改进强跟踪EKF算法在MEMS姿态解算中的研究

本文针对四旋翼姿态解算,提出了一种噪声自适应强跟踪扩展卡尔曼滤波算法(ASTEKF)。当机体从平稳状态向机动状态过渡时,由于量测噪声影响会导致算法估计不准确,因此本文首先证明不同时刻新息序列方差满足正交性原理,正交性原理表明,量测噪声对观测值的准确性影响很大;其次,引入Sage-Husa噪声自适应估计器较准确估计系统量测噪声均值和方差,使观测值更准确;最后,通过满足正交性原理条件公式计算次优渐消因子,将次优渐消因子引入协方差一步预测运算式中,得到强跟踪滤波器。次优渐消因子的引入使得一步预测协方差矩阵增大,即增大强跟踪扩展卡尔曼滤波器增益,使系统增加对观测值权重,得到更准确的状态估计值。离线仿真实验和在线实物实验结果表明了所设计算法的有效性。

基于白噪声估值器的噪声统计辨识和自适应Kalman滤波

本文处理带来知噪声统计系统的自适应Kalman滤波问题.基于白噪声估值器,本文提出新的噪声统计递推估值器,比Sage和Husa的噪声统计估值器精度高,并改进了Yoshimura和Soeda的结果,两个仿真例子说明了本文结果的有效性.

采用自适应无迹卡尔曼滤波器的车速和路面附着系数估计

针对车辆主动安全控制中的车速和路面附着系数这一关键信息,提出了一种实时估计该信息的滤波算法,同时建立了将包含时变噪声统计特性的七自由度非线性车辆动力学模型作为滤波算法的标称模型,以及一种自适应无迹卡尔曼滤波算法。该算法采用传统的无迹卡尔曼滤波器来估计车速和路面附着系数,同时利用次优Sage-Husa噪声估计器对系统的噪声统计特性进行实时更新,其中采用遗忘因子限制噪声估计器的记忆长度,使新近数据发挥重要作用,使陈旧数据逐渐被遗忘,从而解决了因系统标称模型误差、外界扰动等因素引起的噪声时变的问题。在不同路面条件下进行了多种工况的实验验证,并与无迹卡尔曼滤波器的估计结果进行对比分析,结果表明,该算法具有良好的鲁棒性,其估计精度高于无迹卡尔曼滤波器,且满足车辆主动安全控制系统的要求。

顾及次优噪声模型的GNSS坐标时间序列噪声模型选择

在全球导航卫星系统(Global Navigation Satellite System,GNSS)坐标时间序列噪声建模领域,选择合适的噪声模型对GNSS坐标时间序列的速度信号提取具有重要价值.长期以来,研究者专注于建立最优噪声模型来描述GNSS坐标时间序列中的噪声成分,却往往直接忽略与最优噪声模型性能接近的次优噪声模型.本文选用8种常见的噪声模型,使用极大似然估计法(Maximum Likelihood Estimate,MLE)估计模型参数,以赤池信息量准则(Akaike information criterion,AIC)作为评价准则来选取噪声模型.实验数据采用中国区域12个国际GNSS服务(International GNSS Service,IGS)基准站36个坐标分量及全球范围内50个IGS基准站150个坐标分量的坐标时间序列.结果表明,超过半数的测站坐标分量上存在与最优噪声模型性能接近的次优噪声模型.在此基础上中国区域的IGS站,在东方向有14%的次优噪声模型拥有比最优噪声模型数值更大的速度不确定度,在北方向和垂直方向,这一值分别为33%和63%.而对于全球范围的IGS站,这一值分别为31%、39%和48%.因此在GNSS坐标时间序列噪声模型选择过程中,充分考虑与最优噪声模型性能接近的次优噪声模型有助于获得到更保守的估计结果.

带次优无偏噪声估值器的KF短期负荷预测

卡尔曼滤波原理用于电力系统短期负荷预测通常是针对线性定常系统,其噪声协方差是定常的,由于噪声协方差直接影响模型的增益矩阵,进而直接影响到模型的追踪能力和预测的精确度。考虑了电力系统负荷变化具有范围性、波动性的特点,根据9天的历史负荷数据建立预测模型。利用最小二乘法辨识模型转移矩阵,采用Hankel矩阵法辨识模型的阶,运用改进的时变次优无偏噪声估值器对噪声协方差进行自适应估计,用预测方程预测次日负荷。

相关噪声下的机动目标跟踪SMFEKF-IMM算法

一种基于Kalman和扩展Kalman滤波器的相互作用多模型(IMM)方法可以减小模型的不确定性,但无法消除由于噪声相关引起的状态偏差的弱点。为了提高目标状态估计的精度,把IMM和一种带多重渐消因子的扩展Kalman滤波器(SMFEKF)相结合,提出了一种具有相关噪声的混合随机模型的机动目标跟踪方法。这种方法引入了一个多重渐消因子,当输出残差发生变化时,动态调节增益和系统噪声水平,使输出残差近似正交,从而抑制了相关噪声的影响,适应目标的状态变化。理论分析和仿真实验表明了这种算法的有效性和可行性。