改进的自适应衰减卡尔曼滤波算法

SINS/GPS组合导航系统的融合算法主要是卡尔曼滤波,卡尔曼滤波实现最优估计的前提是系统的模型和随机噪声信息必须准确已知。实际情况下,大部分系统的模型和随机噪声信息不完全可知,这可能会导致滤波器估计精度下降。针对这一问题,根据求解遗传因子的方法不同对传统的自适应衰减卡尔曼滤波进行改进,提出一种改进的自适应衰减卡尔曼滤波。改进后的算法分别适用于系统噪声统计模型不准确可知和量测噪声统计模型不准确可知两种情况,分别对应于两种滤波算法,并且二者具有统一的滤波框架。仿真结果表明,改进的自适应衰减卡尔曼滤波比卡尔曼滤波精度较高,有效解决了因为噪声模型不准确导致的精度下降问题。     

基于改进卡尔曼滤波的控制河段船舶航迹预测

由于船舶自动识别系统(AIS)设备存在信息缺失现象,导致基于AIS的智能辅助指挥系统无法准确判断船舶位置,难以准确揭示通行信号。同时,控制河段具有航道狭窄弯曲等特征,传统卡尔曼滤波算法无法准确预测运动船舶的航迹。针对以上问题,对卡尔曼滤波算法中的系统噪声进行实时估计,以提高船舶航迹的预测精度,并对传统卡尔曼滤波和改进卡尔曼滤波的跟踪效果进行了仿真分析。结果表明,所提算法可有效解决AIS设备信息缺失问题,准确预测船舶位置,保证控制河段智能辅助指挥系统信号揭示的准确性和可靠性。     

在不准确方差下带随机系数矩阵的卡尔曼滤波稳定性

针对离散时间线性随机系统,研究了卡尔曼滤波的L2-稳定性问题. 考虑具有这两个特点的系统: 1)系数矩阵是随机的; 2)过程噪声、量测噪声、初始估计误差的方差矩阵不准确. 在系数矩阵有界、条件能观测、初始估计误差有界的假设下, 得到了卡尔曼滤波的L2-稳定性. 同时, 建立了卡尔曼滤波和状态空间最小二乘的等价性, 并在该等价性基础上得到状态空间最小二乘的状态估计误差L2-稳定性. 最后, 数值仿真说明了卡尔曼滤波的有效性.     

小波网络辅助卡尔曼滤波的捷联惯导传递对准

初始对准精度是捷联惯导系统的主要误差来源之一;针对舰载机捷联惯导的传递对准模型准确建模困难,且测量噪声和过程噪声随舰船动态而变化,这样就会降低滤波的精度,卡尔曼滤波有一定的局限性,提出了将小波神经网络辅助卡尔曼滤波器用于惯导系统的传递对准;把能直接影响卡尔曼滤波估计误差的参数作为网络的输入,进过样本训练后,把网络的输出与经过卡尔曼滤波得到的结果相加,实现了捷联惯导的传递对准的滤波功能;这种新算法在实际应用中的非线性情况下优于传统卡尔曼滤波方法;仿真结果表明了其实用性和有效性。     

基于模糊卡尔曼滤波的移动机器人定位研究

为了满足移动机器人准确定位的要求,提出了一种基于模糊卡尔曼滤波（FKF）的自定位算法。利用扩展卡尔曼滤波（EKF）算法融合里程计和声纳的观测数据,并针对EKF中观测噪声方差估计不准确导致滤波器性能下降甚至发散的问题,提出了基于模糊逻辑的自适应调节算法。该算法通过监测新息实际方差和理论方差的一致程度,在线调整观测噪声的方差值。仿真结果表明,此方法较EKF提高了系统的定位精度和鲁棒性。     

自适应Kalman滤波器在水下被动目标跟踪中的应用

在水下被动目标跟踪系统中，直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差，提出了一种修正极坐标系下的自适应卡尔曼滤波算法，对虚拟噪声进行估计，动态补偿模型线性化误差，消减系统的观测误差．对其滤波理论及算法进行了研究和仿真。仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡尔曼滤波算法。     

衰减因子自适应估计卡尔曼滤波比较研究

针对卡尔曼滤波算法发散的问题,从卡尔曼滤波技术的稳定性出发,分析了卡尔曼滤波发散的原因,提出了新的衰减记忆卡尔曼滤波中衰减因子的自适应估计方法。该方法利用滤波残差序列在最优估计时为零均值白噪声的性质,分别检验滤波残差每一个分量得出衰减因子值,并与强跟踪滤波器进行了对比研究。仿真结果表明,新算法在系统噪声特性不准确的情况下,能自适应地估计出衰减因子的大小,抑制卡尔曼滤波估计的发散,滤波精度要高于强跟踪滤波器;且其推导形式简单、计算量小、适合于在线运算。     

