基于GPS/INS的自适应无迹Kalman滤波算法

载体的姿态参数是导航系统重要的影响因素,为提高姿态角测量精度,以INS和GPS紧组合导航系统为研究背景,针对无迹Kalman滤波算法对误差模型较敏感、新息噪声干扰数据需预处理、算法实效性低等缺点,提出改进的自适应无迹Kalman滤波算法。首先,用自适应窗口在线估计系统噪声和量测噪声的协方差值,得到与实际噪声更贴近的统计特性,减小数据预处理的干扰;其次,对状态预测方差阵引入次优渐消因子减少计算量,同时为了减少模型的精度损耗,对滤波过程引入统计量,确定模型不确定性检测阈值;最后,用扩展Kalman滤波、无迹Kalman滤波和改进后的新滤波算法对无人机航向轨迹进行数据处理。结果分析可得,改进的滤波融合算法能将姿态的测量精度提高到0.1°,具有更强的收敛性,能较好地抑制漂移误差。

采用Kalman滤波算法预测变压器绕组热点温度

油浸式电力变压器绕组热点温度是影响变压器绝缘寿命的重要参量,为精确预测绕组热点温度,通过分析考虑负载动态变化和顶层油温相对绕组热点温度的动态变化的微分方程,构造基于Kalman滤波的热点温度状态方程和测量方程,建立了热点温度实时最优估计模型;利用实验室搭建的基于光纤光栅传感的温升试验平台测试数据,通过模拟智能电网中变压器热点温度监测数据中的噪声以及因传感器失效所引起的某时间段的数据缺失,验证了Kalman滤波模型的内插能力和滤波能力;根据某电站主变压器现场监测的变压器热点温度的有限实时数据,以及相关误差的统计信息,对所建模型进行外推,实时地预测热点温度,并与IEEE导则推荐模型的预测结果进行了对比。结果表明,基于Kalman滤波的热点温度模型更接近实测值,其在2月份和9月份的平均绝对百分比误差(1.5730%,0.8866%)和均方根误差(0.8180°C,0.8562°C),均优于IEEE导则模型的预测结果,具有较好的内插、平滑以及外推性能,为实时监测变压器绕组热点温度提供了一种新的工具。

基于Kalman滤波算法的电力变压器顶层油温预测研究

油浸式电力变压器油温是影响变压器运行寿命和负载能力的重要因素,与变压器顶层油温密切相关。运行在高温、过负荷情况下的变压器容易因为绕组热点温度过高导致早期故障,而顶层油温是变压器热点温度的重要指标。为能精确预测变压器顶层油温,通过分析基于变压器热路模型的顶层油温动态微分方程,构造基于Kalman滤波的顶层油温状态方程和测量方程,建立了顶层油温实时最优估计模型,实时地预测变压器顶层油温。结合现场实测数据对比分析Kalman滤波模型及IEEE导则推荐模型预测结果,结果表明Kalman滤波模型相对IEEE导则推荐模型具备更高的精度,为油浸式变压器顶层油温预测提供一种新的参考。

模糊自适应Kalman滤波算法在SINS/DR组合导航的应用

针对里程仪测量误差导致组合导航精度降低的问题,提出基于系统工作状态和滤波器新息状态相结合的模糊自适应算法。根据新息的变化确定模糊规则,修正里程仪输出增益,使新息始终保持在零均值附近,利用修正后的新息修正观测噪声方差,降低导航定位的偏差。仿真实验结果证明,该算法能够很好地提高组合导航定位的精度。

基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least-mean-square,NLMS)算法和最小二乘(recursive least-square,RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。

基于Kalman滤波算法的姿态传感器运动补偿方法研究

为了消除姿态传感器在检测过程中可能会出现随着运动加速度的变化而产生测量误差的现象,提出了基于Kalman滤波算法的姿态传感器加速度补偿方法。详细介绍了传感器工作原理以及运动状态下的误差分析及补偿。该方法通过将姿态传感器在运动过程中出现的角速度进行误差处理,建立传感器运动线性方程,在此基础上,采用Kalman滤波算法,通过对传感器测量输入的姿态角进行修正,从而达到姿态角准确测量的目的。通过实验数据及仿真分析表明,经过Kalman滤波算法对姿态传感器的运动进行误差补偿后的运动特性输出精度,相比补偿前有了很明显的提高,达到所需精度要求。

