无敏变换在非线性状态估计中的应用

传统的非线性状态估计,均需要对非线性传输函数采用线性化技术进行逼近,如扩展卡尔曼滤波（EKF）,当雅克比矩阵不可解或强非线性条件下时,线性化技术就受到应用的局限性。针对这一情况,介绍了一种新的变换-无敏变换（Unscented Transform）,阐明了该变换的优点,并研究了该变换与传统的卡尔曼滤波算法相结合,所衍生出的无敏卡尔曼滤波（Unscented Filter）算法。最后,通过算法仿真,与扩展卡尔曼滤波（EKF）算法相比较,验证了该变换在高斯环境下的优越性。     

UKF训练RMLP网络的快速算法

UKF训练PMLP的优点是无需计算动态偏导数,但UKF面临计算量大的问题,降低计算量是UKF的研究重点之一。本文提出反向遍历sigma点的方法,可以显著降低UKF有2N_w 1或N_w 2个sigma点两种情况下的计算量。另外,对2N_w 1个sigma点的情况,本文提出解耦合方法,能有效降低存储协方差阵所需空间。综合反向遍历方法和解耦合方法,本文给出UKF训练RMLP的快速算法。在动态系统辨识的仿真中,本文方法节省近80%的计算量和近90%的存储空间。     

基于强跟踪的平方根不敏卡尔曼滤波器

针对不敏卡尔曼滤波器在递推过程中的数值不稳定性以及系统发生突变时跟踪效果不佳的问题,提出一种新的机动目标自适应跟踪算法——基于强跟踪的平方根不敏卡尔曼滤波器(STF-SRUKF)。该算法一方面基于平方根滤波的思想,在递推过程中采用协方差矩阵的平方根代替协方差矩阵本身,以保证数值计算的稳定性;另一方面,基于强跟踪滤波的思想,在递推过程中引入时变渐消因子,实时调节增益矩阵,以增强目标运动发生突变时的跟踪能力。仿真结果表明,STF-SRUKF算法对于突发机动的目标运动模型具有良好的跟踪效果,而且具有较好的稳定性。     

一种结合小波变换的UPF改进算法

文中在非线性贝叶斯理论的基础上介绍了粒子滤波（PF）算法及其改进算法UPF算法。利用小波变换良好的去噪能力，提出了一种结合小波变换的UPF改进算法，该算法将小波变换的去噪原理应用于粒子滤波，用于降低重要性权值的方差，从而达到提高粒子滤波的精度和稳定性的目的。仿真结果表明改进的UPF算法与原UPF算法相比，收敛速度更快，滤波精度更高，因而是一种新型的粒子滤波改进算法。     

高斯和高阶无迹卡尔曼滤波算法

为了提高非线性变换的近似精度,提出了一种高阶无迹变换（High order Unscented Transform,HUT）机制,利用HUT确定采样点并进行数值积分去近似状态的后验概率密度函数,建立了高阶无迹卡尔曼滤波（High-order Unscented Kalman Filter,HUKF）算法.进一步的为了解决非线性、非高斯系统的状态估计问题,将HUKF与高斯和滤波（Gaussian Sum Filter,GSF）相结合,提出了一种高斯和高阶无迹卡尔曼滤波算法（Gaussian Sum High order Unscented Kalman filter,GS-HUKF）,该算法的核心思想是利用一组高斯分布的和去近似状态的后验概率密度,同时针对每一个高斯分布采用高阶无迹卡尔曼滤波算法进行估计.数值仿真实验结果表明,提出的HUT机制与普通的无迹变换（Unscented Transform,UT）相比,具有更高的近似精度;提出的GS-HUKF与传统的GSF以及高斯和粒子滤波器（Gaussian Sum Particle Filter,GS-PF）相比,兼容了二者的优点,即具有计算复杂度低和估计精度高的特性.     

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。     

基于小波变换的UKF改进算法及其应用

众所周知,UKF滤波的应用需要事先准确知道量测噪声的统计特性。首先简要分析了UKF滤波的基本算法,然后利用小波变换可以实时分离信号和噪声的特性,提出了一种在未知量测噪声条件下的UKF算法,该算法可以实时跟踪量测噪声的变化,即实现了对量测噪声的实时估计,从而解决了在未知量测噪声的条件下UKF滤波问题。最后讨论了该方法在信息融合中的应用,仿真结果证明了方法的有效性和实用性。     

