单站无源定位修正协方差卡尔曼滤波算法

研究飞行目标定位问题,为有效躲避敌方攻击,利用辐射源目标的DOA和TOA测量信息,在现有的单站无源定位技术的基础上,提出了新的针对有机动加速度目标的单站无源定位修正协方差自适应卡尔曼滤波算法(MVAKF)。通过与伪线性自适应卡尔曼滤波算法(PLAKF)和克拉美-劳下限(CRLB)进行的计算机仿真分析比较,表明算法更接近CRLB,是对具有机动加速度目标定位精度较高的单站无源定位算法。仿真结果表明,算法具有较高的定位精度和定位跟踪性能,稳定性较高等优点,为定位跟踪的研究提供设计参考。

无源定位跟踪中修正协方差扩展卡尔曼滤波算法

针对无源定位跟踪中EKF受初值、测量噪声影响大等缺点,该文提出了一种新的修正协方差扩展卡尔曼滤波方法(MVEKF),并将其与无源定位跟踪中常用的EKF,MGEKF,IEKF等滤波方法进行了仿真比较,表明该方法比EKF方法更具稳定性;而且无需寻找MGEKF方法中所需的观测量可修正函数,因而可以应用于其它领域的非线性滤波中.

基于新息协方差的自适应渐消卡尔曼滤波器

自适应渐消卡尔曼滤波采用渐消因子抑制滤波器的记忆长度,当系统模型和噪声模型建立不准确时,能够有效地抑制滤波器的发散。但是现有计算渐消因子的方法公式表达复杂,计算过程繁琐,不利于组合导航等一些实时的应用。针对这种情况,提出了一种利用新息协方差计算渐消因子的方法,通过渐消因子自适应地调整误差协方差,补偿不完整信息的影响。该方法计算量小,提高了滤波算法的可靠性。最后,仿真结果证明了该方法的有效性。

基于修正协方差近似二阶扩展卡尔曼滤波算法的电池荷电状态估算

为解决扩展卡尔曼滤波(EKF)算法中由非线性变换忽略高阶泰勒项引起的荷电状态(SOC)估算误差和在迭代过程中协方差容易出现病态的问题,采用修正协方差近似二阶扩展卡尔曼滤波(MVASOEKF)算法,通过混合脉冲功率特性试验对等效模型内部参数进行离线辨识并建立了二阶RC等效电池模型,在MATLAB/Simulink平台上进行SOC估算,结果表明,EKF算法估算平均绝对误差约为2.0%,MVASOEKF算法估算平均绝对误差约为0.5%,与EKF算法相比,MVASOEKF算法虽增加了一定的计算量,但是SOC估计精度明显改善,且收敛性更好。

最大相关熵卡尔曼滤波误差修正方法

针对各类设备性能参数测试过程中,由于测试设备自身误差和测试人员操作不当带来的测试数据误差问题,提出一种最大相关熵卡尔曼滤波(maximum correlation entropy Kalman filter,MCKF)误差修正方法。该方法通过引入最大相关熵,对测试数据中的非高斯噪声干扰进行处理,提高误差修正精度。将其运用到某设备性能参数测试数据的误差修正中,仿真结果表明:该方法能够有效处理测试数据中的非高斯噪声干扰对误差修正精度带来的影响。

卡尔曼滤波在地形辅助导航的应用中系统误差协方差矩阵Q的模拟

采用卡尔曼滤波技术进行地形辅助导航是提高导航精度的方法之一。卡尔曼滤波理论上要求事先了解系统误差的统计特征,在实际课题的应用中这一要求往往不能满足。文中结合地形辅助导航的应用背景,给出了系统误差最重要的统计特征———协方差矩阵Q的一种模拟方法。

