基于卡尔曼平滑的AWKNN室内定位方法

基于接收信号强度指示的WIFI室内定位方案存在采集信息跳变现象,进而影响定位精度的问题,提出一种基于卡尔曼滤波的改进自适应加权K最近邻(AWKNN)定位方法。对比分析多种平滑RSSI算法可行性,验证基于卡尔曼滤波对RSSI值进行平滑处理的优势,结合AWKNN算法并采用均方差计算匹配度,通过实时监控相匹配的无线接入点个数后自动调整均方差分母大小,以此实现定位误差的有效控制。实验结果表明,该基于卡尔曼的AWKNN算法在稳定性和定位精度方面较传统WIFI指纹算法有较大幅度提高。

集合卡尔曼平滑和集合卡尔曼滤波在污染源反演中的应用

此文目的是讨论污染源反演问题的统计方法。基于Bayes估计理论,该文将资料同化中的集合平滑、集合卡尔曼平滑和集合卡尔曼滤波应用在污染源反演问题中。在详细给出污染源反演的集合平滑、集合卡尔曼平滑和集合卡尔曼滤波的严格数学表达后,用一个简单的模型演示了集合卡尔曼平滑和集合卡尔曼滤波在污染源反演中的可行性,并且通过对比理想试验结果比较了集合卡尔曼平滑和集合卡尔曼滤波方法在反演污染源排放的效果,讨论了观测误差和污染源先验误差估计对反演结果的影响。试验结果表明在观测间隔小和观测误差小的情况下,集合卡尔曼滤波和集合卡尔曼平滑都可以有效地反演出随时间变化的污染源排放。当观测误差增大时,集合卡尔曼滤波和集合卡尔曼平滑的反演效果都有一定降低,但是反演误差的增加少于观测误差的增加,同时集合卡尔曼平滑(Ensemble Kalman smoother,简称EnKS)对观测误差比集合卡尔曼滤波(Ensemble Kalman fil-ter,简称EnKF)更为敏感。当观测时间间隔较大时,EnKF不能对没有观测时的污染源排放进行估计,仅能对有观测时的污染源排放进行较好的反演。而EnKS可以利用观测对观测时刻前的污染源排放进行反演,因此其效果明显好于EnKF,并且在观测时间间隔较大的情况下依然可以较好地反演出污染源排放。试验结果还显示污染源排放的先验误差估计对反演的结果有较大影响。

遥感反演时间序列叶面积指数的集合卡尔曼平滑算法

基于MODIS LAI产品数据集(MOD15A2)构建经验性的LAI动态模型,以LAI作为连接参数,将LAI动态模型与植被辐射传输模型MCRM2相耦合,提出了将耦合模型与时间序列MODIS反射率观测数据集(MOD09A1)同化进行LAI反演的方案。将集合卡尔曼平滑(EnKS)方法引入到LAI同化反演中,为更好地评价该算法的适用性,还与集合卡尔曼滤波(EnKF)的LAI反演结果、MODIS LAI产品进行了比较分析。研究结果表明,采用EnKS方法的反演结果较为理想,与EnKF方法和MODIS LAI相比,EnKS方法反演的LAI时间廓线更平滑,更具连续性,符合实际的植被生长规律。基于EnKS方法的LAI反演方案,为提取时间连续的LAI廓线提供了一种有效的途径。

中心差分卡尔曼平滑器

针对一类非线性离散系统的状态平滑问题,本文设计了一种中心差分卡尔曼平滑器(CDKS).文中基于最小方差估计准则,详细推导了非线性系统的状态最优平滑递推公式,并采用中心差分变换来近似计算状态的后验均值和协方差.相比于传统中心差分卡尔曼滤波器(CDKF),所设计的CDKS算法有效提高了非线性状态的估计精度,拓展了中心差分变换的应用范围.仿真实例验证了所提出平滑器的可行性和有效性.

基于小波和卡尔曼平滑的事件相关电位单次提取

本研究提出一种事件相关电位单次提取方法,可有效减少实验次数,并可探索实验之间ERP的变异性。此方法基于小波和卡尔曼平滑,首先利用小波变换考察ERP平均信号的时频特性,根据ERP不同分量出现的时间位置,在不同尺度上选取特定的单次实验ERP小波系数构成观测向量,其为真实ERP小波系数状态向量与噪声之和,然后对观测向量进行卡尔曼平滑,最后对卡尔曼平滑后的小波系数进行小波重构,得到单次提取的ERP信号。仿真实验表明,基于小波和卡尔曼平滑的方法不仅信噪比提高约16～18 dB,优于30次叠加平均、简单小波方法和基于高斯基函数的卡尔曼滤波方法,还可以跟踪ERP的幅度趋势变异性。与基于高斯基函数的卡尔曼滤波方法相比,所提方法降低了计算量。真实脑电ERP提取实验表明本方法较好地从单次记录中提取出了事件相关电位,并可解释ERP因适应和应激引起的趋势变异性。

