基于协同Kalman滤波无线传感通信大数据分配机制

为了提高无线传感通信的均衡性和抗干扰性,提出一种基于协同Kalman滤波无线传感通信大数据分配机制,实现通信信道均衡,构建无线传感通信大数据分配的信道模型,采用时间反转镜技术实现无线传感通信信道中传输信道的特征重组,提取传感通信大数据的频域相关性特征量,采用协同Kalman滤波算法实现无线传感通信大数据分配的过程中的抗多径干扰处理,构建无线传感通信大数据分配模型,结合相关性的融合滤波检测方法,根据采样信号频谱的不同进行模糊卷积融合处理,得到无线传感通信大数据分配的自适应调节迭代模型,实现无线传感通信的大数据分配优化。仿真结果表明,采用该方法进行无线传感通信大数据分配的均衡性较好,抗干扰能力较强,降低了大数据输出的误比特率。

基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

Kalman滤波在自动化监测数据噪声处理上的应用研究

对Kalman滤波在静力水准和固定式测斜仪原始数据降噪处理中的应用进行研究。结果表明,在缓慢变形条件下,Kalman滤波可以有效过滤原始数据中的噪声,提供试验结果,还原监测对象真实变形情况。但在突发变形情况下,Kal-man滤波反应滞后。因此,实际应用中应综合使用滤波前和滤波后的数据,以更准确地研判变形趋势和规律,为自动监测数据的噪声处理提供了新的思路和方法。通过Kalman滤波的应用,可以进一步提高监测数据的准确性和可靠性,为工程安全监测和地质灾害预警等领域提供支持。

占空比传输机制下基于协同预测的时变不确定系统递推滤波

以工业互联网为背景,研究占空比传输机制下一类时变不确定系统的滤波问题,结合协同预测方法设计了新颖的递推滤波算法,解决了占空比传输机制下滤波性能降低的问题。首先给出描述占空比传输机制的数学模型,然后提出结合协同预测方法的递推滤波方案,设计基于占空比机制的递推滤波算法,推导了滤波误差协方差矩阵的一个上界,随后分析这个上界的有界性,实现了在稀疏数据情形下提高滤波性能的目的。仿真结果验证了所提算法的高效性和有效性。

基于标签伯努利滤波技术的多机器人随机组网协同导航

针对多机器人在间歇性观测或无绝对观测环境下的分布式协同导航问题,提出了一种基于标签伯努利滤波技术的多机器人随机组网协同导航算法(GS-EPF-LMB)。该算法通过时间更新、观测更新和显示通信3种状态更新策略,利用随机有限集对状态和观测进行建模,并生成标签化的多伯努利粒子。为了提高算法的一致性和定位精度,基于标签多伯努利粒子耦合相对观测和绝对观测,采用粒子滤波器优化带有标签的粒子状态,并利用历史信息对状态估计进行约束。此外,利用概率数据关联实现导航系统状态估计,并通过分层高斯模型和变分贝叶斯方法实现全局最优状态估计。实验结果表明,算法的定位精度达到0.11 m,相较于全局状态-协方差交(GS-CI)算法,定位状态协方差收敛性提高了48.6%,精度提高了11%。

基于Kalman滤波与应变信号的舰船轴系推力辨识研究

在线、实时、准确监测舰船螺旋桨推力对船-机-桨匹配设计、舰船快速性预报及推进轴系健康管理等具有重要意义。然而,受轴系振动及环境干扰等测量噪声影响,螺旋桨推力产生的微弱应变信号易被测量噪声淹没,导致难以准确测量推力。当前,一些常用的信号降噪方法,比如傅里叶变换、小波分析等均是基于纯数据降噪,未考虑测量数据中潜藏的力学机制。不同于这类降噪方法,Kalman滤波可同时考虑测量数据噪声及数据中的力学机制,对目标实现最小方差无偏估计,因而有更高的估计精度。因此,本文利用Kalman滤波结合应变测量信号提出一种螺旋桨推力高精度、在线辨识方法。以恒定转速、变转速及低频波动转速3种工况为例,研究了不同信噪比下本文方法的推力辨识精度与鲁棒性。研究表明,在信噪比仅为20 d B时,推力辨识最大相对误差仅为4.85%,因此本文方法在低信噪比下仍有很高的辨识精度与鲁棒性。同时,本文提出方法属于时域辨识方法,在转速突变、螺旋桨缠绕渔网等突发工况时亦能实时跟踪推力变化,因此可用于螺旋桨推力及轴系状态的在线、实时监测。

