快速对角阵权系数协方差交叉融合容积卡尔曼滤波器

针对互协方差信息未知的多传感器系统,本文提出了一种快速对角阵权系数协方差交叉融合算法(FDCI).本文首先提出了一种对角阵权系数协方差交叉融合(DCI)方案,并证明了所提出DCI算法在融合估计精度上高于经典批处理CI融合(BCI)算法.在此基础之上,针对非线性等复杂的互协方差未知的多传感器系统,提出FDCI算法,并证明了所提出FDCI算法的无偏性及鲁棒精度. FDCI融合算法虽然在融合估计精度上低于DCI,但FDCI无需进行多权系数的非线性代价函数的优化问题,进而大大降低了计算负担,提高了系统的实时性.最后,结合容积卡尔曼滤波算法(CKF)提出了快速对角阵权系数协方差交叉融合容积卡尔曼滤波算法.仿真实例验证了所提出算法的正确性和有效性.

减小初值影响的分数阶卡尔曼滤波器设计

为了实现含有关联噪声的线性连续时间分数阶系统的状态估计,设计分数阶卡尔曼滤波器(FOKF)来减小初值影响.通过模型变换方法,获得等效方程,基于等效方程的FOKF可以有效地减小初值对状态估计的影响.通过仿真算例验证了提出的FOKF的有效性.

分布式伪线性卡尔曼滤波纯方位跟踪

针对纯方位跟踪(BOT)的非线性滤波和距离可观测性较差问题,提出了一种新的分布式多传感器辅助变量伪线性卡尔曼滤波器(DM-IVPLKF)。该滤波器利用辅助变量伪线性卡尔曼滤波器(IVPLKF)独立处理目标测量值,通过偏差补偿伪线性卡尔曼滤波器(偏差补偿PLKF)解决由于量测向量与伪线性噪声相关而产生的偏差,将递归辅助变量估计方法嵌入偏差补偿PLKF中,对目标状态估计和协方差进行修正。所提算法利用多传感器最优信息融合准则,对目标状态进行融合估计。然后,推导了多传感器BOT的克拉默-拉奥下界(CRLB)。通过仿真实验,将所提算法与传统算法进行对比,仿真结果证明了所提算法具有较高的跟踪精度。

改进非线性自适应卡尔曼滤波器滤波效果分析

为解决机械系统特别是航空液压管路系统振动过程中存在诸多噪声干扰、难以保证对有效振动信号进行准确分析的问题,结合非线性自适应算法、最小二乘法及传统卡尔曼滤波器,设计改进非线性自适应卡尔曼滤波器。通过仿真,在模拟的振动信号中加入随机噪声,并且将滤波前后振动信号的时域图和频域图进行对比。通过实验数据进行滤波效果对比,验证非线性自适应卡尔曼滤波器滤波效果的优越性。

一种带多重次优渐消因子的扩展卡尔曼滤波器

本文提出了“强跟踪滤波器”的新概念,给出了强跟踪滤波器的一般结构,并提出了一个正交性原理用于此类滤波器的设计.在此基础上,提出了一种具有强跟踪滤波器性能的带多重次优渐消因子的扩展卡尔曼滤波器(SMFEKF),改进了文献[1]中提出的一种带单重次优渐消因子的扩展卡尔曼滤波器(SFEKF).数值仿真说明了SMFEKF的有效性.

SVD-Unscented卡尔曼滤波的非线性结构系统识别

提出一种基于奇异值分解的unscented卡尔曼滤波(SVD-UKF)非线性滞回结构系统识别方法。SVD-UKF可被看成改进的unscented卡尔曼滤波(UKF)方法,相对UKF而言,SVD-UKF具有更好的鲁棒性和灵活性。此方法不仅避免象扩展卡尔曼滤波(EKF)为了计算Jacobians矩阵的所需的导数运算,并且可以克服常规UKF方法在计算协方差时经常遇到的病态条件的缺点。对非线性系统参数的识别和突然变化的识别的数值模拟结果显示了所提出方法的鲁棒性和灵活性。

