量测噪声自动加权Kalman滤波

:从Kalman滤波技术的稳定性出发 ,分析了Kalman滤波算法的实质及容易发散的原因。提出在Kalman滤波中引入系统量测噪声协方差阵 (R)的计算 ,并对其加权 ,从而影响滤波增益 ,抑制发散。推算舰位

带有色量测噪声的非线性系统Unscented卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter,UKF)要求噪声必须为高斯白噪声,无法解决带有色噪声的非线性系统滤波问题.为此,本文提出了一种带有色量测噪声的UKF滤波新算法.首先,基于量测信息增广和最小方差估计,推导出一类带有色量测噪声的非线性离散系统状态的最优滤波框架,接着采用Unscented变换(Unscented transformation,UT)来计算最优框架中的非线性状态后验均值和协方差,进而得到有色量测噪声下UKF滤波递推公式.所设计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题,数值仿真实例验证了其可行性和有效性.

一种带有色量测噪声的非线性系统辨识方法

利用最大似然判据,本文提出了一种带有色量测噪声的非线性系统辨识方法.首先,利用量测差分方法将有色量测噪声白色化,获得新的量测方程,从而将带有色量测噪声的非线性系统辨识问题转化成带白色量测噪声和一步延迟状态的非线性系统辨识问题.其次,利用期望最大化(Expectation maximization,EM)算法提出了一种新的基于最大似然估计的非线性系统辨识方法,该算法由期望步骤(Expectation step,E-step)和最大化步骤(Maximization step,M-step)两部分组成.在期望步骤中,基于当前估计的参数并利用带有色量测噪声的高斯近似滤波器和平滑器,近似计算完整的对数似然函数的期望.在最大化步骤中,近似计算的似然函数期望值被最大化,并且通过解析更新获得噪声参数估计,通过Newton更新方法获得模型参数的估计.最后,数值仿真验证了本文提出算法的有效性.

卡尔曼滤波系统和量测噪声自适应估计的关联性

卡尔曼滤波是惯导系统(INS)/GPS组合导航的主要算法之一,Sage-Husa算法是在卡尔曼滤波基础上,为减少系统噪声和量测噪声的不确定性对误差估计的影响而采用的自适应估计方法。对Sage-Husa算法提出了4条改进措施;并通过在3种数据扰动情形下的仿真计算发现,只对一类噪声做自适应估计更容易产生较大的偏差,对系统噪声和量测噪声两类噪声同时做自适应估计,其效果要优于只对一类噪声做自适应估计,把此现象定义为卡尔曼滤波的系统和量测噪声自适应估计的关联性。这个结果不同于一些文献的观点。此项研究对自适应卡尔曼滤波在INS/GPS组合导航的工程化应用有较高的实用价值。

相关量测噪声情况下多传感器集中式融合跟踪

在实际的多传感器融合目标跟踪中,各传感器之间的量测噪声往往是相关的。对于量测噪声相关的多传感器量测,利用Cholesky分解和单位下三角阵的求逆方法,将其转化为量测噪声互不相关的等价的多传感器伪量测,然后基于Kalman滤波,提出了一种解决量测噪声相关情况下多传感器融合目标跟踪问题的新算法。与已有的和直接利用原始传感器量测的集中式融合算法相比,三者在计算精度上完全等价,但新算法的计算复杂度却大大降低。数值仿真实验进一步验证了新算法的有效性。

带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器

为了解决带有色厚尾量测噪声的非线性状态估计问题,本文提出了新的鲁棒高斯近似(Gaussian approximate,GA)滤波器和平滑器.首先,基于状态扩展方法将量测差分后带一步延迟状态和白色厚尾量测噪声的非线性状态估计问题,转化成带厚尾量测噪声的标准非线性状态估计问题.其次,针对量测差分后模型中的噪声尺度矩阵和自由度(Degrees of freedom,DOF)参数未知问题,设计了新的高斯近似滤波器和平滑器,通过建立未知参数和待估计状态的共轭先验分布,并利用变分贝叶斯方法同时估计未知的状态、尺度矩阵、自由度参数.最后,利用目标跟踪仿真验证了本文提出的带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器的有效性以及与现有方法相比的优越性.