井下捷联惯导系统导航数据处理滤波分析

针对现有煤矿井下定位技术误差较大、准确性不足的问题,引入了捷联惯导系统对煤矿井下人员和设备进行精确定位导航。为进一步提高捷联惯导系统的定位精度,提出了采用扩展卡尔曼滤波和采样卡尔曼滤波对系统数据进行滤波的算法,分析了扩展卡尔曼滤波和采样卡尔曼滤波的滤波原理,并对算法公式以及滤波效果进行了仿真分析。仿真结果表明,在假设井下噪声为高斯白噪声的前提下,采样卡尔曼滤波抖动性较小,曲线更为平滑,即滤波后的数据更加接近于真实数据,能够更准确地反映出坐标信息,且误差基本控制在允许的范围之内,具有较好的滤波效果。     

采用卡方检验的模糊自适应无迹卡尔曼滤波组合导航算法

针对低成本惯性测量单元精度受载体机动影响大、先验知识难以准确获知的问题,提出一种采用卡方检验的模糊自适应无迹卡尔曼滤波组合导航算法.首先,根据惯性测量单元的基本情况构造系统噪声的粗略模型;然后,引入卡方检验对系统状态模型进行评估,得到相应的卡方检验值;最后,通过预设的模糊逻辑函数和卡方检验值求取系统噪声估计值,得到具有系统噪声统计特性调整的自适应无迹卡尔曼滤波算法.所提出的算法可以克服低成本惯性测量单元难以准确获知先验知识的缺陷.通过SINS/GPS组合导航系统的仿真实例,验证了所提出算法的有效性.     

色噪声下卡尔曼滤波焊缝跟踪算法与试验研究

精确控制激光束使其始终对中并跟踪焊缝是保证激光焊接质量的前提．以大功率光纤激光焊接Type304不锈钢为试验对象,研究一种有色噪声环境下应用卡尔曼滤波最优状态估计预测激光束与焊缝路径偏差的方法．使用高速红外视觉传感器摄取焊接区红外热像,提取焊缝位置参数并构成状态向量,建立基于焊缝位置参数的系统状态方程和焊缝位置测量方程．针对系统动态噪声为有色噪声,通过扩展状态变量的方法建立有色噪声环境下的卡尔曼滤波算法,对焊缝位置进行最优状态估计并得到最小均方差条件下的焊缝偏差最优预测值,消除系统噪声对焊缝偏差测量的影响．焊接试验结果表明新方法可有效抑制有色噪声干扰并提高焊缝跟踪精度．     

基于RANSAC和Kalman滤波的足球机器人球速估计算法

针对中型组足球机器人如何有效地估计足球速度的问题,提出了一种基于Kalman滤波和RANSAC算法的新方法。首先对存储的若干帧足球位置信息作Kalman滤波,接着利用这些足球位置信息,建立若干个可能的足球速度模型并运用随机采样一致(RANSAC)算法选出最优的速度模型作为速度值。实验结果验证了该算法的有效性,同时由于RANSAC算法可以有效地去除外点的干扰,因此当足球位置信息具有较大噪声时,该方法可以较准确地估计足球的速度,较以往球速估计的算法具有更高的鲁棒性。     

信息融合算法在机器人足球系统中的应用

最优信息融合Kalman滤波算法给出了实时动态环境中线性方差最小的融合估计。采用该算法对机器人足球系统中的小球进行状态估计和预测,并给出了信息融合处理结构和该算法的具体实现步骤。实验结果表明,该算法可以克服单一视觉传感器采集的数据含有较大噪声等局限性,实现了对小球精确的状态估计和预测,具有可行性和优越性,并且在某一机器人视觉传感器出错时,系统仍具有良好的容错性和鲁棒性。     

自校正滤波器在卫星定位中的应用

设计了一种新的基于ARMA模型的自校正卡尔曼滤波器,对卫星定位误差模型参数进行分段在线估计,根据误差模型估计参数直接求取滤波增益阵.并提出了一种直接计算滤波误差方差阵的方法,对两个不同的定位系统进行信息融合.仿真结果表明,在未知噪声统计特性的情况下,自校正卡尔曼滤波器能有效过滤观测噪声,基于它的信息融合规则能够有效提高定位精度.计算过程简单,并可以在线建模.     