自适应Kalman滤波算法在加速度计自标定中的应用

针对自标定加速度计组合动基座试验数据中存在的数据异常问题,推导并运用自适应Kalman滤波算法剔除异常数据,通过对不同Kalman滤波算法自标定精度解算结果的均值和标准差进行比较,表明自适应Kalman滤波算法更加有效。

Kalman滤波算法在单站无源定位中的应用

无源定位技术有着广阔的应用前景 ,在现有单站无源定位方法的基础上 ,首先介绍了相位差变化率定位法 ,接下来引入Kalman算法对原始定位结果进行滤波处理 ,以减弱测量噪声的影响 ,提高定位的精度。仿真结果表明了这一处理算法的有效性。

基于遗传算法的多模型Kalman滤波算法及应用研究

基于长航时无人机惯性 天文 卫星 (INS CNS GPS)组合导航系统模型 ,针对复杂环境所引起的系统模型参数变化导致单一固定参数滤波器精度降低问题 ,提出了一种基于遗传算法的多模型自适应Kalman滤波算法 ,并与单一模型下的Kalman滤波器方法进行了比较 .仿真结果表明 ,与采用单一模型的Kalman滤波算法相比 ,该方法不仅能大大提高导航系统的精度和可靠性 。

Kalman滤波算法在激光三角法测量中的应用

为了提高激光位移传感器的测量精度,首先从激光三角法的测量原理出发,分析被测物体表面特征导致误差产生的原因,然后根据误差分析结果提出对传感器采集数据运用Kalman滤波算法处理来进行误差补偿,最后结合LS-100CP型激光位移传感器MATLAB进行实验仿真。实验结果表明,Kalman滤波算法在激光三角法测量中的应用切实可行。

改进的Kalman滤波算法在飞行器测距中的应用研究

为了解决四旋翼飞行器避障系统中激光和超声波传感器测距数据误差较大的问题,设计了一种改进的Sage_Husa自适应Kalman滤波算法。首先,在算法中引入遗忘因子,修正观测噪声协方差,校正数据结果,并使用Sage_Husa法对传统自适应Kalman滤波算法进行简化;然后,针对不同材质的障碍物墙面进行测距实验;最后,将结果与单一传感器和传统Kalman滤波算法的实验结果进行对比。结果显示,改进的Kalman滤波算法使激光和超声波传感器测量数据的融合结果更加稳定、准确,证明该算法能有效提高传感器的测量精度。

一种快速Kalman滤波算法实现及效果评估

该文介绍了一种新的快速Kalman滤波算法实现方法。对于某些不能够采取离线计算的滤波过程来说,它可以在保证一定精度的同时极大地提高计算速度和减少计算占用资源。文中以仿真实验的跟踪数据做出了对比仿真。

解耦的转换测量Kalman滤波算法

对于极坐标观测下的目标跟踪问题 ,基于转换测量Kalman滤波器 (CMKF) ,应用正规变换 ,得到了解耦的CMKF算法 ,同时研究了CMKF和解耦CMKF算法的初值估计问题 .仿真结果表明了解耦CMKF算法及其初值估计的有效性 .

基于Kalman滤波算法的姿态传感器信号融合技术研究

针对应用三轴陀螺仪和三轴加速度传感器的四旋翼飞行器姿态角测量问题,提出了基于Kalman滤波算法的姿态传感器信号融合方法。该方法将陀螺仪输出的角速度误差作为时变误差处理,认为陀螺仪输出的角速度误差与其所测角速度及上一时刻的角速度输出误差相关,并据此建立陀螺仪测量线性方程,在此基础上,应用Kalman滤波算法,以加速度计输出的姿态角对陀螺仪测量的姿态角进行修正,从而达到姿态角准确测量的目的。实验结果表明:应用Kalman滤波算法对加速度传感器和陀螺仪信号融合后可有效消除姿态角测量累积误差并显著改善姿态角测量的动态特性。

