自适应Kalman滤波在多传感器数据融合中应用

文中介绍基于白噪声滤波器和平滑器的改进的Sage和Husa噪声统计估值器及相应的自适应Kalman滤波器,可处理未知常的和时变的噪声统计估计问题.仿真结果验证了改进滤波器在精度和收敛速度上的优越性.     

基于自适应强跟踪滤波器的汽车行驶状态软测量

针对汽车底盘控制系统中一些关键汽车行驶状态难以准确直接测量以及测量成本较高的问题,在自适应卡尔曼滤波算法和强跟踪滤波算法的基础上,提出基于自适应强跟踪滤波器的汽车行驶状态估计方法.结合纵向、侧向和横摆3自由度非线性汽车模型,将其应用于汽车行驶状态的软测量之中,并与扩展卡尔曼滤波算法进行比较分析.通过Carsim和Matlab/SIMULINK联合仿真的双移线试验的结果表明,在非线性区域内,自适应强跟踪滤波器能快速、准确跟踪汽车状态.该算法在估计精确度、跟踪速度、抑制噪声等方面均优于扩展卡尔曼滤波算法,满足汽车状态估计器的软件性能要求.     

基于改进强跟踪无迹卡尔曼滤波的电力信号同步相量跟踪算法

配电网中各类噪声对相量测量产生较大影响,研究在高噪声环境下能够可靠检测并能快速跟踪电力信号突变的同步相量测量算法,对保证电网的稳定性与可靠性具有重要意义.提出基于量测量误差协方差次优估计的自适应强跟踪无迹卡尔曼滤波(SEMEC-ASTUKF)的同步相量测量算法.首先根据递归最小二乘法提出一种自适应常值噪声统计估计器提高...     

平方根Kalman自适应滤波及其在OCT中的应用

为了满足自适应滤波的准确性和时变噪声鲁棒性的要求,将具有递推特性的Kalman滤波理论引入到自适应滤波中,针对Kalman自适应滤波可能出现的由于计算舍入误差所引起的发散和时变噪声统计问题,提出了具有时变噪声统计的平方根Kalman自适应滤波。目前,应用平方根Kalman自适应滤波的自适应光学电流互感器(OCT)经过了严格的检测,稳态精度达到0.2级,暂态情况下的非周期分量电流的最大峰值瞬时值误差小于±1%。自适应OCT已经在河北省保定市某变电站挂网运行25个月。     

强跟踪自适应CKF及其在动力定位中应用

针对容积卡尔曼滤波(cubature Kalman filter,CKF)在动力定位系统存在不良测量及船舶运动模型不确定时滤波精确度下降甚至发散的问题,提出一种强跟踪自适应CKF算法。利用新息协方差匹配原理,建立对系统的不良测量具有鲁棒性的自适应CKF。基于强跟踪滤波(strong tracking filter,STF)的理论框架和自适应CKF算法,构建强跟踪自适应CKF,该算法克服了标准强跟踪滤波的理论局限性,兼具STF与自适应CKF的优点,在系统存在模型不确定性及不良测量时具有良好的鲁棒性和滤波精确度。通过仿真验证了所建算法的有效性。     

平方根Kalman自适应滤波及其在OCT中的应用

为了满足自适应滤波的准确性和时变噪声鲁棒性的要求，将具有递推特性的Kalman滤波理论引入到自适应滤波中，针对Kalman自适应滤波可能出现的由于计算舍入误差所引起的发散和时变噪声统计问题，提出了具有时变噪声统计的平方根Kalman自适应滤波。目前，应用平方根Kalman自适应滤波的自适应光学电流互感器（OCT）经过了严格的检测，稳态精度达到0.2级，暂态情况下的非周期分量电流的最大峰值瞬时值误差小于±1%。自适应OCT已经在河北省保定市某变电站挂网运行25个月。     

基于核自适应滤波的多操纵面飞机多模型舵面故障诊断

针对多模型自适应估计方法中精确的飞机数学模型难以获得和模型存在非线性等问题,引入核自适应滤波器(KAF)替换卡尔曼滤波器,提出了一种新的多模型自适应估计故障诊断方法。通过核方法将复杂的非线性系统映射到高维特征空间中,在该空间中设计线性自适应滤波器,无需预先知道精确的飞机数学模型,通过控制输入信号和姿态输出信号的训练数据训练核自适应滤波器,进而在线估计飞机的飞行状态,完成飞机舵面的故障检测与隔离。扩展了KAF的使用范围,改进了传统的状态估计故障诊断方法。研究成果可为降低飞机因舵面故障而引起的事故,提高飞机的生存性提供理论和技术支撑,具有一定的军事意义和良好的应用价值。     