平方根无迹卡尔曼滤波仅测角导航的空间交会闭环协方差分析方法

针对基于仅测角导航的空间交会问题,开展了采用线性协方差进行闭环控制误差快速分析方法的研究。建立了基于平方根无迹卡尔曼滤波(Square Root Unscented Kalman Filter,SRUKF)的仅测角导航算法并推导了观测敏感矩阵,构建了基于多脉冲Hill制导的闭环控制线性协方差分析模型。算例验证结果表明:提出的闭环控制协方差分析结果与Monte Carlo打靶结果能够很好地吻合;该方法适用于采用传统扩展卡尔曼滤波(Extended Kalman Filter,EKF)的仅测角导航问题,但其迹向位置的估计存在一个与该方向控制误差方差相当的偏心,其误差椭圆的长轴和短轴分别比基于SRUKF的估计结果大24.68%和20.56%。此外,由于采用了QR分解和Cholesky因子更新两种高效的代数运算,基于SRUKF的协方差分析模型的计算速度要比基于EKF的协方差分析模型的大10%。

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。

一种精确协方差估计的转换量测卡尔曼滤波方法

传统转换量测卡尔曼滤波(CMKF)方法对误差协方差矩阵进行估计时,采用了线性近似的方式。当量测方位误差较大时,无法准确估计出协方差矩阵。针对该问题,提出了一种基于精确协方差估计的CMKF方法,可有效抑制方位误差对协方差估计的影响。仿真结果表明该方法可有效抑制量测方位误差的影响,提升目标跟踪的定位精度。

基于变权新息协方差的自适应卡尔曼滤波器

针对传统卡尔曼滤波器鲁棒性差,无法实时精确跟踪系统突变状态的现实,设计了一款基于变权新息协方差的自适应卡尔曼滤波器。在传统卡尔曼滤波器的基础上,分析了突变状态无法跟踪的缘由;基于滤波发散判据,分析储备系数与均权新息协方差之间的关系,对状态突变程度进行分层;基于Sage-Husa估计原理与加权最小二乘准则,对于不同程度的突变状态,采用实时调整各历元新息协方差权重的策略,优化渐消因子,激活滤波增益,增权量测新息。实例研究表明,自适应卡尔曼滤波器鲁棒性强,能够精确跟踪系统突变状态,其状态收敛速度优于抗差卡尔曼滤波器,稳态精度提升了42.05%。

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(wireless sensor networks,WSNs)在跟踪过程中精度低、性能差等缺点,提出基于无迹卡尔曼滤波(unscented Kalman filter,UKF)和协方差交叉(covariance intersection,CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇,同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。采用UKF处理传感器节点采集的数据,生成局部估计,利用CI融合算法将收集到的局部估计值形成融合估计。通过设定一个附加权重因子,为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性,采用多速率分层融合估计的精度更高,效果更明显。

基于修正卡尔曼滤波的目标跟踪

分析了卡尔曼滤波算法在目标状态发生突变和运动模型建立不准确时估计精度降低,甚至发散的原因,对比自适应渐消卡尔曼滤波算法,提出了一种通过直接修正预测值来提高卡尔曼滤波算法精度、改善算法性能的修正算法。修正的算法通过设置判定准则和修正准则,实时修正预测值,在滤波初始阶段可迅速降低估计误差、提高稳态时的滤波精度、缩短收敛时间;当目标发生状态突变时,可消除或降低由于目标状态突变造成的滤波跟踪精度下降、滤波发散的问题;当目标运动建模不准确时,可消除或降低由于建模不准确带来的模型误差。仿真实例说明了算法的有效性和较强的实际应用指导意义。

卡尔曼滤波在弹道修正弹落点推算中的应用

为了准确地估算常规弹箭的飞行弹道，以便对其实施简易弹道修正并大幅度提高弹箭的密集度，应用卡尔曼滤波方法，结合质点弹道模型，建立了卡尔曼滤波弹道模型．对地面侦察雷达探测到的一段飞行弹道参数进行滤波，进而外推出弹道落点．仿真结果表明，雷达测量信号中的噪声具有随机性且幅值较大，在卡尔曼滤波过程中，滤波方差衰减很快，滤波后测量噪声能够较快地大幅度减小；外推弹道落点精度随着雷达跟踪时间（跟踪点数）的增加而迅速提高，经过一段跟踪时间后，这种趋势逐渐变缓．对于大口径弹道修正弹，雷达跟踪点数宜取30～40点，求解一条弹道约需几十ms．