量测噪声自动加权Kalman滤波

从Kalman滤波技术的稳定性出发,分析了Kalman滤波算法的实质及容易发散的原因。提出在Kalman滤波中引入系统量测噪声协方差阵(R)的计算,并对其加权,从而影响滤波增益,抑制发散。推算舰位/GPS 组合导航的应用仿真表明:量测噪声自动加权Kalman滤波算法对系统模型误差和量测噪声协方差误差具有良好的自适应性。

有限记忆量测噪声在线估计的Kalman改进算法

针对有限记忆量测噪声在线估计算法中,新息残差序列对渐变噪声的统计滞后问题,提出了一种新息变化率构建算法.该算法利用当前统计周期内新息绝对值的均值与前一统计周期内新息均值的绝对值构造新息变化率,并在此基础上提出了利用新息变化率作为量测噪声估计阵修正因子的改进算法.仿真比较了在无噪声变化、噪声突变与噪声渐变3种不同情况下,算法改进前后的滤波效果.仿真结果表明,该算法在保留对突变噪声有效检测的同时,提高了对渐变噪声的检测速度,从而提高了有限记忆量测噪声在线估计算法对量测噪声阵的计算精度.

多传感器量测噪声对航迹融合性能影响分析

针对多传感器量测噪声相关性和量测噪声方差比值对航迹融合性能有影响的问题,分别采用凸组合航迹融合、最优航迹融合和小航迹融合算法进行融合,对融合性能和单个传感器滤波性能进行分析对比。仿真实验表明:(1)当量测噪声相关系数趋向-1时,融合性能良好;当量测噪声相关系数趋向1时,融合性能退化。(2)当量测噪声方差比值大致处于[0.1,10]时,融合性能良好;当量测噪声方差比值超出此范围时,融合性能退化。

量测噪声情况下基于D-S证据推理信息融合的滑模控制

研究了 D- S证据推理多传感器信息融合方法在存在量测噪声的滑模控制中的应用 ,它有助于削弱模函数的不确定性 .由于基本可信度函数不能解析获得 ,用一个模糊系统对其予以等价 ,模糊规则后件参数由样本数据通过最小二乘法获得 .

量测噪声有限记忆在线估计简化算法

量测噪声有限记忆在线估计方法通过对新息序列的实时统计计算,更新系统量测噪声阵 R,增强了滤波器的自适应能力。但量测噪声有限记忆在线估计方法需要在每个滤波周期内对量测噪声阵 R 进行估计并更新统计周期内的量测新息,存在着信息统计与数据更新计算量大的不足。针对此问题,提出了一种基于协方差匹配技术的自适应滤波算法,将协方差匹配技术与量测噪声有限记忆在线估计方法相结合,根据协方差匹配结果,选择性统计量测噪声阵 R。仿真结果表明,简化算法可以在保证滤波精度相当的前提下,减小计算量,提高实时性。

有色量测噪声下机器人同步定位与地图构建

针对有色量测噪声模型,提出一种有色量测噪声下的轮式机器人同步定位与地图构建算法。通过重新组合轮式机器人的过程模型和量测模型,将有色量测噪声量测模型转化为虚拟的白噪声量测模型。为使过程噪声和量测噪声不相关,对过程模型进行不相关条件处理。算法按照构造的虚拟过程模型和量测模型进行滤波估计和地图构建。仿真结果验证了算法的一致性和鲁棒性。

量测噪声存在时的自抗扰控制分析

主要讨论量测噪声对自抗扰控制器(ADRC)的影响,分析了在各种噪声条件下ADRC的估计误差,并合理设计滤波器用以减少噪声对系统的影响。最后,通过仿真实例对分析结论进行了验证。

有色量测噪声情况下的多传感器目标跟踪融合算法

目前已有的目标跟踪融合估计算法都是基于Kalman滤波的,而卡尔曼滤波估计算法要求系统过程噪声和量测噪声均为白色噪声;而实际的跟踪系统中量测噪声往往是有色噪声。针对上述问题,利用线性组合当前量测与下一时刻量测的量测扩增法,研究了有色量测噪声情况下的集中式、分布式多传感器目标跟踪融合算法;并对新的融合算法进行仿真分析。仿真结果表明新的融合算法具有良好的跟踪性能。