一种新的去偏转换测量Kalman滤波算法研究

采用引入虚拟项方法推导出转换测量误差均值和协方差的解析表达式,利用全部测量数据,给出了转换测量误差均值及其协方差在均方意义下的最佳估计,提出了一种新的去偏转换测量Kalman滤波算法。将该算法用于研究滤波精度要求较高的遭遇段导弹跟踪问题,并进行了MonteCarlo仿真。结果表明:该算法位置和速度估计的均方根误差小,滤波精度高,滤波器的实际估计误差和估计协方差匹配性好,算法置信度高,即使测量噪声较大时仍然保持良好的滤波性能。

视线坐标系下的解耦无偏转换测量Kalman滤波算法

由于无偏转换测量Kalman滤波算法(unbiased converted measurement Kalman filter,UCKMF)的转换测量噪声协方差矩阵是非对角矩阵,所以无法直接给出该算法的解耦算法。针对此问题通过从参考坐标系(reference coordinate system,RCS)到视线坐标系(line-of-sight coordinate system,LCS)的坐标变换,在视线坐标系下得到了对角形式的转换测量噪声协方差矩阵,实现了转换测量噪声在三个坐标方向上的去相关化,并进一步在三维空间中推导了解耦的UCMKF滤波算法。在算法中,采用递推公式对参考坐标系与视线坐标系的坐标变换矩阵进行估计,并通过一个补偿矩阵提高了估值精度。仿真结果表明,对于匀速运动的目标,解耦UCMKF算法与耦合UCMKF算法的跟踪性能非常接近,但计算量大大降低,因此比较适合在多目标跟踪中应用。

GPS导航中的抗差自适应Kalman滤波算法

GPS导航与定位的质量取决于对动态载体函数模型和随机模型的认知。本文首先基于机动载体的当前统计模型 ,设计了离散系统的Kalman滤波器 ,进而基于方差分量估计给出了一种适合GPS动态定位的抗差自适应卡尔曼滤波算法。该算法模型简单 ,实时性好。实测数据计算结果表明 ,滤波导航解能有效地控制观测异常和动态扰动异常对导航解的影响 。

新型自适应Kalman滤波算法及其应用

为防止滤波发散和提高系统的实时性,提出了一种新的自适应Kalman滤波算法。该算法利用滤波异常判据获得一个滤波状态因子,通过滤波状态因子确定量测噪声协方差阵的值,在线调整噪声的统计特性实现自适应滤波。将该算法应用到惯导/双星组合导航系统中,并和常规Kalman滤波和简化的Sage-Husa自适应滤波算法进行仿真比较。仿真结果表明,在滤波精度与简化Sage-Husa自适应滤波相当的情况下,新算法简化了运算,提高了实时性。

基于Kalman滤波算法的电网故障行波检测方法

行波检测是电网故障行波定位与行波保护技术的关键。为提高在含噪环境下行波检测的准确度与可靠性,本文提出了一种基于Kalman滤波算法的电网故障行波信号检测方法。该算法首先对电网电流信号进行分析,选取基波以及各次谐波作为状态变量建立状态空间,在此状态空间中利用Kalman滤波算法,实现对电网故障电流信号的预估及校正;由此得出校正后的电网电流信号幅值,利用幅值的奇异点进行行波检测分析,记录行波的到达时刻。仿真分析表明,Kalman滤波算法在不同的故障条件下均可准确检测出行波信号;在含噪声情况下和微弱信号下,相比于Hilbert-Huang变换和小波变换,Kalman滤波算法能有效提高电网故障行波定位的准确度与可靠性。

混合式自适应Kalman滤波算法

采用虚拟噪声补偿模型误差和有偏的噪声方差估值器、滤波器收敛性判据相结合的方法来解决自适应Kalman滤波发散的问题。首先若模型不准确,则引入虚拟噪声对模型误差进行虚拟补偿,然后采用有偏的噪声方差估值器、滤波器收敛性判据对噪声方差估计值进行监控,阻止滤波器发散。采用混合式自适应Kalman滤波算法对Gill公司的风向风速仪实时采集的数据进行处理,实验结果表明,该方法能有效的提高性能、抑制滤波发散,具有较强的实用性、自适应能力。