基于协同滤波轨迹预测的机动目标RTPN拦截制导律

针对当前空中威胁目标拦截的实际需求,结合拦截器本身的机动能力,基于全覆盖协同策略,提出一种协同探测的现实真比例导引律(RTPN)制导拦截方法。所提方法解决了传统RTPN方法未考虑拦截器饱和过载限制及对任意机动目标捕获区域的确定问题。此外,针对拦截过程中对目标运动轨迹测量误差及协同探测数据丢包所引起的数据融合精度和鲁棒性问题,提出一种分布式协同滤波算法;针对数据传输和拦截器本身动力学响应延迟等问题,提出一种航迹预测算法。仿真结果验证所提方法能够有效解决饱和过载下的捕获区域确定及动力学延迟问题,及协同探测数据融合中数据丢包所引起的鲁棒性和精度问题。

基于自适应强跟踪Kalman滤波的GNSS跟踪环路设计

为提高GNSS接收机跟踪环路在复杂环境下的跟踪性能,提出一种基于自适应强跟踪Kalman滤波(ASTKF)的跟踪环路,在传统跟踪环路的基础上,以鉴相器输出为观测量进行自适应强跟踪Kalman滤波,滤波结果用于计算导航滤波器的观测量,同时将伪码频率和载波多普勒频率反馈到码NCO和载波NCO,在ASTKF中使用基于卡方分布的渐消因子计算方法,提升跟踪环路鲁棒性。半物理仿真实验表明,相比于基于Kalman滤波的跟踪环路和基于强跟踪Kalman滤波(STKF)的跟踪环路,所提出方法在水平方向上的位置误差和速度误差减小20%以上,有效提高了卫星导航接收机的定位性能。

军用无人系统协同感知与分布式滤波技术

现代战争由机械化向无人化转型,而人工智能、大数据等技术的发展促使未来战争形态呈现出仿生智能的特点。仿生无人机、智能无人车等载荷打击平台通过卫星数据链开展典型区域联合作战的前提是已知敌我双方的准确位置信息。围绕军用无人运动平台的演化历程和发展趋势,对无人系统的构成和特点进行归纳,进而指出多传感器协同感知是信息获取的主要形式,通过分布式滤波处理得到平台的位置和姿态。对多平台协同感知能力、协作估计策略和SLAM技术进行分析和总结,指出融合深度智能的协同认知、数据驱动和多源多模态融合等技术是提升无人作战效能的核心关键。

改进扩展Kalman滤波的显微视觉压电驱动定位

在显微视觉领域,压电驱动定位技术因其在微观尺度的高精度特性和灵活性备受关注。然而,由于定位过程中涉及图像处理、传输和控制等方面的时延,导致图像雅可比矩阵的估计会出现较大误差。因此,本文提出了一种改进扩展Kalman滤波算法用来预测图像雅可比矩阵,大幅度降低时间延迟因素。首先,将辨识得到的Bouc-Wen模型与扩展Kalman滤波算法的状态观测方程相结合,使得状态观测方程更全面地考虑压电平台的迟滞非线性特性,有效地提高了对压电平台速度和位置的预测;其次,结合Bouc-Wen模型的扩展Kalman滤波算法在面对非线性问题时,采用的是泰勒级数,这将导致扩展Kalman滤波算法对高度非线性的函数无法提供良好的近似,从而导致在估计雅可比矩阵的时候引入较大的近似误差,故本文将采用神经网络对高度非线性函数进行近似,进而对图像雅可比矩阵进行估计。最后,通过搭建一个显微视觉的压电驱动实验平台,进行位置跟踪实验,仿真实验表明,输入信号分别为正弦信号和三角波信号时,改进扩展Kalman滤波算法跟踪误差均值分别为0.199μm和0.132μm,而扩展Kalman滤波算法的跟踪误差均值分别为0.692μm和0.513μm,结果验证了改进算法的优越性和可行性。