基于自适应EKF的PMSM无速度传感器控制

永磁同步电机无速度传感器控制中,鉴于固定的噪声协方差阵不能同时满足动态和稳态的要求,通过引入一种变参数的自适应扩展卡尔曼滤波器(EKF),给出了一种永磁同步电机(PMSM)无速度传感器控制方案.以角加速度的值为选取依据,判断电机的运动状态,针对稳态过程和动态过程分别选定两组参数,以保证滤波器的快速性和稳定性,进而实现E...     

基于 SST-SCKF 的运动目标超宽带定位算法研究

使用超宽带(UWB)进行定位过程中,卡尔曼滤波是一种常见的降噪方法,但由于对非线性系统滤波性能差,且定位目标运动轨迹易超出基站布局区域以及受到异常噪声干扰,会影响定位系统的准确性和稳定性。针对这一问题,提出一种对称强跟踪(SST)平方根容积卡尔曼(SCKF)算法,通过引入对称时变渐消因子调节各协方差矩阵,实现改变误差协方差矩阵中多重衰落因子矩阵的工作方式,进而调整滤波增益,计算复杂度虽略有增加,但增强定位模型的适应性与鲁棒性。仿真验证表明,在异常噪声干扰下,改进后的算法(SST-SCKF)相较于SCKF/多重渐消因子的SCKF(ST-ASCKF)算法可有效提高定位准确度,且定位轨迹较于单渐消因子的SCKF算法(STSCKF)更为平滑;利用SST-SCKF算法设计基于UWB技术的定位方案,通过动态模拟实验表明,本文提出的SST-SCKF算法较之SCKF/STSCKF/ST-ASCKF滤波性能更优,为复杂环境噪声下人员UWB定位提供更好的降噪,使定位更为精准。     

点目标视频跟踪中的噪声自适应卡尔曼滤波器

针对卡尔曼滤波器在实用过程中所遇到的运动模型选择以及噪声给定问题,基于视频点目标的特征,提出了一种点目标视频跟踪中的噪声自适应卡尔曼滤波算法.该算法结合双步动态模型,在滤波过程中根据速度的相关系数调整运动模型参数,使运动模型更加切合实际.此外,该算法结合运动模型以及观测数据对一段时间的过程噪声进行估计,同时基于成像特性,利用单帧图像中灰度值的分布,对单次观测的观测噪声进行实时估计,实现过程噪声和观测噪声的自适应.根据在外场进行的仿真实验和实际跟踪实验结果,文中所提出的方法能够有效地保证跟踪精度.     

Modified strong tracking unscented Kalman filter for nonlinear state estimation with process model uncertainty

This paper presents a modified strong tracking unscented Kalman filter (MSTUKF) to address the performance degradation and divergence of the unscented Kalman filter because of process model uncertainty. The MSTUKF adopts the hypothesis testing method to identify process model uncertainty and further introduces a defined suboptimal fading factor into the prediction covariance to decrease the weight of the prior knowledge on filtering solution. The MSTUKF not only corrects the state estimation in the occurrence of process model uncertainty but also avoids the loss of precision for the state estimation in the absence of process model uncertainty. Further, it does not require the cumbersome evaluation of Jacobian matrix involved in the calculation of the suboptimal fading factor. Experimental results and comparison analysis demonstrate the effectiveness of the proposed MSTUKF. Copyright © 2015 John Wiley & Sons, Ltd.     

改进的自适应卡尔曼滤波在北斗伪距单点定位中的研究

针对加权最小二乘法定位精度不高,卡尔曼滤波对初始位置敏感以及噪声协方差固定不变的缺点,提出了一种将加权 最小二乘法和改进的卡尔曼滤波相结合的伪距单点定位解算方法。 该方法首先利用加权最小二乘法解算出接收机初始位置, 然后将该位置作为改进的自适应卡尔曼滤波的初始值,再建立动力学模型来进行滤波。 实验结果表明基于移动窗口协方差估 计的自适应卡尔曼滤波相比于传统卡尔曼滤波,能将单点定位精度提高 50%,收敛速度也提高了 90%。 该算法可以用在对精 度要求不高的民用导航和定位中。     

