一种抗野值的Kalman跟踪滤波器

在Kalman滤波目标跟踪的应用过程中,观测值中的野值是影响滤波效果的重要因素.分析了野值对Kalman滤波的影响机理,从滤波算法的原理和工程实践的实际出发,提出了一种野值判别和处理方法.仿真计算表明,该方法性能可靠,简单易行,可以有效地消除野值对滤波的不良影响,提高滤波的精度.     

Kalman滤波抗野值方法研究

在Kalman滤波应用过程中 ,观测值中的野值是影响滤波效果的重要因素。当观测中含有野值时 ,破坏了Kalman滤波新息的原有特性 ,从而造成估计不准 ,滤波精度下降。本文提出了修正Kalman滤波新息的方法 ,使修正后的Kalman滤波新息能够保持修正前的新息特性。仿真结果表明 ,本文提出的方法可有效地抑制观测中的野值对系统滤波的不利影响     

Kalman滤波抗野值方法研究

在Kalman滤波应用过程中,观测值的野值是影响滤波效果的重要因素。当观测中含有野值时,破坏了Kalman滤波新息的原有特性,从而造成估计不准,滤波精度下降。本文提出了修正Kalman滤波新息的方法,使修正后Kalman滤波新息能够保持修正前的新息特性。仿真结果表明,本文提出的方法可有效地抑制观测中的野值对系统滤波的不利影响。     

基于自适应Kalman滤波的ADS-B数据抗野值方法

在对ADS-B数据的实际滤波过程中,观测值中的野值是影响滤波效果的重要因素。分析野值对滤波以及数据处理精度的影响,以"新息"为基础,将基于"当前"统计模型的卡尔曼滤波算法用于数据处理,通过对自适应Kalman滤波方法中增益矩阵的改进,提出野值辨识和剔除方法。仿真计算表明,该方法性能可靠,简单易行,可以有效地消除野值对滤波的不良影响,提高滤波的精度。     

新型抗野值的Kalman滤波器研究

在Kalman滤波的量测值中,经常出现连续、成片的野值,不仅严重地影响了其稳定性,而且造成滤波精度下降。针对这一问题,提出一种基于可调因子的新型抗野值Kalman滤波器方法。该方法以野值新息均值和均方差为输入变量,利用模糊控制器改变可调因子的大小,从而实现新息的自动调整,即当新息较小时,对野值进行修正,而当新息较大时,剔除野值。仿真结果显示,该方法抗野值效果良好,提高了滤波精度。     

抗野值强跟踪Kalman滤波在风场估计中的应用

由于受周围环境干扰和传感器短暂性失效等因素的影响,无人机风场测量数据中包含较大野值或成片野值,影响测量数据的准确性.根据无人机测风的特点,结合Kalman滤波算法、强跟踪滤波算法和抗野值修正算法的优点,通过对滤波发散趋势的分析,提出上述滤波算法的使用条件,构造了一种抗野值抑制发散滤波算法,并进行了实验论证.实验结果表明:该算法能有效克服野值对滤波造成的不良影响,具有良好的抗野值能力、跟踪能力,保证了滤波精度,可适用于无人机风场测量.     

抗野值的航迹数据Kalman滤波

由于受到干扰或自身稳定性等因素的影响,在试飞中雷达或光电经纬仪会出现连片野值,影响测试数据的准确性。为此,采用基于Bayes定理的抗野值Kalman滤波算法,根据测量误差建立了受污分布模型,得到后验概率,据此确定预报方差的权值,以降低连片野值的影响。经仿真试验和飞行试验验证,该方法稳定有效,实时性强。已经应用在试飞测试工作中。     

一种鲁棒的Kalman滤波方法

在目标跟踪测量中,由于各种噪声的影响,Kalman滤波算法对野值数据的估计经常出现较大误差,直接影响了定位结果.修正增益的滤波方法在野值相对较小的情况下误差不能有效的识别.为此,提出残差权重自适应抗野值的Kalman滤波方法,该方法能明显的降低野值对定位结果的影响,对实测数据的仿真结果表明了该方法的有效性,满足试验要求.     

火箭飞行测控数据野值处理及其无迹Kalman滤波

为了提高火箭飞行测量数据处理的精度,提出一种用于非线性系统的、抗野值的、基于无迹变换的Kalman滤波算法的改进方法——抗野值的无迹卡尔曼滤波算法（UKF）,对火箭飞行测控系统中的目标进行位置及运行轨迹估计。该算法以少量的采样点表示随机变量的分布,通过非线性系统传播,实时地对滤波增益进行调整,将检测数据中的野值剔除。将算法应用于航天测控系统跟踪运载火箭系统中,通过Monte Carlo仿真,说明改进的方法能有效地消除野值对测控系统检测数据处理的影响,提高了滤波精度。     