基于量测噪声实时估计算法的GI-RAIM性能研究

针对传统GPS/SINS组合导航卡尔曼滤波量测更新方程中等值对待各颗可见星量测噪声的问题,采用一种可见星量测噪声实时估计算法,研究其对以残差检验法为基础的GI-RAIM性能的影响。仿真结果表明,采用量测噪声实时估计算法后,故障检测性能得到了提高。

未知量测噪声分布下的多扩展目标CBMeMBer滤波算法

在实际应用场景中,量测噪声协方差准确模型很难被建立,传统的多扩展目标跟踪算法在量测噪声协方差未知情况下跟踪性能迅速下降。为了解决量测噪声未知对多扩展目标跟踪结果造成的影响,将变分贝叶斯方法引入到CBMeMBer滤波算法中。VB-GM-CBMeMBer算法能在量测噪声未知情况下通过估计噪声协方差进行滤波计算,但该算法存在目标数目估计不准确的问题。针对此问题,提出一种改进的VB-GM-CBMeMBer算法,该算法在滤波算法预测步骤后引入椭球门限,使用保留在门限内的量测来进行下一步计算,以减少杂波量测,降低杂波量测对扩展目标量测的影响,提高对扩展目标状态聚类的精度。实验结果表明,该算法适用于多扩展目标数目未知、量测噪声协方差未知的情况,且其跟踪精度比GM-CBMeMBer和VB-GM-CBMeMBer滤波算法有一定提高。

量测噪声相关条件情况下的多传感器状态融合估计

对于量测噪声相关的多传感器系统,采用Cholesky分解和单位下三角阵的求逆方法,将其转化为量测噪声互不相关的等价模型,从而可以直接利用现有的融合算法进行状态融合,由此给出了量测噪声相关情况下多传感器的状态融合算法。该算法和已有的算法相比具有两大优点,该算法不仅考虑了量测噪声相关而且简单可行,而且该算法和已有的算法相比更具有一般性,对于有特征值相同的情形同样适用。数值仿真结果表明了该算法的有效性。

不完全量测下目标跟踪系统的容许量测噪声

针对目标跟踪系统不可避免存在的量测值丢失的情况,研究了统计意义下基于不完全量测的估计误差协方差的性质,并分析了稳态滤波误差方差与量测噪声之间的关系。当传感器探测概率已知,在给定的误差方差约束下,给出了考虑不完全量测条件下滤波器的一种新算法,可使系统具有最大容许量测噪声强度,从而可降低对传感器精度的要求。数值算例和蒙特卡罗(Monto Carlo)仿真结果表明了该方法的有效性。

基于量测噪声方差估计的GM-CBMeMBer算法

针对目标跟踪系统下量测噪声统计特性不准确甚至难以获取的问题,提出一种量测噪声统计特性自适应的高斯混合势均衡多目标多伯努利(Cardinality Balanced Multi-Target Multi-Bernoulli,GM-CBMeMBer)滤波算法。该算法引入Sage-Husa自适应滤波器的思想,利用遗忘因子对量测噪声协方差误差进行修正;建立检验统计量,判断算法敛散性;若滤波发散,则采用有偏估计方法来保证算法收敛性。仿真结果表明在非时变、时变量测噪声方差未知情况下,改进算法的跟踪性能优于传统的GM-CBMeMBer滤波算法,对量测噪声的变化具有较强的适应能力。

MSINS/GPS深组合导航系统中量测噪声估计

在MSINS/GPS深组合导航系统中,伪距、伪距率噪声对应的量测噪声阵R随环境、卫星位置的改变而改变,它对卡尔曼滤波器的性能影响很大。定点观测能得到量测噪声阵R的准确估计。仿真研究表明,对于MSINS/GPS深组合导航系统,当采用定点观测法估计量测噪声阵R时,卡尔曼滤波器能较好地估计导航参数误差。若适当减小量测噪声阵R,卡尔曼滤波器将提高估计导航参数误差的精度,加快收敛速度。