卡尔曼平滑在动态推力测量中的应用

首次将卡尔曼平滑应用于固体火箭发动机地面热试车时的动态推力测量,提供了一个便于工程应用且有较高精度的动态推力测量的新方法。根据固体火箭发动机理论推导出推力的动态模型;研究噪声方差和初始条件的确定方法及估计的稳定性、敛散性。继而进行了数学仿真实验,并对实际发动机推力采样数据进行了处理。分析与处理结果表明:卡尔曼平滑应用于动态推力测量是行之有效的。

卡尔曼平滑的自校准技术

介绍了卡尔曼平滑技术的固定区间平滑方法,推导了非线性时变模型的固定区间平滑公式,并将之应用到轨道约束自校准技术中,且导出了相应公式.

基于集合卡尔曼平滑算法的土壤水分同化

为研究观测资料稀少情况下土壤质地及有机质对土壤水分同化的影响,发展了集合卡尔曼平滑(Ensemble Kalman Smooth,En KS)的土壤水分同化方案。利用黑河上游阿柔冻融观测站2008年6月1日至10月29日的观测数据,使用En KS算法将表层土壤水分观测数据同化到简单生物圈模型(Simple Biosphere Model 2,Si B2)中,分析不同方案对土壤水分估计的影响,并与集合卡尔曼滤波算法(En KF)的结果进行比较。研究结果表明,土壤质地和有机质对表层土壤水分模拟结果影响最大而对深层的影响相对较小;利用En KF和En KS算法同化表层土壤水分观测数据,均能够显著提高表层和根区土壤水分估计的精度,En KS算法的精度略高于En KF且所受土壤质地和有机质的影响小于En KF;当观测数据稀少时,En KS算法仍然可以得到较高精度的土壤水分估计。

基于非线性卡尔曼平滑的GPS定位估计方法

在GPS单机定位中,通常采用卡尔曼滤波作为位置状态解算的方法。文中提出一种将非线性平滑技术用于GPS定位估计的方法,该方法可用于单机GPS接收机的定位解算,在非线性滤波的基础上进一步提高定位精度。提出一种随接收卫星数量而实时改变测量参数的动态测量模型,根据GPS的伪距、多普勒频移和导航信息等原始数据进行定位模型的解析,运用新型的平淡卡尔曼平滑算法求解该动态模型。GPS定位实验结果表明,与通用的最小二乘迭代法和非线性滤波等方法获得的结果相比,所提出的方法能获得更高的定位精度。

基于期望最大化与容积卡尔曼平滑器的机载多平台多传感器系统误差配准算法

针对机载多平台多传感器系统误差配准过程中出现的系统误差参数未知问题,本文提出了一种基于期望最大化(EM)与容积卡尔曼平滑器(CKS)的机载多平台多传感器系统误差配准算法.该算法将传感器的量测系统误差视为系统待估计的未知参数,构建了新的传感器量测方程.引入EM算法框架,在期望步(E–step)利用容积卡尔曼滤波器(CKF)和CKS近似计算对数似然函数的数学期望,在最大化步(M–step)对该数学期望进行最大化处理,最后通过解析更新反复迭代的方式获得各传感器系统误差的参数估计.数值仿真验证了本文提出算法的有效性.

利用卡尔曼平滑技术改善数字锁相环抗噪声性能

本文探讨了利用推广的卡尔曼平滑技术改善数字锁相环在角度调制系统中的抗噪声性能的方案。文章从系统的状态空间模型出发,导出了一种改进型的数字锁相环的模型以及一阶环的性能分析.结果表明,改进模型虽然引入了固定的时延,但其抗噪声的性能得到了明显的改善.

基于自适应固定滞后卡尔曼平滑器的状态观测器在假手上的应用

针对以电位计为角度传感器的假手系统,提出了一种基于自适应固定滞后卡尔曼平滑器的状态观测器以观测手指的当前位置、速度和加速度信息.首先,分析了卡尔曼滤波器滤除电位计热噪声并观测速度与加速度的合理性,进而建立了其系统的离散状态转移矩阵.其次,相比卡尔曼滤波器,卡尔曼平滑器在参数相同的情况下具有更好的平滑效果,据此提出一种基于固定滞后卡尔曼平滑器的状态观测器,并通过引入渐消因子以提高动态响应特性,同时给出了一种将本文算法滞后特性降至一个控制周期的有效实现方式.最后,在HIT-V仿人假手实验平台上进行了实验验证.实验结果表明,相比对原始数据直接进行差分,该方法将速度噪声降低了20倍以上,加速度噪声降低了1 000倍以上.相比标准卡尔曼滤波器和固定滞后卡尔曼平滑器,该方法在动态响应方面具有更好的效果.

