强跟踪CDKF 及其在组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在组合导航系统模型不确定时存在滤波精度下降甚至发散的问题,提出一种具有强跟踪性能的中心差分卡尔曼滤波器(CDKF).强跟踪CDKF基于强跟踪滤波器(STF)的理论框架,采用中心差分变换代替STF中的雅可比矩阵计算,兼具STF鲁棒性强,CDKF滤波精度高和实现简单的优点,有效克服了EKF在系统模型不确定时滤波失效的缺点.仿真结果验证了强跟踪CDKF的有效性.     

基于强跟踪滤波器及小波变换的非线性系统参数辨识及应用

本文采用强跟踪滤波器为主要框架, 通过线性化和状态扩展解决非线性系统时变参数和状态的估计问题. 在普通强跟踪滤波器的基础上, 以小波变换估计量测噪声, 采用滤波增益调整系数解决过跟踪问题, 给出了主要的计算公式和参数的取值方法, Monte Carlo仿真和在弹道方程参数辨识中的应用结果表明, 本方法不但对突变参数具有强跟踪能力, 在噪声方差发生变化的情况下, 仍可以对非线性参数进行准确的辨识, 状态与参数估计精度高于 普通的强跟踪滤波器.     

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中，相互作用多模型（IMM）算法是目前公认的最为有效的算法。但到目前为止，LMM估计方法都是建立在卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF）基础上，因而其性能不仅依赖于所采用的模型集，而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器（STF）克服了卡尔曼和扩展卡尔曼的三大缺陷，因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明，基于STF的IMM算法的跟踪性能要优于基于KF和EKF的IMM算法的跟踪性能。     

基于强跟踪滤波器的开关变换器故障诊断

Buck变换器又称降压变换器、串联开关稳压电源、三端开关型降压稳压器。广泛用于计算机、家用电器、控制系统和通信系统中的电源几乎都是开关电源,具有超快速负载动态响应、高功率变换效率、高功率密度、低电压、大电流的特性.开关变换器作为它的主要电路,故障率较高,对它故障诊断研究是有意义的。基于强跟踪滤波理论,给出了一种开关变换器电路故障实时诊断的一种方法。该方法以建立一种开关变换器电路状态空间模型为基础,利用强跟踪滤波器对电路状态及元件参数进行估计,当元件参数发生软、硬型故障时,根据强跟踪滤波器对元件参数的跟踪结果及修正的Bayes分类算法,可实时诊断开关变换器电路中的元件故障。仿真结果证明了该方法的有效性。     

基于强跟踪滤波器的目标运动参数估计方法研究

针对船舶动力定位系统中目标跟踪控制需求,提出了一种基于强跟踪滤波器的目标运动参数估计方法,建立了两种目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了引入渐消因子的强跟踪滤波器进行目标运动状态和参数估计。通过与扩展卡尔曼滤波器的参数估计对比仿真试验,验证了基于强跟踪滤波器的目标运动参数估计方法具有较好的跟踪性能。     

一种强跟踪滤波器及其在人手跟踪中的应用

通过对状态预报误差的协方差矩阵的各个分量分别进行控制,设计一种强跟踪扩展卡尔曼跟踪滤波器,并在单目相机环境下利用该滤波器对3D人手运动过程中的突变状态进行跟踪;讨论了3D人手生理模型、运动模型等问题;最后通过大量实验证明了该强跟踪滤波器的有效性.与现有的STEKF滤波器相比,文中的强跟踪滤波器具有更强的跟踪能力.     

基于Unscented变换的非线性状态平滑

众所周知, 平滑因可以使用更多的量测信息而能够获得比滤波更精确的状态估计. 为此, 本文提出一种面向非线性随机系统的状态平滑新算法. 首先, 基于最小方差估计理论, 提出了一种新颖的最优平滑器, 该平滑器为解决非线性状态平滑问题提供了一种通用的理论框架;接着, 采用Unscented变换(UT)来近似上述最优平滑框架中的平滑增益, 进而设计出一种次优平滑算法;最后, 相比传统扩展卡尔曼平滑器(EKS), 仿真结果验证了新算法的有效性和可行性.     

基于强跟踪滤波器的MACA-MIE 模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展 ACA 模型状态矢量和改进状态噪声协方差调整方法,利用 MIE 和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比 ACA 模型和 MIE,该算法具有更好的机动状态和非机动状态跟踪性能.     

强跟踪滤波器在倒立摆系统中的应用

倒立摆系统可以用多种理论和方法来实现其稳定控制,如PID、自适应、状态反馈、智能控制、模糊控制及人工神经元网络等多种理论和方法,都能在倒立摆系统控制上得到实现。强跟踪滤波器能够对被噪声污染的信号进行有效地估计,从而降低了噪声的影响,强跟踪滤波器的优点为对于模型不确定性具有较强的鲁棒性;对过程的缓变或突变状态均有很强的跟踪能力。介绍强跟踪滤波器在倒立摆控制系统中的应用并给出了仿真结果。仿真结果证实由于强跟踪滤波器能有效地估计倒立摆的状态,与没有采用强跟踪滤波器的控制方法相比较,不但降低了噪声对系统的影响,而且显著地提高了系统的鲁棒性。     

混杂系统故障诊断的强跟踪滤波器方法

混杂系统是近年来研究的热点,针对混杂系统故障诊断难题,在对混杂系统描述的基础上,给出了混杂系统状态估计及离散模态识别的强跟踪滤波器算法,并将该算法扩展到状态与参数的联合估计,最后利用修正的Bayes算法作出故障判决,实现了混杂系统的故障诊断。通过对两容水箱典型混杂系统故障诊断的仿真实验,验证了该方法的有效性。     

基于无迹卡尔曼滤波的被动多传感器融合跟踪

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.     

