基于渐消因子的ECEF-GLS估计算法

传统的误差配准算法假设系统偏差恒定或缓慢变化,当系统误差发生突变或快速变化时,这一假设不再成立。针对这一问题,研究了时变条件下的误差配准算法,引入渐消因子,对常规的基于地心地固坐标系的广义最小二乘算法(generalized least squares algorithm based on the earth-centered earth-fixed coordinate system,ECEF-GLS)进行了修正,弱化历史量测对配准的影响,并对渐消因子的选取问题进行了研究,给出了合理的设计方法。算法验证表明,基于渐消因子的ECEF-GLS估计算法能够对时变的系统偏差进行有效估计,精度满足配准要求。

多渐消因子卡尔曼滤波及其在SINS初始对准中的应用

针对卡尔曼滤波在系统模型失配和未知干扰情况下鲁棒性差的特点,对于一类线性模型提出了多渐消因子卡尔曼滤波算法。该算法利用卡尔曼滤波取得最佳增益时残差序列互不相关的性质,可以在线自适应地调整多个渐消因子,从而对多个数据通道进行渐消,即使当滤波达到稳态时仍然可以调整滤波增益,使得该算法对模型失配和未知干扰有较强的鲁棒性。将该算法用于噪声统计不准确的SINS初始对准,数值仿真表明,当系统模型存在不准确情况时,新方法对航向误差角的估计精度较单渐消因子卡尔曼滤波和常规卡尔曼滤波分别提高了70%和43%,证明了该算法的有效性。

基于多重次渐消因子的强跟踪UKF姿态估计

针对应用于飞行器姿态确定中的乘性扩展卡尔曼滤波(multiplicative extended Kalman filter,MEKF)存在精度低、鲁棒性差的缺点,提出了一种基于多重次渐消因子的强跟踪无迹卡尔曼滤波(multiple fading factors strong tracking unscented Kalman filter,MSTUKF)算法。该滤波算法克服了单渐消因子对多变量跟踪能力差的局限性,通过引入两个多重次渐消因子对预测误差协方差阵进行调整,使得不同的滤波通道具有不同的调节能力,保证预测误差协方差阵的对称性,从而实现滤波算法强跟踪性。仿真结果表明,MSTUKF的滤波精度和鲁棒性均明显优于MEKF,能够更好地满足工程应用对精度和鲁棒性的要求。

非线性系统带次优渐消因子的扩展卡尔曼滤波

本文提出一种适用于一般非线性系统的带次优渐消因子的扩展卡尔曼滤波器。文中给出了求次优时变渐消因子的两种算法,并以数值仿真实例说明本文方法的有效性。

自适应卡尔曼滤波器渐消因子选取方法研究

分析了通过改变噪声和初始条件抑制Kalman滤波发散的方法,指出了造成Kalman滤波发散的原因和控制Kalman滤波发散的机理。推导了衰减记忆滤波方程并研究了衰减记忆滤波噪声阵和滤波初值的选取条件,分析了衰减记忆滤波条件下量测噪声阵遗忘因子权重变化的物理意义。给出了衰减记忆滤波不发散的自适应遗忘因子的新算法,仿真结果证明了所述方法的有效性。

基于多重渐消因子的自适应卡尔曼滤波器

现有计算渐消因子的自适应卡尔曼滤波器得到的通常是标量渐消因子,从而导致各滤波通道具有相同的调节能力,不利于提高滤波精度。针对该问题,提出了一种利用估计均方误差和新息协方差估计值来计算多重渐消因子的方法,通过一组并行工作的基于限定记忆指数加权的新息协方差估值器来计算渐消因子,并根据估计均方误差把渐消因子分配给各滤波通道,从而提高自适应卡尔曼滤波器整体性能,仿真结果证明了所提方法的有效性。

带渐消因子的Quadrature卡尔曼滤波

为了解决无源传感器机动目标跟踪系统非线性较强、传统的跟踪滤波方法不稳定容易发散的缺陷,提出了一种带渐消因子的QKF(FQKF)算法。该算法通过引入时变渐消因子来实时调整状态预测误差协方差阵、量测预测误差协方差阵及状态预测误差和量测预测误差之间的互协方差阵,利用公式推导得出渐消因子实际上是对状态传播积分点和量测传播积分点进行渐消,进而达到实时调整滤波器增益矩阵的目的。并通过算法的机理分析和仿真实验表明FQKF算法具有强跟踪滤波器(STF)的优良性能,能够克服QKF算法的缺陷,对于无源传感器机动目标跟踪中系统的突变状态具有较强的跟踪能力,较QKF算法稳定性有所提高,并且计算量适中。