基于集合变换Kalman滤波的流场高效重构

湍流场的准确估计在航空航天领域具有重要意义,现有的获取手段在分辨率或者准确性方面是不足的。实验测量准确却往往测点数量有限,数值计算能获得全场数据,但精度却难以保障。数据同化方法融合了实验观测和数值模拟,是进行流场重构的有效工具。探索了基于集合变换Kalman滤波(ensemble transform Kalman filter,ETKF)的数据同化方法在空间流场重构方面的有效性,并讨论了不同迭代更新模式的重构精度和计算效率,即状态变量基于湍流模型更新的ETKF-M和基于流场数据更新的ETKF-D。以ONERA M6机翼作为数值算例,结合风洞实验翼型表面271测压孔的压力测量数据进行算法实验,结果表明ETKF方法的不同迭代模式均有效修正了湍流模型的预测,并且ETKF-D相对于ETKF-M提升了83%的计算效率。此外,选取两组不同位置的1/4实验测点进行同化实验,得到不同精度的结果,这表明重构的精度与同化测点的位置和数量密切相关。

基于离散Kalman滤波的计算机网络通信异常节点识别方法

传统异常节点识别方法存在效率较低、精准度较差的局限性,为解决以上问题,现提出基于离散Kalman滤波的计算机网络通信异常节点识别方法。首先,基于离散Kalman滤波构建通信节点测量信道模型,使系统的平方误差降至最小,从而为离散过程的优化设计提供递推算法,其次,提取计算机网络通信异常节点特征,将所有的异常进攻事件都分割成不同的数据集合,最后,实现计算机网络通信异常节点的定位并识别。实验结果证明:基于离散Kalman滤波的计算机网络通信异常节点识别方法识别准确率可达到99%以上,能够准确识别出异常节点,具有较高的识别精度。

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滤波思想的接触线高度检测数据粗差修正算法

接触线高度平顺性是评价接触网设备动态运行质量的重要指标。针对接触线高度检测数据中的粗差,基于Kalman滤波思想提出相应的粗差辨识与修正算法。将接触线高度视作一个连续平稳系统,利用矩形窗函数定义系统状态值,实现检测数据的分段线性化;依据系统状态值的回归预测方法和状态差异的量化方案,构建粗差辨识与修正算法,并引入适用于锚段关节处双支接触线采集特征的回溯机制;基于大量实测数据,采用显著性检验等统计方法确定算法参数,并从回溯、修正、运用和实时性等方面,对算法有效性和可行性进行分析验证,结果表明:该算法能够完成各类接触线高度检测粗差的高速实时辨识与修正。

基于卡尔曼(Kalman)滤波算法的体育训练视频中的运动目标检测

体育训练视频中的运动目标检测往往存在目标快速移动、目标遮挡和场景变化等问题,导致运动目标检测的难度增大。为了解决这些问题,提出了基于卡尔曼(Kalman)滤波算法的体育训练视频中运动目标检测的方法。为了提升体育训练视频图像的质量,首先对体育训练视频的图像进行一系列预处理(包括灰度变换、轮廓对比增强和噪声抑制等);然后借助混合高斯模型(Gaussian mixture module,GMM)有效提取体育训练视频的前景信息;为了精准捕捉体育训练视频中的运动目标,运用三帧差分法设定Kalman滤波器的初始状态,利用高效检测算法准确获取每一帧图像中运动目标的观测位置;随后将初始状态和观测位置的数据输入Kalman滤波器;最后在Kalman滤波器中,结合上一帧的预估值和当前帧的监测值,对体育训练视频中运动目标的当前状态进行精确估算和优化,并对下一帧的状态进行预测,从而实现了对运动目标的持续跟踪与精准预测。实验结果表明,与基于特征融合的全卷积孪生网络(siamese full convolution,Siamfc)目标追踪算法和基于连续自适应均值漂移(continuously adapting mean shift,Camshift)的均值漂移(mean shift,Meanshift)改进算法相比,采用基于Kalman滤波算法的运动目标检测方法对运动目标的重叠精度(overlap precision,OP)和中心位置误差(center location error,CLE)进行检测,不仅能够有效检测到体育训练视频中的运动目标,还可表现出较高的准确性和实时性。