A strong tracking nonlinear robust filter for eye tracking

Non-intrusive methods for eye tracking are important for many applications of vision-based human computer interaction. However, due to the high nonlinearity of eye motion, how to ensure the robustness of external interference and accuracy of eye tracking pose the primary obstacle to the integration of eye movements into today’s interfaces. In this paper, we present a strong tracking unscented Kalman filter (ST-UKF) algorithm, aiming to overcome the difficulty in nonlinear eye tracking. In the proposed ST-UKF, the Suboptimal fading factor of strong tracking filtering is introduced to improve robustness and accuracy of eye tracking. Compared with the related Kalman filter for eye tracking, the proposed ST-UKF has potential advantages in robustness and tracking accuracy. The last experimental results show the validity of our method for eye tracking under realistic conditions.     

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度,用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离,来进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。     

基于加性无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于加性无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。用无迹卡尔曼滤波进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度。     

Maximum correntropy unscented filter

The unscented transformation (UT) is an efficient method to solve the state estimation problem for a non-linear dynamic system, utilising a derivative-free higher-order approximation by approximating a Gaussian distribution rather than approximating a non-linear function. Applying the UT to a Kalman filter type estimator leads to the well-known unscented Kalman filter (UKF). Although the UKF works very well in Gaussian noises, its performance may deteriorate significantly when the noises are non-Gaussian, especially when the system is disturbed by some heavy-tailed impulsive noises. To improve the robustness of the UKF against impulsive noises, a new filter for non-linear systems is proposed in this work, namely the maximum correntropy unscented filter (MCUF). In MCUF, the UT is applied to obtain the prior estimates of the state and covariance matrix, and a robust statistical linearisation regression based on the maximum correntropy criterion is then used to obtain the posterior estimates of the state and covariance matrix. The satisfying performance of the new algorithm is confirmed by two illustrative examples.     

融合残差Unscented粒子滤波和区别性稀疏表示的鲁棒目标跟踪

（目的）提出一种鲁棒的目标跟踪算法,将区别性稀疏表示模型应用于残差Unscented粒子滤波(RUPF)跟踪框架,从而实现对目标高效准确的跟踪。（方法）利用Unscented卡尔曼(UKF)滤波技术将目标的量测信息引入提议分布,并使用马尔科夫蒙特卡洛(MCMC)移动改进采样结果,提高了滤波的精度,同时有效防止了粒子的退化和贫化。基于稀疏表示建立区别性的目标观测模型,引入的背景成分可以增强算法分辨目标与背景的能力。采用可变方向乘子法(ADMM)解决稀疏表示中的L1优化问题,有效的提升了算法的执行效率。（结果）通过和其它跟踪算法一起对标准测试视频进行的大量定性与定量的实验表明,本文提出的跟踪算法的跟踪精度高于一些常见的跟踪算法,同时其时间复杂度低于传统的几种基于稀疏的跟踪算法。（结论）随着硬件技术的不断发展,UKF滤波技术的速度不断提升,保证了本文算法可以在较高准确率下有更快的执行速度。     

基于迭代UKF的主动段弹道跟踪算法研究

卫星在角度测量信息下对弹道导弹主动段的跟踪面临可观测性弱、初始误差大等问题，寻找一种快速稳健的跟踪算法尤为重要。引入一种稳健而有效的迭代UKF滤波算法（IUKF），它通过对UKF算法进行修正，改善了对状态滤波值和协方差的估计。通过Monte Carlo仿真与其他算法进行比较，表明新算法收敛速度更快、收敛精度更高，是解决主动段跟踪问题的一种更为有效的算法。     

Strong tracking filter based adaptive generic model control

Generic Model Control (GMC) is a control algorithm capable of using nonlinear process model directly. Parameters in GMC controllers are easily tuned, and measurable disturbances can be compensated effectively. However, the existence of large modeling errors and unmeasurable disturbances will make the performance of GMC deteriorate. In this paper, based on the theory of Strong Tracking Filter (STF), a new approach to Adaptive Generic Model Control (AGMC) is proposed. Two AGMC schemes are developed. The first is a parameter-estimation-based AGMC. After introducing a new concept of Input Equivalent Disturbance (IED), another AGMC scheme called IED-estimation-based AGMC is further proposed. The unmeasurable disturbance and structural process/model mismatches can be effectively overcome by the second AGMC scheme. The laboratory experimental results on a three-tank-system demonstrate the effectiveness of the proposed AGMC approach.     

适用处理非高斯观测噪声的强跟踪卡尔曼滤波器

在高斯噪声条件下,卡尔曼滤波器(KF)能够获得系统状态的一致最小方差线性无偏估计.但当噪声非高斯,KF性能将严重下降.观测噪声非高斯现象在深空探测自主导航中经常遇到,然而现有模型可能存在着精度不高、稳定性不强或者计算复杂度较高的缺点.针对这种现状,本文在传统强跟踪卡尔曼滤波器(STKF)中新息正交原则的基础上,推导了适用处理非高斯观测噪声的强跟踪卡尔曼滤波器(STKFNO),并将其嵌入到无迹卡尔曼滤波(UKF)框架下形成适用处理非线性系统非高斯观测噪声的强跟踪无迹卡尔曼滤波器(STUKFNO).所提出的算法被应用到深空光学自主导航系统中,仿真结果表明所提出的算法能够较好地应对观测噪声的非高斯性.