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。

一种基于渐消因子与滑动窗口的小区域人口预测方法

对小区域人口数据的插补方法、平滑方法与预测方法进行详细研究,并针对小区域人口时间序列数据结构变化快的特点,提出了一种基于渐消因子与滑动窗口的预测方法。该方法不对现有人口预测模型的结构进行任何改变,只将人口年平均增长率、地区人口规模比例、人口年平均增长率之差等模型参数视为动态变量。通过滑动窗口不断引入新的预测值更新模型参数,同时利用渐消因子不断强化新增信息作用,弱化历史信息影响,提高参数的时效性与模型的灵活性。以湖南省澧县32个乡镇1998—2015年人口数据为研究对象,开展了大量的人口预测与分析。结果显示:1.附加人口总量约束信息的人口预测模型总体预测精度要高于未使用人口总量信息的纯数学模型;2.通过数据平滑处理可减少偶然因素影响,预测精度可提高5%~8%;3.采用本文所提方法可显著改善现有模型的人口预测能力,预测未来5年和10年的人口数量,预测精度可分别提高18%和33%。

多频码相结合渐消因子扩展卡尔曼滤波实时定位方法

基于卫星导航定位系统多频载波相位线性组合,采用较长波长的组合波观测值与码观测值,能够较快并准确地获得模糊度,在此基础上,尝试综合利用最小二乘以及渐消因子扩展Kalman滤波技术进行实时单点定位,通过应用分析,获到较好的导航定位结果,具有一定工程应用价值。

一种带渐消因子的偏差配准和目标跟踪算法

在多平台多传感器跟踪系统中,提出一种带渐消因子的偏差配准和目标跟踪算法,结合配准偏差和目标状态形成扩维状态变量以构造新的偏差配准模型,在跟踪过程中引入渐消因子对突变的目标状态变量进行快速响应。仿真结果表明,该算法能使系统偏差估计迅速收敛到真实值附近,在偏差发生突变时,具有较好的自适应性,并且可以提高系统的整体跟踪精度。

基于自适应多重渐消因子卡尔曼滤波的SINS初始对准方法

针对传统卡尔曼滤波器在模型失配和噪声时变情况下滤波精度下降甚至发散的问题,设计了一种新的多重渐消因子卡尔曼滤波算法。该算法通过一个基于渐消记忆指数加权的新息协方差估计器来计算新息协方差估计值,并依此引入多重渐消因子对预测误差协方差阵进行调整,使得各滤波通道具有不同的调节能力,克服了单渐消因子对多变量跟踪能力差的局限性,从而提高滤波算法的精度和鲁棒性。仿真和试验结果表明,新算法能有效抑制滤波器发散,其滤波精度和鲁棒性优于常规卡尔曼滤波与单渐消因子卡尔曼滤波,能够更好地满足工程应用的要求。

基于多重渐消因子的强跟踪SVDCKF组合导航算法

针对标准容积卡尔曼滤波(cubature Kalman filter, CKF)在载体状态突变时滤波精度下降的问题,提出了一种基于多重渐消因子的强跟踪SVDCKF组合导航(strong tracking SVDCKF integrated navigation algorithm based on multiple fading factors, MST-SVDCKF)算法。该算法引入SVD代替标准CKF中的Cholesky分解,提高了状态协方差阵分解迭代时的数值稳定性;通过卡方检验对系统状态进行评估,当系统出现状态突变时,采用多重渐消因子对预测状态协方差阵进行调节,使得不同滤波通道具有不同的渐消能力,以实现对载体真实状态的强跟踪。仿真结果表明,与标准CKF和传统STCKF相比,该算法调节能力更强,滤波精度更高。

基于多重渐消因子EKF的PMSM无传感器控制

针对传统扩展卡尔曼滤波(EKF)存在估计精度不高且滤波易发散问题,提出一种基于多重渐消因子EKF的永磁同步电机(PMSM)无传感器控制策略。该策略将系统模型的时变参数和噪声等引起的误差等效为滤波估计误差,利用新息协方差估计值选取多重渐消因子来修正一步预测均方误差阵,使各通道具有自适应调节能力,进而提高对系统各个状态变量的估计精度和整体滤波性能。同时设计模糊比例积分微分(PID)速度控制器进一步改善电机速度响应。应用Matlab/Simulink建立PMSM无传感器控制模型,仿真结果表明:改进的EKF具有较高的估计精度和自适应能力,有效提高了PMSM控制系统的动态响应和稳态性能。