卡尔曼平滑算法在高精度速度场解算中的应用

为了获得更高精度的速度场,根据卡尔曼平滑估计的原理,该文提出将卡尔曼平滑算法应用到速度场解算中的方法。该方法在卡尔曼滤波的基础上,根据已得滤波估计值进行反向卡尔曼滤波估计,将正向滤波解和反向滤波解进行加权平均,从而提高速度场解算的精度。利用SOPAC网站产出的2017—2019年共3 a的包含全球IGS站点的单日松弛解H文件,分别采用经典卡尔曼滤波和卡尔曼平滑两种方法进行速度场的解算。结果表明,采用卡尔曼平滑算法较经典卡尔曼滤波在外符合精度上有10.5%的提升,在内符合精度上有10.7%的提升;分析可得,采用将正向滤波解与反向滤波解进行加权平均的卡尔曼平滑算法可提升速度场的解算精度。

基于不敏卡尔曼滤波平滑的再入弹头弹道系数提取

再入弹头超高速再入大气层是典型的非线性过程,并且再入过程存在扰动。针对系统的扰动,采用时变的弹道系数模型,针对弹头再入过程的非线性,建立了基于不敏卡尔曼滤波平滑法来提取弹道系数的模型,与不敏卡尔曼滤波法相比,改善了再入段目标弹道系数的提取精度。

平滑约束无迹卡尔曼滤波器

针对非线性动态系统估计的不确定性及量测非线性问题,通过将观测软约束信息作为先验知识有效融入无迹卡尔曼滤波算法,本文提出了平滑约束无迹卡尔曼滤波器。为了解决约束问题,该算法通过数值优化法近似修正先验概率统计。遍历全局最优解,将采样的高斯西格玛点限制在可行域,从而,有效近似表征可行域的后验概率分布。最后,通过一维非平稳增长模型及纯方位机动目标跟踪两个仿真场景对滤波效果进行比较分析,结果表明,提出算法的估计性能在准确性和稳健性方面具有优越性。

双向卡尔曼滤波器在机载SAR运动补偿中的应用

运动补偿系统设计是机载SAR实现高分辨率的一项关键技术,DGPS/IMU组合导航系统已成为当前高分辨率机载SAR基于传感器的运动补偿技术的发展趋势之一。将一种双向卡尔曼平滑滤波算法应用于DGPS/IMU组合导航系统中,实验表明与多传感器组合导航系统数据处理中最常用的算法工具——卡尔曼滤波器相比,该算法可以为机载SAR提供更高精度的运动补偿信息。

基于交互多模算法的Kalman平滑器在滑坡监测中的应用

将滑坡的监测视为机动目标的跟踪问题,基于传统机动目标跟踪算法的不足,首次引入交互多模算法对滑坡监测数据进行处理。最后在此基础上给出了一种卡尔曼滤波平滑算法,实例仿真结果说明了其有效性。

非合作机动目标平滑跟踪研究

本文针对非合作机动目标跟踪问题,引入平滑思想作为跟踪估计方法,构造了一种新的跟踪方法;首先,分析了经典卡尔曼平滑器(KS),结合交互式多模型(IMM)方法,进一步构造并分析了交互式多模型平滑(IMMS)方法;同时,针对目标机动特性以及雷达目标跟踪量测产生的强非线性等问题,构造了包括对非合作目标的随机概率选择模型的场景,结合交互式多模平滑方法,对机动目标跟踪进行仿真验证,实验结果验证了新方法的有效性。

基于平滑优化的弹道导弹落点外推方法

为提高雷达弹道导弹落点外推的精度,提出了一种基于平滑优化思想的弹道导弹落点外推方法。在对雷达量测按时间先后顺序进行常规滤波之后,先进行一次平滑,优化时间靠前的点迹信息,再对优化后的点迹信息按时间反向顺序进行二次平滑,对最新关联点迹信息进行二次优化,最后利用二次优化的最新关联点作为初始点进行落点外推。利用系统工具箱(STK)软件进行弹道仿真试验,结果表明该方法可以有效提高落点外推的精度。

自校正Kalman平滑新方法及其在飞行器跟踪方面的应用

应用状态空间方法和现代时间序列分析方法［１］，基于白噪声估值器和输出预报器，提出了解决带输入的线性离散定常系统稳态最优和自校正Ｋａｌｍａｎ平滑新方法，并给出了在飞行器跟踪方面的应用，仿真结果说明了本文结果的实用性和有效性。