区间卡尔曼滤波算法及其在载波相位组合导航中的应用

当系统参数不确切已知或随时间变化时 ,传统卡尔曼滤波算法无法直接应用。基于区间的概念 ,通过将参数变化的系统建立成区间模型 ,在其他假设与标准卡尔曼滤波相同的前提下 ,给出了一种处理系统参数不确定性的区间卡尔曼滤波算法 ,该算法在统计最优性能及迭代形式方面与标准卡尔曼滤波算法相当。最后通过与传统卡尔曼滤波算法进行比较 ,仿真验证了该算法在

基于区间卡尔曼滤波的多传感器信息融合

目标运行建模过程中,存在系统参数不确定的情形.将基于标准卡尔曼滤波的多传感器信息融合算法由系统参数确定的情形推广至参数不确定的情形,给出了基于区间卡尔曼滤波的多传感器信息融合算法,解决了系统参数不确定情形下系统状态估计的融合问题.给出的状态估计不再是目标的状态点估计,而是目标状态的区间估计.

基于次优区间卡尔曼滤波的机器鱼跟踪方法

目前,自主水下航行器(Autonomous Underwater Vehicle,AUV)研究的重点集中在跟踪定位、精确制导和返坞等领域。机器鱼已成为AUV在智能教育、民用与军事等方面的应用热点。从非线性跟踪分析中发现,区间卡尔曼滤波算法虽然包含了一切可能的滤波结果,但范围比较宽,也比较保守,而且区间数据向量在实现之前是不确定的。文中提出了一种次优区间卡尔曼滤波优化算法。次优区间卡尔曼滤波方案用区间矩阵的逆代替其最坏逆,比标准区间卡尔曼滤波更逼近状态方程和测量方程的非线性过程,提高了标称动态系统模型的精确度,改善了跟踪系统的速度与精度。蒙特卡洛仿真实验结果表明,次优区间卡尔曼滤波算法的最优轨迹优于区间卡尔曼滤波方法及标准的卡尔曼滤波方法。

区间卡尔曼滤波算法在组合导航数据融合中的应用

传统卡尔曼滤波算法在系统参数不确切已知或随时间变化时无法直接应用。本文通过将参数变化的系统建立成区间模型,给出了一种处理系统参数不确定性的区间卡尔曼滤波算法,该算法运用一种较为简单的区间矩阵求逆方案,在统计最优性能及迭代形式方面与标准卡尔曼滤波算法相当,仿真验证了该算法在低成本INS/GPS组合导航数据融合中应用的可行性。

区间卡尔曼滤波算法在参数估计中的应用

卡尔曼滤波算法除了用于动态系统的状态估计外,还可以用于动态系统参数的在线估计,特别是时变参数的估计。传统卡尔曼滤波算法在系统参数不确切已知或随时间变化时将无法直接应用。在区间分析的基础上,通过将不确定系统建成区间模型,在其他假设条件与标准卡尔曼滤波相同的前提下,分析了一种处理系统参数不确定性的区间卡尔曼滤波算法,并对其在参数估计方面的应用进行了探讨。

基于区间估计的最小二乘法在卡尔曼滤波中的应用研究

卡尔曼滤波是以最小均方误差为估计的最佳准则来寻求一套递推估计的算法。最小二乘估计是最常用的估计理论,它能保证每个偏差都较小,而区间估计反映误差范围使用起来把握大,但它无法估计单点的误差。针对滤波精确度问题,为使估计值误差达到最小,滤波精确度提高,提出了采用区间估计与最小二乘法估计2种策略结合的新方法,充分利用二者优势,求得观测点与估计点的距离的平方和最小值,对目标函数多次拟合。仿真实验结果表明,区间估计最小二乘卡尔曼算法大大提高滤波精确度,与区间卡尔曼滤波相比,它有较小的误差,滤波性能也得到很好的提升,极大的降低了噪声在滤波过程中干扰,在以后实际工作中将得到很大应用。

新息自适应区间Kalman滤波算法及其应用

由于BD—2/MIMU紧组合导航系统在实际应用中存在惯性器件参数不确定、BD—2卫星导航系统易受干扰、信号不稳定等情况,采用传统卡尔曼滤波方法不能有效解决上述问题,因此,提出了一种新的鲁棒自适应滤波算法——新息自适应区间卡尔曼滤波(IAIKF)算法,该算法通过将BD—2/MIMU系统模型描述为区间不确定系统,同时通过新息方差的滑动区间最优估计在线自适应调整滤波增益,有效解决量测方差变化剧烈时估计误差迅速增大和系统参数不确定影响滤波估计的问题。仿真表明了该算法的有效性,同时由于该算法给出了导航结果的上下界,对组合导航设计具有重要意义。

捷联惯导初始对准的区间自适应滤波算法

捷联惯导系统在初始对准过程中由于模型参数与实际系统存在偏差,并且系统噪声与量测噪声统计特性往往是未知的,采用卡尔曼滤波不能取得理想的滤波效果。为避免滤波发散以及模型的不确定性,提出了基于Sage-Husa算法的区间自适应卡尔曼滤波方法。给出了捷联惯导系统的误差模型以及区间自适应卡尔曼滤波方程。在噪声统计特性未知时,比较了常规卡尔曼滤波与区间自适应卡尔曼滤波在初始对准中的应用效果。仿真结果表明,区间自适应卡尔曼滤波在噪声统计特性未知时能够有效地提高系统的滤波效果,是一种比较理想的初始对准滤波方法。

采用区间型非同步监测数据的鲁棒动态谐波状态估计

当前的谐波状态估计大多采用同步相量测量数据,但数据获取成本大,难以满足谐波状态估计的可观要求。相比较而言,电能质量监测装置成本更小、利于大范围布设,更容易满足谐波状态估计的可观要求,但谐波状态估计精度较低。因此,该文基于非同步谐波监测数据,提出鲁棒动态谐波状态估计方法。首先,构建考虑谐波状态不确定性的动态谐波状态估计模型,并通过相角同步化手段处理非同步的谐波监测数据,以获取模型求解的启动值;其次,提出结合区间泰勒展开和上界优化方法的扩展区间卡尔曼滤波算法,对动态谐波状态估计模型进行求解,降低所得区间谐波状态估计量的保守性;同时,采用基于鲁棒因子的增益矩阵自适应调整方法,剔除坏数据对状态估计准确性的影响;最后,在IEEE57节点系统算例验证该文方法的可行性与有效性。

基于智能优化箱粒子滤波的移动机器人FastSLAM

针对传统FastSLAM算法需要大量粒子构建地图导致计算复杂度高、难以提高估计精度等问题,研究构建了一种基于智能优化箱粒子滤波(IOBPF)的移动机器人FastSLAM算法。首先,将萤火虫算法(FA)的动态寻优机制引入箱粒子滤波(BPF),建立了箱粒子的荧光亮度更新公式、吸引度计算公式和位置更新公式,使箱粒子集智能化地向高似然区域移动,避免了箱粒子的退化现象。然后,以改进的智能优化箱粒子滤波进行机器人位姿估计,并采用扩展区间卡尔曼滤波(EIKF)完成地图的构建和更新。移动机器人的模型仿真和实体实验结果表明:所提智能化FastSLAM算法可有效提升箱粒子的性能,并降低地图构建所需粒子数,从而显著提高FastSLAM的定位精度和地图构建的鲁棒性。