集合变换卡尔曼滤波数据同化方法中的协方差局地化

在集合数据同化中,协方差局地化(covariance localization,CL)方法的使用存在限制。集合转换卡尔曼滤波(ensemble transform Kalman filter,ETKF)作为集合平方根滤波的变种方法,是一种应用较广、计算高效的数据同化方法。本文分析了CL方法应用于ETKF方法的困难,从而改进CL方法使其可以适用于ETKF方法。另外,结合浅水方程,利用Askey函数作为多元局地化函数,提出了一种适用于多元数值模型的CL方法。通过具体实验验证,得到了较好的分析结果。

基于摄像机标定与卡尔曼滤波的接触网几何参数检测值修正

提出一种基于单目摄像机标定原理的非接触式接触网几何参数修正检测方法。通过分析检测车振动对检测系统的影响,推导几何参数补偿公式,建立接触线几何模型的卡尔曼滤波方程,达到修正接触线几何参数检测值的目的。最后,以某检测车的实际运行数据验证了该方法有效性和准确性。

基于卡尔曼滤波修正算法的电池SOC估算

电池荷电状态(SOC)的估算是电池管理系统的核心内容,SOC估算准确与否,将直接影响到电池管理系统的决策和控制。在结合开路电压法、安时法的基础上,充分利用扩展卡尔曼滤波法的修正功能,综合考虑电池充放电倍率、温度和充放电循环次数等因素对SOC估算的影响,提出了卡尔曼滤波修正算法,并将其应用在插电式混合动力汽车电池管理系统中。研究结果表明,卡尔曼滤波修正算法有效地解决了传统安时法无法估计SOC初值和误差累积,以及开路电压法需要电池静置无法做到在线估算SOC等问题,获得了更高的估算精度,为电池管理系统提供一种实用的SOC估算方案。

基于修正的卡尔曼滤波自适应跟踪算法

针对卡尔曼滤波对匀速运动目标能有效的跟踪,但是当目标出现转弯时,很难达到跟踪精度的要求,甚至丢失目标的现象。对卡尔曼滤波算法进行了改进,在观测向量中引入了两个加速度误差变量,它们动态地修正状态估计误差从而减少跟踪精度误差,形成了修正的Kalman算法。但是由于状态变量维数增加,使得计算量增加,实时性下降,将卡尔曼滤波算法与修正的卡尔曼滤波算法两种算法相结合,提出了基于修正的卡尔曼滤波自适应跟踪算法。仿真结果表明,具有良好的稳定性和精确度,优于一般的卡尔曼滤波算法。

卡尔曼滤波粗差修正方法应用

基于标准卡尔曼滤波,提出对含有粗差的观测值进行整体修正和局部修正。最后,通过工程实例验证,两种修正方法均能够有效抵抗粗差的影响,并可获得比标准卡尔曼滤波更准确的滤波结果。

修正增益卡尔曼滤波算法在被动测距问题中的应用

在采用被动导引头的导弹突防过程中,准确并及时地得到自身距离拦截器的距离信息,是制定导弹突防策略的关键。针对采用红外成像装置作为测量手段的飞行体,研究了利用红外成像装置观测空中运动目标所获得的目标视线角信息,采用修正增益卡尔曼滤波算法从目标视线角信息中提取出一定精度的飞行体至目标的距离信息的被动测距问题。文中给出了四种不同计算工况下的仿真结果曲线。仿真算例验证了被动测距方法的有效性,证明了载体进行机动有助于被动测距精度的提高。

基于改进无迹卡尔曼滤波的弹道射程修正算法研究

以全球定位系统(GPS)作为弹载测量系统的弹道射程修正弹,存在GPS动态数据易受测量噪声与系统噪声污染或在高过载环境中发生定位丢失、数据异常等问题。为了降低弹道数据测量误差,并减小对射程修正时刻预测的误差,提出了基于牛顿插值法的改进无迹卡尔曼滤波(UKF)算法,以重新估计具有粗大误差的测量数据,从而降低异常测量值和定位失锁情况对滤波效果的影响,提高UKF算法对测量数据误差的敏感程度。仿真与试验结果表明:改进的UKF算法作为预处理过程融合至射程修正算法中,当系统离散化步长与GPS数据更新周期相等时,可最大化地预处理算法效果;改进后的修正算法可有效地降低GPS数据造成的修正误差;预处理算法中数据样本容量的选择与修正时刻以及GPS更新周期相关,不受算法效果约束。