其滤波精度易受量测噪声随机性的影响.本文提出一种基于量测提升策略的卡尔曼滤波算法实现框架,新方法依据当前时刻量测和量测噪声先验统计信息构建虚拟量测,并通过对虚拟量测采样以及融合提升系统量测信息可靠性,进而改善状态估计精度.同时,针对算法在工程应用中实时性、准确性以及鲁棒性等需求,设计了分布式加权融合和集中式一致性融合的两种实现结构.理论分析和仿真实验结果验证了算法的可行性和有效性.     

一种机载PD雷达交互多模型滤波方法

机载雷达在运动平台上探测目标,探测数据描述的是平台和目标的相对位置。目标的机动状态不明,且探测数据和目标真实位置之间是非线性关系,导致机载雷达的航迹滤波难度大,滤波器精度和稳定性差。本方法中先进行数据预处理,量测误差在天线坐标系下获得,目标状态方程和量测方程在固定坐标中心的直角坐标系下建立,量测误差协方差矩阵由量测误差和位置进行无偏转换获得;采用交互多模型滤波器,模型集由匀速直线运动模型、当前统计模型和角速度未知的匀速转弯运动模型组成;非线性模型迭代由容积卡尔曼滤波实现,各模型的初始概率和模型参数基于速度和径向速度进行预估。仿真实验表明该方法提高了机载PD雷达的航迹情报质量,尤其提高了机动目标跟踪的精度和稳定性。