UKF与EKF在卫星姿态估计应用中的比较

针对卫星的姿态和角速度估计问题,分别给出基于Unscented卡尔曼滤波(UKF)与推广卡尔曼滤波(EKF)的估计算法,并做了相应比较.为了避免欧拉角带来的奇异问题,UKF选用Rodrigues参数而EKF选用四元数参数法来描述姿态误差.考虑卫星的非线性模型,UKF采用Unscented变换而EKF采用线性化方法对姿态误差进行估计.利用陀螺和磁强计的测量信息,KF和EKF都可得到三轴稳定卫星的姿态估计值,但UKF的收敛速度高于EKF.数值仿真结果表明,当初始姿态存在大偏差时,所给出的UKF的滤波算法性能明显优于EKF.     

基于UKF的滚动时域估计方法研究

在实际工业过程中,模型参数往往具有一定的时变性和非线性。为了能够有效地实施过程操作优化,常常要对过程模型参数进行在线估计。滚动时域估计方法是解决非线性系统模型参数在线估计的1种实用方法。滚动时域估计方法的关键问题之一是抵达成本(Arrival Cost)的计算,针对简化计算抵达成本带来的精度问题,提出采用无迹卡尔曼滤波(UKF)算法来近似估算目标函数中的抵达成本。最后,将基于UKF的滚动时域估计方法应用于2个例子中。结果表明,基于UKF的滚动时域估计方法具有较好的估计效果。     

IMM算法实现非线性状态估计的研究与仿真

研究交互式多模型算法的非线性状态估计性能,按照工作点把非线性系统线性化为多个子模型,建立多模型自适应状态估计器.利用Monte-Carlo仿真法将其与EKF和UKF算法在不同参数下的噪声抑止能力和鲁棒性进行了比较,并分析了马尔可夫参数和模型个数对算法性能的影响.仿真结果表明该算法能达到理想的估计精度、收敛速度、稳定性和鲁棒性,能克服单一估计器由于参数变化和外部扰动所造成的估计误差过大,甚至发散的问题,能覆盖大范围的参数不确定性.     

基于PF和UKF的水下目标运动估计方法研究

针对无人水下航行器（UUV）目标跟踪控制需求,分别提出了水下目标的粒子滤波（PF）和无迹卡尔曼滤波（UKF）运动估计方法,建立了目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了建立了目标的典型运动模型和非线性随机运动模型,利用前视声呐实测实验数据,完成水下目标运动估计。通过与扩展卡尔曼滤波器（EKF）的目标运动估计对比仿真实验,验证了PF和UKF两种目标运动估计方法的有效性。     

Unscented卡尔曼滤波在状态估计中的应用

针对非线形系统的滤波问题，无法使用卡尔曼滤波器（KF），扩展卡尔曼滤波（EKF）方法虽能应用于非线形系统，但给出的是状态的有偏估计，并且对模型误差的鲁棒性较差。为了给出更好的状态估计值，该文介绍了Unscented卡尔曼滤波（UKF）的基本原理。其思想是：基于unscented变换，UKF滤波算法能够给出更精确的均值和协方差的估计，从而带来更高的精度。最后通过Mackey—Glass模型时间序列的状态估计仿真实侧说明：同EKF相比，UKF的滤波精度和稳定性都显著提高了，还可避免计算烦琐的Jacobi矩阵，是一种良好的非线性滤波方法。     

空间再入飞行体多传感观测融合仿真研究

空间飞行器再入飞行的可靠观测无疑是一个值得关注和探讨的问题。弹道导弹是一种典型的空间再入飞行器,其沿着预定弹道飞行,速度快,且可发生机动。对于弹道导弹的运动可以用较为简单和基本的运动模型的交互来近似,也可以用地面雷达和光学传感器来观测。将近似运动模型和观测值代入专门针对非线性估计问题的无味卡尔曼滤波(UKF)框架中,再利用数据融合算法,可以实现弹道导弹的航迹估计。文中首先描述了弹道导弹的运动模型,继而给出了不同传感器的量测方程和运动体的基本运动模型,然后阐述了交互多模型(IMM)、UKF及多传感数据融合算法,最后在仿真系统中实现航迹并得出结论。     

基于MCMC-UKF的直接序列扩频信号盲估计

针对长码直接序列扩频信号的扩频码及信息序列盲估计问题,提出基于重叠分段MCMC-UKF的扩频码及信息序列联合估计算法。在贝叶斯框架模型下,结合重叠分段的思想,利用UKF算法求解非线性模型,估计各参数后验概率的均值和方差,通过MCMC方法迭代抽样得到各分段扩频序列,进行序列拼接以完成对扩频序列及信息序列的估计。仿真结果表明,该算法能适应较低的信噪比环境,且不受扩频序列类型的限制。     

UKF与EKF在空对海单站TO-TMA中的应用

探讨了目标运动分析(Target moving analysis,TMA)中基本的非线性估计问题,介绍了基于UT的UKF 算法的设计思想与具体实现,特别针对空对海单站无源到达时间TMA(TO-TMA)问题应用UKF和EKF进行了对照研究,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,给出了Monte Carlo仿真运行结果;表明UKF在该特定应用背景下,由于模型的非线性较弱,使得UKF在精度上与EKF相当,而且在运算量上也有所增加.     

基于UKF 和神经网络的一类非线性系统状态估计

在模型未知的情况下,估计过程的重要变量尤为重要.鉴于此,采用不敏卡尔曼滤波(UKF)与神经网络相结合的方法,解决一类未知模型非线性系统的状态估计问题.采用动态神经网络对非线性系统进行建模,利用UKF对状态和权值进行同时更新,从而达到神经网络逼近真实模型,估计值跟随真实值的目的.通过两个仿真实例表明了所提出的方法具有良好的估计效果,并且状态在输出中的比重越大,其估计精度越高.     

双层无迹卡尔曼滤波

针对无迹卡尔曼滤波（Unscented Kalman fllter,UKF）在强非线性系统中估计效果差的问题,提出了双层无迹卡尔曼滤波（Double layer unscented Kalman filter,DLUKF）算法,该算法用带权值的采样点表征先验分布,而后用内层UKF算法对每个采样点进行更新,最后引入外层UKF算法的更新机制得到估计值和估计协方差.仿真结果表明,相比于传统算法,所提的DLUKF算法可以在较低计算负载下获得较高滤波估计精度.