基于U-D分解滤波的盲空时多用户检测算法

多用户检测作为CDMA系统的抗多址干扰环节,在16bit或32bit专用微处理器或DSP上实现,采用卡尔曼滤波算法的最佳多用户检测算法必然面临数值计算稳定性的问题．文中提出利用U-D分解渐消记忆滤波算法估计CDMA系统多用户接收器的最优判决向量,构造出一种收敛速度快、跟踪性能好、数值稳定性好的高性能盲空时多用户检测算法．仿真实验表明,该方法具有很强的抗多址干扰能力和较高的数值鲁棒性．     

极坐标下卡尔曼滤波算法的研究

针对在某些情况下直角坐标系中卡尔曼滤波算法运算量较大、模型建立比较困难等缺点,提出了极坐标下的卡尔曼滤波算法。该算法选用极坐标作为滤波坐标系,建立了目标运动模型和外推方程,给出了增益阵的一种新的计算方法。仿真结果表明,提出的滤波算法在数据率较高时,滤波精度略低于直角坐标下卡尔曼滤波算法,优于自适应α－β滤波算法,但运算量明显低于直角坐标下卡尔曼滤波算法。     

改进的两步卡尔曼滤波器在惯导平台误差模型辨识中的应用

根据系统特性,将原两步卡尔曼滤波算法进行了简化,并引入自适应滤波方法以防止滤波发散,得到了改进的新算法。理论分析及仿真结果表明,该新算法计算量较扩维卡尔曼滤波算法小,而且可有效克服滤波发散现象。     

一种新的抗差自适应Unscented粒子滤波

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题。提出了一种新的抗差自适应Unscented粒子滤波算法。该算法不但能利用等价权函数和自适应因子合理的分配信息,提高滤波精度,而且具有Unscented粒子滤波的优点,更好的适用于非线性、非高斯系统模型的计算。仿真结果表明,文中提出的抗差自适应Unscented粒子滤波算法,滤波性能明显优于扩展卡尔曼滤波和粒子滤波算法,并且能提高组合导航系统的定位精度。     

基于自适应UKF的单站无源定位算法

针对无迹卡尔曼滤波(UKF)算法在单站无源定位中滤波的性能容易受到初始值和系统噪声影响的问题,提出了一种自适应无迹卡尔曼滤波(AUKF)的跟踪算法。该算法利用观测信息和新息,引入自适应因子,对在滤波过程中的误差的协方差矩阵进行合理自适应调整,保证得到较稳定和高精度的滤波值,从而提高算法的鲁棒性。仿真结果表明,该AUKF算法与扩展卡尔曼滤波算法(EKF)及其衍生算法中的修正协方差滤波算法(MVEKF)和UKF算法相比,对系统噪声的鲁棒性更好,体现在滤波的收敛速度和滤波精度等方面都有所提高,是一种性能更加优越的算法。     

基于Sage-Husa的线性自适应平方根卡尔曼滤波算法

针对标准卡尔曼滤波和扩展卡尔曼滤波存在的局限性,结合平方根滤波的思想,对传统Sage-Husa估计器进行改进,提出了一种新的线性自适应平方根卡尔曼滤波(Linear Adaptive Square-RootKalman Filtering,LASRKF)算法。该算法直接对系统状态方差阵和噪声方差阵的平方根进行递推与估算,确保了状态和噪声方差阵的对称性和非负定性;算法还增添了对系统噪声统计特性估计的计算,强化了滤波器的稳定性和自适应能力;与传统Sage-Husa自适应滤波算法相比LASRKF可提高滤波器抗发散的能力。仿真实验表明,LASRKF可有效提高滤波器的精确性、稳定性和自适应能力。     

自适应平方根中心差分卡尔曼滤波算法在捷联惯性导航系统大方位失准角初始对准中的应用

提出了一种自适应平方根中心差分卡尔曼滤波(ASRCDKF)算法,并应用于捷联惯性导航系统(SINS)大方位失准角初始对准中。ASRCDKF算法以中心差分变换为基础,基于平方根滤波能够克服发散的思想,利用协方差平方根代替协方差参加递推运算,并将自适应估计原理引入该算法中,不仅克服了扩展卡尔曼滤波产生线性化误差和计算雅可比矩阵的不足,而且减小了计算量,保证了数值稳定性。同时,ASRCDKF算法解决了传统滤波算法过度依赖系统动态模型和噪声统计特性先验知识的问题。最后通过滤波仿真证明了ASRCDKF算法在SINS大方位失准角初始对准中的有效性和优越性。     

一种改进的低成本车载MIMU/GPS组合导航系统算法

针对低成本车载MIMU/GPS组合导航系统中存在的航向角可观测性较弱的问题,建立了一种加入GPS测速所获得的航向角信息的量测方程,增强系统航向角的可观测性,从而解决了低成本车载MIMU/GPS组合导航中的航向角可观测性较弱的问题。同时,为提高实时计算效率,并考虑低精度惯性器件噪声统计特性不易准确获得,采用降阶状态模型,并设计改进型强跟踪卡尔曼滤波与U-D分解相结合的滤波算法来抑制模型不精确造成的滤波发散。跑车实验表明,所设计的方法能够很好适用于低成本车载MIMU/GPS组合导航系统。     