基于LM-RLS和渐消因子EKF算法的锂电池SOC估计

为提高复杂工作环境下锂电池荷电状态估计精度,以三元锂离子电池为研究对象,采用限定记忆递推最小二乘法与渐消因子扩展卡尔曼滤波算法相结合进行荷电状态估计。以有限组数据计算当前时刻模型参数,解决数据饱和问题。在扩展卡尔曼滤波算法中加入渐消因子,弱化旧数据的影响,实时调整误差协方差矩阵。为验证算法的合理性,建立二阶RC等效模型,对不同工况进行荷电状态估计。验证结果表明,算法估计精确度高且稳定性好。系统稳定后,HPPC、BBDST工况中的荷电状态最大估算误差分别为0.0144和0.0085,且波动范围较小,验证了改进算法估计锂电池荷电状态时的良好性能。

多渐消因子平方根容积卡尔曼滤波算法

针对平方根容积卡尔曼滤波(SCKF)在系统模型不准确和状态突变情况下鲁棒性差的问题,提出了一种多渐消因子平方根容积卡尔曼滤波算法(MSTSCKF);MSTSCKF引入强跟踪思想,通过多渐消因子实时调整增益矩阵,建立多渐消因子数值求解方法,克服多渐消因子求解依赖先验知识的不足;采用假设检验理论对系统异常进行检测,降低误判概率,提高滤波稳定性;通过仿真分析,比较了SCKF、单渐消因子平方根容积卡尔曼滤波(STSCKF)和MSTSCKF的算法性能,实验表明MSTSCKF具有更好的跟踪精度和鲁棒性。

一种基于记忆渐消因子指数加权的动态分布式传感器融合算法

由于新疆生物氧化提金预处理过程的工业现场易受到外界因素如昼夜温差、强风等干扰,传统测量方法往往存在较大的误差。为解决这个问题,①根据预处理过程,建立了传热机理模型。②针对该过程设计一个小范围传感器网络,提出了一种基于多连通融合结构的传感器分层融合结构。③数据处理过程中,引入一种基于渐消记忆指数加权的多重衰落因子调整预测误差协方差,提高基于扩展卡尔曼滤波(EKF)在一步预测中的有效性。④以各传感器的状态估计精度用作加权融合准则,通过添加动态加权因子来预测每个传感器的预测置信度。仿真实验的性能指标表明,该方法比传统的单传感器方法具有更高的全局精度,并能有效降低干扰噪声的影响。

一种新的多渐消因子容积卡尔曼滤波

将强跟踪思想引入容积卡尔曼滤波(cubature Kalman filter,CKF),建立强跟踪CKF能有效克服CKF在模型不确定、状态突变等情况下,滤波性能下降的问题;通过分析现有多渐消因子计算方法,发现它们均只利用了协方差矩阵的对角线元素,并没有考虑各个状态之间的相关性,不能充分发挥多渐消因子的优势;为此,提出渐消因子矩阵,基于正交原理推导渐消因子矩阵的求解方法,提出多渐消因子强跟踪CKF算法;多渐消因子强跟踪CKF算法突破了传统多渐消因子为向量的限制,也不再要求渐消因子取值要大于1;仿真验证了算法具有更好的滤波精度何鲁棒性,能更好的满足工程应用的要求。

基于简化多重渐消因子强跟踪CKF的SINS非线性初始对准算法

针对容积卡尔曼滤波(CKF)在捷联惯导系统(SINS)初始对准时由于模型误差和外界扰动导致滤波精度下降和鲁棒性差的问题,提出一种简化多重渐消因子强跟踪CKF算法(RMSTCKF),并给出了算法流程和推导了多重渐消因子的次优解法。多重渐消因子可以根据不同状态的不确定性程度大小相应提高各个状态的跟踪能力,具有较强的自适应性和鲁棒性,将RMSTCKF应用于由欧拉平台误差角(EPEA)描述的大方位失准角误差方程,在系统噪声不匹配和基座受扰动两种情况下进行仿真,并与RSTCKF、RCKF两种算法进行对比实验,结果表明,RMSTCKF的滤波精度和收敛速度明显优于RSTCKF和RCKF,具有更高的工程实用价值。

用于组合测姿的Kalman渐消因子自适应估计算法

提出了适用于姿态测量的Kalman滤波渐消因子自适应估计算法,滤波中采用序贯处理的方法计算出每个量测量对应的渐消因子,在位置速度组合导航系统中,只有位置、速度的误差状态是直接可观测的,用序贯滤波处理计算得到的渐消因子对协方差阵中对应于位置和速度误差状态的对角元素进行自适应控制,抑制滤波发散,提高位置、速度和姿态的测量精度。半实物仿真表明,与原来的算法相比,修改后的方法不仅能够提供高精度位置、速度信息,而且还可以提供高精度姿态信息,其中航向误差在0.08°以下,俯仰和横滚误差在0.02°左右。