基于边界约束粒子滤波的多UUV纯方位协同目标跟踪

面向海上跨域协同中多无人水下航行器(UUV)协同探测水面目标需求,针对现有纯方位目标跟踪算法所面临的滤波器初始化困难和水声数据传输丢包问题,提出了一种基于边界约束粒子滤波的多UUV协同纯方位目标跟踪算法。首先提出了主从式协同探测模型,利用跟随者向领航者上报状态估计结果进行数据融合。其次,基于UUV传感器和目标的先验信息设计了初始阶段可靠粒子生成方法和更新阶段的指标函数粒子权重优化方法。最后提出了基于灰色预测的分布式融合算法,得到目标预测结果。仿真实验将所提算法和其他常见算法进行对比,在通信丢包以及噪声干扰情况下验证了算法的有效性和可行性。

基于Kalman滤波的组合预测模型在建筑物变形监测中的应用

根据建筑物沉降监测数据的特点,结合Kalman滤波算法、BP神经网络模型以及AR自回归模型在数据降噪、数据预测中的优势,提出并构建了一种新的基于Kalman滤波的BP-AR沉降预测模型。该组合预测模型实现建筑物变形预测的主要步骤为:首先,通过Kalman滤波算法对原始观测数据进行降噪,消除随机噪声误差对观测数据的影响;其次,通过BP神经网络模型对降噪后序列进行建模与预测;最后使用AR模型对预测残差进行建模与预测。通过实际建筑物沉降监测数据对本文提出的组合预测模型进行验证,结果表明相较于BP神经网络模型与BP-AR模型,本文提出的组合预测模型的预测精度更高,有效降低了噪声影响,具有较高的优越性。

基于改进自适应协同滤波算法的混沌信号去噪

协同滤波去噪算法能充分利用混沌信号的自相似结构特征,具有良好的去噪性能。本文针对传统的自适应协同滤波算法中相似块提取不灵活以及聚合重构过于简单等问题,通过错位搜索的方法优化了相似块的提取,并采用动态时间归整算法(DTW)对聚合重构部分进行了改进。仿真实验的结果表明,在不同的噪声水平下,本文提出的方法均优于传统的自适应协同滤波算法。相较于小波滤波、高斯滤波以及经验模态分解等去噪方法,本文提出的方法在处理长期的混沌信号时具有更好的表现。The collaborative filter denoising algorithm can make full use of the self-similar structure characteristics of chaotic signals and has good performance. In this paper, for the problems of inflexible extraction of similar blocks and oversimplified aggregate reconstruction in the traditional adaptive collaborative filtering algorithm, the dislocation search method is used to optimize the extraction of similar blocks, and the Dynamic Time Warping (DTW) is used to improve the aggregation reconstruction. The simulation results show that the proposed method is superior to the traditional adaptive collaborative filtering algorithm under different noise levels. Compared with wavelet denoising, Gaussian filtering and empirical mode decomposition, the proposed method has better performance in dealing with long-term chaotic signals.

基于不同状态模型Kalman滤波的建筑物沉降预测研究

建筑物形变预测预报对减少生命财产损失具有重要意义,基于形变监测数据构建模型是形变预测分析的重要方法。本文利用Kalman滤波,基于不同状态模型构建预测算法,并分析验证不同模型的预测精度,以获取最优预测模型,提高预测精度。本文选取了长安大学地学科技大厦的各期形变监测数据,并结合Kalman滤波算法,分别采用随机游走、常速度、常加速度3种不同状态的估计模型,建立建筑物沉降预测算法,并对不同算法进行实验验证和对比分析。结果表明,基于常加速度状态预测模型的预测结果精度优于常速度状态预测模型和随机游走预测模型Kalman滤波的预测结果,其精度分别提高了15%和21%。

基于分散式卡尔曼滤波的多机器人协同定位

针对机器人导航过程中惯性导航误差随时间积累影响定位精度问题,提出了一种基于分散式卡尔曼滤波的多机器人协同导航算法,该算法将自身导航信息与观测得到的相对测量信息以及其他机器人的导航信息进行融合,实现自身导航信息的校正。该算法不存在中央处理单元,降低了计算量,提高了系统稳定性。利用MATLAB软件平台对算法进行了仿真验证,结果表明该算法提高了多机器人之间的协同定位精度,具有一定的抗干扰性。