伪卫星空中基站定位高性能算法研究

伪卫星作为卫星导航系统的重要增强手段,能够克服卫星系统在导航定位及武器精确制导方面存在的缺点。针对伪卫星空中基站位置不易精确确定的问题,设计了临近空间伪卫星空中基站定位SINS/CNS/SAR组合导航系统,建立了组合导航非线性数学模型;在吸收抗差自适应滤波、高斯滤波和粒子滤波优点的基础上,提出了一种抗差自适应高斯混合Sigma点粒子滤波算法。将提出的算法应用于SINS/CNS/SAR自主导航系统进行计算仿真,并与Unscented卡尔曼滤波和粒子滤波比较,结果表明:提出的新算法能够满足伪卫星空中基站自主导航定位的需求,导航精度明显高于Unscented卡尔曼滤波和粒子滤波算法。     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

自适应扩展卡尔曼滤波在卫星姿态确定系统中的应用

扩展卡尔曼滤波(以下简称EKF)算法应用于卫星姿态确定系统时需要已知精确的系统模型及过程噪声和观测噪声统计特性,并有计算量过大的问题。本文在EKF算法中加入噪声观测器,构成自适应扩展卡尔曼滤波算法(Adaptive Extended Kalman Filter,以下简称AEKF),使系统能够在传感器噪声统计特性未知的情况下,依然获得较高的系统状态估计精度,增强了系统的鲁棒性。并且AEKF算法简化了系统状态方程,相对于EKF算法减少计算量。经数学仿真验证,AEKF算法能较好地对传感器噪声的统计特性进行在线估计,使姿态确定系统正常工作,有较高的工程应用价值。     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.     

基于MVEKF的测向交叉定位跟踪算法

测向交叉定位能够根据两个或多个测量站对同一目标辐射源测得的方位信息,采用最佳状态估计法确定出目标辐射源的位置．针对扩展卡尔曼滤波（EKF）算法存在受初值、测量噪声影响大等缺点,将一种新的修正协方差的扩展卡尔曼滤波（MVEKF）算法应用到固定双站测向交叉定位中,可以提高收敛速度和定位精度．通过与EKF的仿真对比,验证了该算法具有更好的跟踪性能．     

永磁同步电机的转动惯量辨识及状态估计

为提高永磁同步电机伺服系统的动态性能和鲁棒性,研究了基于模型参考自适应系统的转动惯量辨识方法以及基于卡尔曼滤波器的自适应状态估计策略。提出了一种适用于宽转速、高噪声环境下的电机角速度、角位移和负载扰动转矩的在线估计方法,分析了该方法的抗干扰能力以及系统参数变化对估计效果的影响,并通过辨识出的伺服系统转动惯量对卡尔曼滤波器的系数矩阵进行实时更新,实现了转动惯量自适应状态估计。仿真和实验结果表明该算法在速度分辨率、实时性和抗干扰能力上均优于传统M／T方法。     

改进型UKF滤波算法的卫星姿态估计

针对矢量观测的三轴稳定卫星的姿态估计问题,提出了一种改进的UKF（unscented Kalman filter）滤波算法．它通过引入简化球形分布Sigma点UT变换（SSUT）,使得Sigma点的数量减少,从而在与UKF算法估计精度相当的情况下,计算量大大减少．同时,该算法依据姿态四元数与修正罗德里格参数之间的变换关系以及Sigma点的本质属性,保证了在姿态估计过程中四元数满足归一化约束,并且给出了过程噪声方差阵的选取方法．与扩展卡尔曼滤波（EKF）相比,无需计算Jacobian矩阵且具有更高的估计精度,并且对初始姿态误差更具有较好的鲁棒性．数值仿真表明该方法能很好地改善滤波效果,提高了估计精度,同时减小了计算量。     

一种新的高动态全球定位系统频率估计算法

针对常用高动态全球定位系统频率估计算法扩展卡尔曼滤波(EKF)由于对模型进行简单线性化而造成的估计精度低与失锁门限高等缺陷,引入了一种新的线性滤波算法unscented卡尔曼滤波(UKF)进行频率估计．该算法不需要对非线性模型进行线性化,而是利用一系列Sigma采样点,通过unscented变换(UT)来进行状态与协方差阵的递推与更新．仿真实验结果表明新算法的估计精度远高于EKF,失锁门限也比EKF低约1dB,估计性能得到了改善．     

一种前馈神经网络基于U－D分解渐消记忆滤波的学习方法

针对前馈网络ＢＰ算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新方法，与ＥＫＦ相比，不仅大大加快了学习收敛速度、数值稳定性好，而且比ＢＰ算法需较少的学习次数和隐节点数仍可达到更好的学习效果。仿真计算表明，该方法是提高网络学习速度、改善学习效果的一种有效方法，可有效解决非线性系统建模、辨识与控制问题。     

Adaptive Fault Estimation for Dynamics of High Speed Train Based on Robust UKF Algorithm

This paper proposes an adaptive unscented Kalman filter algorithm(ARUKF) to implement fault estimation for the dynamics of high-speed train(HST) with measurement uncertainty and time-varying noise with unknown statistics. Firstly, regarding the actuator and sensor fault as the auxiliary variables of the dynamics of HST, an augmented system is established, and the fault estimation problem for dynamics of HST is formulated as the state estimation of the augmented system. Then, considering the meas...     

基于Bootstrap滤波的非线性系统的识别

Bootstrap滤波是一种基于贝叶斯状态估计和蒙特卡罗方法的新的海波方法，相对于经典的卡尔曼滤波而言，它不受状态方程须为线性以及状态与噪声须是高斯分布的限制，具有很强的适应性。对贝叶斯估计及Bootstrap滤波方法在非线性系统识别中的应用进行了分析与数值模拟，计算结果表明了该方法的有效性和实用性。