Windowing and random weighting‐based adaptive unscented Kalman filter

The conventional unscented Kalman filter (UKF) requires prior knowledge on system noise statistics. If the statistical characteristics of system noise are not known exactly, the filtering solution will be biased or even divergent. This paper presents an adaptive UKF by combining the windowing and random weighting concepts to address this problem. It extends the windowing concept from the linear Kalman filter to the nonlinear UKF for estimation of system noise statistics. Subsequently, the random weighting concept is adopted to refine the obtained windowing estimation by adjusting random weights of each window. The proposed adaptive UKF overcomes the limitation of the conventional UKF by online estimating and adjusting system noise statistics. Experimental results and comparison analysis demonstrate that the proposed adaptive UKF outperforms the conventional UKF and adaptive robust UKF under the condition without precise knowledge on system noise statistics.Copyright © 2014 John Wiley & Sons, Ltd.     

基于Kalman滤波器的车辆检测与跟踪系统的实现

智能交通系统是解决城市交通拥挤最有效的方式,其中交通信息采集设备是交通系统管理的基础与前提,而基于视频图像处理的交通信息检测器较其他类型检测器,具有信息量丰富,安装和维护成本低廉的特点.本文用基于Kalman滤波器的方法实现了交通信息采集设备中的车辆检测与跟踪.它采用了一种自适应背景更新算法,通过分割、二值化、腐蚀膨胀得出前景图像,以包含前景图像的矩形框的中心作为Kalman滤波器的跟踪特征,对运动车辆进行跟踪估计得出车辆的运动轨迹和速度.一系列的视频实验表明,该方法简单可行而且对天气、光照变化、阴影有很强的适应能力.     

一种基于指数渐消因子的自适应卡尔曼滤波算法

本文应用自适应估计理论,提出了一种指数渐消因子自适应算法。该算法通过实测残差与理论残差的比值来确定指数方程的系数,调节自适应渐消因子,保证了滤波的稳定性,提高了滤波精度,并且冲破了经验储备系数的限制。最后对比其他三种自适应滤波算法进行了仿真比较,仿真结果表明,指数渐消因子自适应滤波算法是一种实用而有效的算法。     

强跟踪UKF算法在光伏系统MPPT中的应用

强跟踪UKF算法是采用Unscented策略逼近非线性分布且强跟踪系统突变的状态估计算法,该算法兼具强跟踪算法鲁棒性强、Unscented变换精度高、实现简单的优点。针对光伏系统在部分遮蔽情况下最大功率点误判问题,结合恒压法与强跟踪UKF算法,提出了一种新的光伏系统MPPT策略。采用恒压法快速定位最大功率点的电压范围;在该电压范围用尽量小步长的控制电压,以相应瞬时功率作为被估量,采用STUKF算法精确估算最大功率点,确定相应控制电压;保证光伏系统MPPT跟踪速度基础上,提高跟踪精度,通过状态跟踪判断状态突变,避免了误判问题。仿真和实验验证了所提策略的正确性、有效性。     

Noise covariance estimation for Kalman filter tuning using Bayesian approach and Monte Carlo

Linear time‐invariant systems play significant role in the control field. A number of methods have been published for identification of the deterministic part of a process. However, identification of the stochastic part has had much less attention. This paper deals with estimation of covariance matrices of the noise entering a linear system. The process and measurement noise covariance matrices are tuning parameters of the Kalman filter, and they affect the quality of the state estimation. The noise covariance matrices are generally not known, and their estimation from the measured data is a challenging task. This paper introduces a method for estimation of the noise covariance matrices using Bayesian approach along with Monte Carlo numerical methods. Performance of the approach is tested on various systems and noise properties. The second part of the paper compares Monte Carlo approach with the recently published methods. The speed of convergence is compared with the Cramér–Rao bounds. Copyright © 2012 John Wiley & Sons, Ltd.     

基于自适应卡尔曼滤波算法的紧组合导航系统的研究

为了提高子滤波器滤波精度和优化信息融合算法,提出一种基于在线调节因子的自适应卡尔曼滤波算法。首先讨论采用卡尔曼滤波技术的理论依据,设计SINS/GPS紧组合导航系统。提出改进的自适应卡尔曼滤波算法,该方法通过构造自适应参数因子,并利用量测噪声协方差阵与自适应参数的比值实现在线修正量测噪声协方差阵。通过MATLAB仿真,与传统基于标准卡尔曼滤波算法的紧组合导航系统相比,其各向位置误差和速度误差均得到明显降低,从而达到提高组合导航定位精度和优化信息融合算法的目的。