抗野值性能的无迹卡尔曼滤波算法的研究

动态定位中野值的存在,使无迹卡尔曼滤波UKF(Unscented Kalman Filter)的结果不再准确甚至发散。针对这一问题,提出了一种具有抗野值性能的UKF算法。该算法将经典UKF算法与野值的剔除相结合,通过对新息序列的判断,对野值点进行处理,实时地调整滤波增益或者进行野值计算,使UKF算法在野值干扰下仍为最优估计。仿真证明该算法可以有效地辨识和剔除野值的干扰,抑制滤波的发散,提高了定位的精度。     

Kalman滤波的抗野值修正

分析了动态测量系统中异常数据对Kalman滤波的不利影响.提出了一组具有良好 容错能力的修正型滤波算法.该滤波算法既可以充分利用正常新息确保滤波的精度,又可以 有效拟制异常新息的不利影响提高滤波估计可靠性,达到对故障数据的容错能力.最后,通过 仿真计算验证了该算法的有效性.     

Kalman滤波的抗野值修正

分析了动态测量系统中异常数据对Ｋａｌｍ ａｎ 滤波的不利影响．提出了一组具有良好容错能力的修正型滤波算法．该滤波算法既可以充分利用正常新息确保滤波的精度,又可以有效拟制异常新息的不利影响提高滤波估计可靠性,达到对故障数据的容错能力．最后,通过仿真计算验证了该算法的有效性．     

考虑星间测量的航天器自主导航并行滤波器

针对基于星间测量的航天器自主导航问题,本文考虑测量中存在野值的情况,提出了一种轨道根数辅助估计的并行无迹卡尔曼滤波算法.系统由两个并行滤波器组成,通过副滤波器的状态估计识别观测野值,进而在主滤波器中修正导航定位结果.文章选择了星间相对观测两卫星编队的基本构型,研究了算法的阈值参数选择,对不同参数条件下的滤波结果进行了对比.数值仿真说明了该算法在观测量变化率较大时能够有效降低连续野值对自主导航系统的影响,和传统算法相比具有更高的滤波精度和收敛速度.     

鲁棒高斯和集合卡尔曼滤波及其在纯角度跟踪中的应用

针对纯角度目标跟踪中量测信息易受异常值和非高斯噪声干扰的问题,提出了一种新的非线性滤波算法–鲁棒高斯和集合卡尔曼滤波(robust Gaussian-sum ensemble Kalman filter,RGSEnKF)算法.首先,采用Huber技术重塑集合卡尔曼滤波的量测更新过程,能够有效地处理量测中的异常值.随后,将改进的集合卡尔曼滤波在高斯和框架下进行扩展,得到RGSEnKF算法,可以进一步解决受非高斯噪声干扰的非线性系统的状态估计问题.此外,新算法中包含距离参数化初始化策略和高斯分量融合策略.前者是为了减小纯角度跟踪中距离信息不可观测的影响,而后者可以避免高斯分量数目随时间不断增长.大量仿真结果验证了新算法的有效性和鲁棒性.     

基于扩展卡尔曼滤波的测量系统数据分析

为消除误差和随机干扰对测量数据的影响。利用扩展卡尔曼滤波算法对测量数据进行处理,并提出基于扩展卡尔曼滤波算法的不可信点判断方法对测量数据进行野值剔除。两种方法结合运用,可以在保留数据特征的基础上,提高数据的精度,更好地反映测量目标的性能。     

基于抗差自适应容积卡尔曼滤波的超紧耦合跟踪方法

为降低基于单一调节回路的超紧耦合结构存在的反作用影响,设计了一种基于双回路的超紧耦合结构.基于此,为解决所设计结构中跟踪环路的非线性滤波问题,针对测量异常误差和动力学模型误差,提出了一种基于抗差自适应容积卡尔曼滤波(Robust adaptive cubature Kalman filter,RACKF)的超紧耦合跟踪算法.该算法采用稳健M估计调整容积卡尔曼滤波 (Cubature Kalman filter,CKF)算法,对观测量中粗差的影响“程度”进行探测和处理,以减小观测量异常误差产生的影响,同时利用自适应调节因子对算法进行调节修正,以处理动态扰动误差引入的影响.实验结果表明: 所提出的方法能有效地处理模型不准确所引入的误差,较好地实现全球定位系统(Global positioning system,GPS)卫星信号的高精度和稳定跟踪,其跟踪性能远优于基于单一回路的跟踪方法,同时优于基于无迹卡尔曼滤波(Unscented Kalman filter,UKF)和基于CKF的跟踪方法,提升了导航系统在高动态条件下的适应性能.     

Robust fixed-lag smoother for linear systems including outliers in the system and observation noises

We develop a robust fixed-lag smoother for linear discrete-time systems having outliers both in the process and the observation noises. By modifying the system equation to a linear regression model, a robust Kalman filter and a robust fixed-lag smoother are derived using an M-estimate. Then the robust smoother is constructed using a robust Kalman filter and two robust sub-smoothers; the outliers in the observation noise are detected by filtering, and those in the system noise are detected by smoothing. Monte Carlo simulations are also presented to show the effectiveness of the proposed algorithms.