平方根求积分卡尔曼滤波器

针对具有加性噪声的非线性高斯动态系统的状态估计问题,本文提出一种近似递归的高斯滤波器:平方根求积分卡尔曼滤波器(SRQKF).该滤波器是在求积分卡尔曼滤波器(QKF)基础上的平方根实现形式,使用统计线性回归的方法,通过一套参数化高斯密度的高斯-厄米特积分点来线性化非线性函数的;滤波器采用平方根的实现方法,不仅增强了数值的鲁棒性,确保了状态协方差矩阵的半正定性,而且在一定程度上提高了滤波精度.仿真实验表明,SRQKF的滤波精度比QKF提高约12%,且均高于无味滤波器(UF)和扩展卡尔曼滤波器(EKF),但这二者的计算复杂度均比UF和EKF大.对滤波精度要求比较高的非线性场合,新滤波器是一种很有效的非线性滤波算法.

加权观测融合非线性无迹卡尔曼滤波算法

针对非线性系统的无迹卡尔曼滤波器(UKF),应用加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.证明了加权观测融合UKF滤波算法与集中式观测融合UKF滤波算法在数值上的完全等价性,因而具有全局最优性.一个带两传感器非线性系统的仿真例子说明了两种融合算法的有效性及等价性.

基于双重卡尔曼滤波器的发动机故障诊断

提出了一种基于双重卡尔曼滤波器的航空发动机健康参数估计方法,实现了传感器发生故障情况下发动机故障的准确诊断.采用发动机动态工作点的测量数据,解决了可测量参数偏少导致故障诊断困难的问题;球面采样平方根UKF(Unscented Kalman filter)故障诊断滤波器具有更好的滤波稳定性与更低的计算量的要求,提高了故障诊断算法的效率与精度.某型双轴涡扇发动机故障诊断仿真结果表明,该方法可以准确的同步实现气路部件与传感器的故障诊断,是一种有效的航空发动机故障诊断方法.

迭代无味卡尔曼滤波器

通过对无味卡尔曼滤波器（Unscented Kalman filter，UKF）的误差进行分析，提出了迭代UKF（IUKF）算法。该基本思路是用测量更新后的状态估计去重新对状态量和观测量的一步预测，然后再次应用LMMSE估计子估计状态量的均值和协方差阵，如此多次迭代后的滤波估计输出具有更高的精度和更小的方差，故滤波器表现出更好的一致性。Monte Carlo仿真表明，IUKF主要应用于观测噪声较小的场合，其中的迭代只需进行2～3次即可。

迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2～3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter,UKF)的迭代收益就难以保证。

卡尔曼滤波器在状态和参数估计中的应用

应用有限差分法代替非线性函数的偏导数计算以改进扩展卡尔曼滤波器 ,该改进算法用于非线性系统的状态和参数联合估计 .结果表明 ,该滤波器可以代替常规的卡尔曼滤波器 ,具有滤波精度高、数值计算稳定。

基于卡尔曼滤波器的永磁同步电机自抗扰控制

针对外部突加大负载扰动时,传统自抗扰控制策略中扩展状态观测器(ESO)的观测精度差,以及系统噪声对ESO观测精度的影响,提出一种基于卡尔曼滤波器的自抗扰控制策略(KF-ADRC)。通过卡尔曼滤波器观测出的负载转矩进行前馈补偿,以提高大负载扰动下ESO观测精度;通过卡尔曼滤波器观测出的转速用作系统闭环反馈,以削弱系统噪声对ESO观测精度的影响。将传统自抗扰中的线性误差状态反馈律替换为非线性误差状态反馈律,以提升系统跟踪和抗扰性能。搭建了400 W PMSM伺服系统驱动平台验证了该控制策略的有效性。

用渐消卡尔曼滤波器防止捷联惯导系统滤波发散

为有效防止捷联惯导系统滤波发散,根据卡尔曼滤波原理研究了滤波发散的原因,引入了渐消卡尔曼滤波和遗忘因子。对常规卡尔曼滤波器和渐消卡尔曼滤波器的滤波进行的仿真结果表明,采用渐消卡尔曼滤波器在工程上可解决捷联惯导系统滤波发散。