UPF算法在惯导非线性初始对准中的应用

惯性导航系统（INS）的初始对准误差模型通常为非线性的,对于估计惯导误差普遍采用的是扩展卡尔曼滤波算法（EKF）,该方法是在一阶泰勒展开的基础上近似得到的,因而误差较大。粒子滤波算法一种新颖的非线性滤波算法,它较传统的EKF算法具有稳定性好,适用范围广的优点。该文首先介绍了作为粒子滤波理论基础的递推贝叶斯估计的基本概念,说明了重要性函数对于粒子滤波器的设计是至关重要的。随后,给出了一种将不敏卡尔曼滤波（UKF）算法作为重要性函数的UPF算法,并提出将其用于静基座条件下的惯导系统非线性初始对准,通过计算机仿真对比了UPF和EKF的估计效果。仿真结果表明,UPF算法较传统的EKF算法对准时间更快,对准精度更高。     

有色噪声下的不敏卡尔曼滤波器

有色噪声干扰情况下非线性系统的状态估计是许多实际工程需要解决的问题。通常的方法是利用扩展卡尔曼滤波方法将非线性系统线性化后,再利用线性系统的方法对有色噪声系统进行估计。然而,模型的线性化误差往往会严重影响最终的滤波精度,甚至导致滤波发散。为了避免此类误差,先通过对测量方程进行变换的方法,将观测方程的有色噪声转换为白噪声后,再利用不敏卡尔曼滤波方法,对系统的状态进行估计。虽然,该方法也需要对观测方程进行线性化,但是由于此线性化过程是在求解新量测方程的测量误差中进行,因此对系统的误差影响不是很大。仿真结果表明新方法能够有效地对有色噪声环境下系统的状态进行估计,性能要优于现有的一些基于EKF的方法。     

分数阶Unscented卡尔曼滤波器研究

分数阶微积分在控制系统中的应用日益广泛,随着分数阶动态系统模型的引入,需要求解分数阶状态估计问题的方法。该文从分数阶非线性动态系统模型出发,以概率论为基础,导出分数阶的Unscented卡尔曼滤波器,得到其递推模型并应用于典型的非线性系统,UNGM(Univariate Nonstationary Growth Model)模型和再入飞行器跟踪模型。实验结果证明在合理设置分数阶Unscented 卡尔曼滤波器阶次的情况下,能够取得优于Unscented 卡尔曼滤波器的效果。     

机载红外搜索跟踪系统被动定位滤波算法研究

首先用扩展卡尔曼滤波算法构建了机载红外搜索跟踪系统被动定位滤波模型．然后针对该滤波算法要求先验的噪声统计及存在系统观测模型线性化误差影响滤波精度的特点．利用虚拟噪声技术，提出了适合于红外搜索跟踪系统被动定位的自适应扩展卡尔曼滤波算法。该算法实时地估计了虚拟噪声的统计特性，减小了线性化误差，提高了非线性滤波的精度。仿真结果表明，在完全相同的初始条件下，自适应扩展卡尔曼滤波对目标距离和速度的估计结果明显优于扩展卡尔曼滤波，此算法具有很高的工程应用价值。     

CO-OFDM系统中基于卡尔曼滤波对相位噪声补偿算法的研究

基于卡尔曼滤波提出了两种相干光正交频分复用(CO-OFDM)系统的相位噪声补偿算法,这两种算法在发射端的时域均插入导频,并在接收端对导频进行卡尔曼滤波,最后利用插值算法补全全部子载波的相位噪声.仿真结果表明,基于最小均方误差(MMSE)准则的判决反馈算法在相位噪声比率为10-1时,系统误码率约为10-4,并且出现了错误平层,而基于卡尔曼滤波所提出的两种相位噪声算法在大相位噪声的情况下仍然具有较好性能且能有效地降低错误平层,因而所提出的相位噪声补偿算法能改善CO-OFDM系统的性能.     

UKF强跟踪滤波在组合导航故障诊断中的应用

针对组合导航系统故障诊断,在强跟踪滤波理论的基础上,对无迹卡尔曼(UKF)强跟踪滤波法进行了研究.UKF强跟踪滤波法兼具UKF和强跟踪滤波器的优点:较强的处理非线性问题的能力和强跟踪能力.最后,将该方法应用于组合导航系统故障诊断,设置不同的故障模式,与强跟踪滤波法进行了对比仿真研究.从仿真结果可看出,两种方法对硬故障的灵敏度接近,UKF强跟踪滤波法对软故障的灵敏度明显高于强跟踪滤波方法.由此证明UKF强跟踪滤波器对于突变状态具有强跟踪能力,对于缓变故障具有优于其他方法(强跟踪滤波)的敏感能力,提高了组合导航系统的精度、可靠性和安全性,可应用于工程实际.     