基于微型编码器的电机LQG控制器设计方法

针对航空航天领域对电机伺服控制系统高精度和小体积的需求,提出并实现了一种基于微型编码器的电机伺服跟踪系统线性二次高斯控制器设计方法.分析了实际电机系统结构和编码器的典型误差并建立系统的噪声状态方程;设计了平稳卡尔曼滤波器,可以实现角位置、角速率和角加速度的最优估计;根据总体指标完成了线性二次高斯控制器设计并在Matlab/Simulink环境下建立了仿真模型并对其控制效果进行了预测;模拟实际工作环境搭建了实验测试系统对其跟踪性能进行了实测评估.仿真和实验结果表明:结合卡尔曼滤波的电机线性二次高斯控制器不但具有良好的跟踪性能,带宽可达24Hz,还能够有效地抑制噪声影响.     

Invariant Kalman Filter for Correlated Wide Band Noises

Kalman filtering is a powerful estimation method. One of its weaknesses is related to the white or coloured nature of the disturbing noises in the Kalman filtering model. At the same time, real noises are rarely white or coloured. They are mostly wide band. In this regard, white or coloured noise Kalman filtering makes concessions on adequacy. This pushes system scientists to develop mathematical methods of estimation for systems corrupted by wide band noises. In applications, wide band noises are detected by their autocovariance and cross‐covariance functions, which do not allow to model them uniquely. Therefore, it becomes important to develop estimation methods which are independent of a class of wide band noises, but dependent on the unique autocovariance and cross‐covariance functions. Such results are called invariant results. In this paper, we prove a complete set of invariant equations for Kalman type filter for a linear signal‐observation system corrupted by correlated wide band noises. This filter has a ready form to be used in applications, just respective numerical methods must be developed.     

状态和参数联合估计方法及其在飞行试验中的应用

本文提出了一种有效的状态和参数的联合估计方法.针对参数估计结果有偏或发散的问 题,本文给出了一种参数向量可控性模型,并由此模型得到了噪声相关的一种状态和参数的估 计方法.运用状态和参数联合估计的新方法进行飞行状态和测量仪器的误差估计,仿真和实 际飞行数据处理的结果表明;本文提出的方法可以给出飞行状态和仪器误差估计的满意结果, 比普通推广Kalman滤波方法更有效.     

带未知有色观测噪声的自校正融合Kalman滤波器

对于带未知有色观测噪声的多传感器线性离散定常随机系统, 未知模型参数和噪声方差的一致的融合估值器用递推增广最小二乘法(RELS)和求解相关函数方程得到. 将这些估值器代入到最优解耦融合Kalman滤波器中, 得出了自校正解耦融合Kalman滤波器, 并用动态方差误差系统分析(DVESA)和动态误差分析(DESA)方法证明了它收敛于最优解耦融合Kalman滤波器, 因而具有渐近最优性. 一个带3传感器跟踪系统的仿真例子说明了其有效 性.     

含有分数阶有色关联噪声的分数阶系统的卡尔曼滤波器设计

提出基于Tustin生成函数的分数阶卡尔曼滤波器设计方法,以解决含有相互关联的分数阶有色过程噪声和分数阶有色测量噪声的连续时间线性分数阶系统的状态估计问题.通过Tustin生成函数方法,对连续时间线性分数阶系统进行离散化,将分数阶系统的微分方程转化为差分方程.利用增广向量法,将分数阶状态方程和分数阶有色噪声作为新的增广状态向量,从而将分数阶有色噪声转化为高斯白噪声.然后,提出一种基于Tustin生成函数的分数阶卡尔曼滤波算法,有效地实现对含有相互关联的分数阶有色过程噪声和分数阶有色测量噪声的连续时间线性分数阶系统的状态估计.与基于Grddotunwald-Letnikov差分的离散化方法相比,所提出的基于Tustin生成函数的卡尔曼滤波算法得到的状态估计精度更高,状态估计效果更好.最后,通过仿真结果验证所提出算法的有效性.     

Improved IMM Filter for Tracking a Highly Maneuvering Target with Mixed System Noises

We propose a method of improving tracking filter performance of a highly maneuvering target with mixed system noises in this paper. A case study of an off-road high speed moving target is considered. The system noises consist of white Gaussian noises generated from target motion models and additional colored noises arising from the effect of rough and uneven terrain profile. we design the colored noise first order discrete Markov dynamic system representing terrain conditions. Tracking is done by using an IMM filter with discrete white noise acceleration and horizontal coordinated turn models. The designed colored noise dynamic model is augmented with each of the motion models. We use Kalman filter for linear DWNA model while extended and unscented Kalman filters are used for nonlinear HCT model. A test scenario is setup and simulations are carried out. For filter performance comparison purposes, two more cases are considered i.e., systems with white noncorrelated system noises and the system correlated noise cases. Results show that the proposed method outperforms the traditional error treatment methods in terms of robustness, small mean square error, and acceptable computation load and data processing time.