一种基于加性潜变量的扩维卡尔曼滤波方法

现有面对非线性系统所设计的卡尔曼滤波器的性能常随着非线性程度的增强而逐步退化。为了弥补扩展卡尔曼滤波和无迹卡尔曼滤波在线性化过程中的不足之处,文中针对一类由线性项和非线性项累加组成的强非线性系统,建立了一种基于潜变量的扩维卡尔曼滤波方法。该方法将非线性项定义为原始系统的潜变量,并建立了关于潜变量的线性动态关联模型,将潜变量扩维到系统原始的状态变量中,从而建立以原始变量和潜变量为基础的线性系统模型。最后设计出该类系统的高阶扩维卡尔曼滤波器,并经过MATLAB仿真验证了新设计滤波器的有效性与准确性。

线性随机卡尔曼-布西滤波理论的推广

线性随机卡尔曼-布西滤波问题要求系统方程和观测方程中的系数为有界区间上的有界函数,将系统方程中的扩散系数从有界区间上的有界函数推广为L2空间中的函数,这种情况下需要解决以下问题:推广后的系统方程的解是否存在唯一,以推广后的系统方程的系数作为积分因子的一部分的某个积分是否有意义,证明了上述问题仍然成立,并且得到了推广后的线性滤波问题的解满足的随机微分方程.

处理通信延迟的分布式无迹卡尔曼滤波算法

针对通信延迟影响下非线性系统的状态估计问题,提出了一种分布式无迹卡尔曼滤波器估计算法。考虑了一类由多个子系统组成的非线性系统,各子系统之间通过自身的状态相互作用;基于无迹卡尔曼滤波器原理,给每个子系统设计了相应的局部状态估计器来估计子系统的状态;各局部状态估计器通过通信网络来交换信息,考虑了通信时可能存在时变延迟,提出了一种状态预测器生成延迟子系统的状态预测,补偿延迟带来的影响;通过对一个反应器分离器过程工艺实例的应用,说明了所提出的分布式状态估计方案的有效性和适用性。

伪线性卡尔曼滤波的观测器轨迹优化算法

单站被动式跟踪存在强非线性和弱可观测性,即便观测器的运动满足可观测性条件,滤波仍然可能发散。针对此问题,使用伪线性卡尔曼滤波器,应用费希尔信息量、罗美达下限等方法对轨迹进行优化,该优化方案避免了对目标与观测器的径距信息的近似。仿真表明:该方法与传统方法比较,计算量较小,优化得到的轨迹简单,滤波精度得到改善。最后给出了在一定条件下,观测器的“最优”运动规则。

基于卡尔曼滤波器的主燃油计量装置故障诊断

为了建立主燃油计量电液执行机构(EHA)的故障诊断算法,分析了主燃油计量液压机械控制装置的工作原理,提出了1种建立主燃油计量线性变参数(LPV)模型的方法,设计并得到基于离散卡尔曼滤波器的主燃油计量电液执行机构位移输出的残差生成器。仿真结果表明:该残差生成器具有对故障敏感而对噪声和建模误差不敏感、对残差的动态响应快,幅值变化较大的特点,有效降低故障误报警率和漏报警率。

基于循环神经网络和卡尔曼滤波器的多变量混沌时间序列预测

混沌时间序列的鞍点远多于极值点,且容易出现多重共线性问题。对此,提出基于循环深度神经网络和卡尔曼滤波器的时间序列预测算法。利用循环深度神经网络预测高维时间序列,使用实时递归学习算法搜索最小化预测误差的最优网络参数,采用Levenberg-Marquardt算法对神经网络进行迭代训练。在线更新循环神经网络的过程中,利用卡尔曼滤波器对循环神经网络的输出权重进行调节,解决多重共线性的问题。实验结果表明,该算法实现了较低的预测误差,并且缓解了高维时间序列的多重共线性问题。