基于差分演化算法的自适应无迹卡尔曼滤波

该文在分析无迹变换缩放参数选择方法的基础上,通过对几种缩放参数选择方法的对比分析后,确定以缩放参数选择作为优化目标,将差分演化算法(Differential Evolution, DE)应用到无迹卡尔曼滤波(Unscented Kalman Filter, UKF)计算中,选择每时刻滤波误差最小的缩放参数。提出了基于差分演化算法的自适应无迹卡尔曼滤波算法。通过实验表明,这种自适应策略不仅能够有效提高UKF的精度,避免使用固定缩放参数时可能造成的滤波随机发散;而且不受缩放参数个数限制,可以应用到任意形式的UKF中。     

基于UKF算法的被动目标跟踪

对于单站的被动目标跟踪,在笛卡儿坐标系下建立跟踪模型,并用扩展的卡尔曼滤波(EKF)进行预测,得到的结果通常是不稳定且容易发散的。针对这种情况,提出了在修正的极坐标系下建立状态模型,摒弃传统的EKF算法,采用无迹卡尔曼滤波(UKF)算法,通过采样逼近非线性函数。数字仿真结果表明:在修正的极坐标中利用UKF算法得到的结果比EKF算法具有更快的收敛速度和更高的估计精度,且稳定性更好。     

稀疏网格平方根求积分非线性滤波器

针对具有加性噪声的非线性高斯动态系统的状态估计问题,本文提出一种新的基于稀疏网格法的平方根求积分滤波器(SSRQF),该滤波器通过稀疏网格取点来近似计算多维积分并进行平方根滤波.与常规QF的积分点数随着维数呈指数增长相比,该方法的积分点数随着维数呈多项式增长,减少了计算量;理论分析表明,无味卡尔曼滤波器(UKF)只是稀疏网格求积分滤波器(SQF)的一个特例,因此SSRQF在精度和取点上比UKF更为灵活.仿真实验表明,SSRQF的滤波精度均高于UKF和扩展卡尔曼滤波器(EKF),是一种效率较高的高精度非线性滤波算法.     

基于粒子滤波的蜂窝网移动台单站跟踪

仅使用单个基站测量信息对蜂窝网移动台进行定位跟踪实现简单并具有较高的可定位概率,但面临的挑战是如何提高定位精度。粒子滤波是基于贝叶斯推论的一种蒙特卡洛方法,特别适用于非线性非高斯信号处理。该文提出了基于粒子滤波的单站跟踪算法。仿真结果表明与快拍式定位方法相比,这种滤波算法大大提高了单站定位的精度;与扩展卡尔曼滤波相比,粒子滤波收敛速度快,性能稳健。     

强跟踪Unscented滤波器及其在无源跟踪中的应用

本文研究用递推算法实现只测量到达角和多普勒频移的无源双基地雷达的目标运动分析。基于Unscented卡尔曼滤波器和强跟踪滤波器,提出了一种新的强跟踪Unscented滤波器算法。新算法在无源双基地雷达目标跟踪的仿真实验中显示了高精度鲁棒滤波的性能。     

平方根求积分卡尔曼滤波器

 针对具有加性噪声的非线性高斯动态系统的状态估计问题,本文提出一种近似递归的高斯滤波器:平方根求积分卡尔曼滤波器(SRQKF).该滤波器是在求积分卡尔曼滤波器(QKF)基础上的平方根实现形式,使用统计线性回归的方法,通过一套参数化高斯密度的高斯-厄米特积分点来线性化非线性函数的;滤波器采用平方根的实现方法,不仅增强了数值的鲁棒性,确保了状态协方差矩阵的半正定性,而且在一定程度上提高了滤波精度.仿真实验表明,SRQKF的滤波精度比QKF提高约12%,且均高于无味滤波器(UF)和扩展卡尔曼滤波器(EKF),但这二者的计算复杂度均比UF和EKF大.对滤波精度要求比较高的非线性场合,新滤波器是一种很有效的非线性滤波算法.     

基于粒子滤波和滑动平均扩展Kalman滤波的多径估计算法

多径干扰是高精度定位的主要误差源,估计多径参数对消除多径误差,提高导航系统定位精度具有重要意义。针对扩展Kalman滤波(EKF)在进行多径参数估计时,存在对初值敏感,估计结果在真值附近具有较大波动的缺点,该文提出一种基于粒子滤波(PF)和滑动平均EKF的多径估计算法。该算法首先利用PF得到多径参数的粗略估计值,并将该值作为EKF的初始估计值,以克服EKF对初值敏感的问题。接着对EKF的估计结果进行滑动平均,并将平均后的滤波结果作为多径参数的估计结果。仿真结果表明,改进后的多径估计算法可有效降低估计结果的波动幅度,同时解决了EKF对初值敏感的问题。