自适应双层无迹卡尔曼滤波的车辆状态估计

针对在车辆行驶状态估计中存在估计不准确、鲁棒性较差以及系统噪声不确定等问题,提出一种将双层无迹卡尔曼滤波(DLUKF)与改进的Sage-Husa算法相结合的自适应双层无迹卡尔曼滤波算法(ADLUKF)作为车辆行驶状态的估计器,再结合三自由度汽车模型对车辆行驶的横摆角速度和质心侧偏角进行估计。通过改进的Sage-Husa滤波器对系统过程噪声和测量噪声进行动态调整,进而减少车辆行驶状态估计的误差。应用Carsim与Matlab/Simulink进行联合仿真以及实车试验数据来验证该估计器的有效性,并与无迹卡尔曼滤波(UKF)算法进行对比。结果表明:与UKF算法相比,该算法有效提高了车辆行驶的横摆角速度和质心侧偏角的估计精度和稳定性。

基于GPS弹道测量的卡尔曼滤波参数估计算法

为提高基于GPS定位的弹道辨识方法的实时性和可靠性,提出了一种以弹道微分方程四阶龙格库塔数值积分预测作为状态量递推的卡尔曼滤波弹道参数估计算法,并针对卫星接收机有粗大误差或失效情况对方法进行了改进.利用卫星信号模拟器和C/A码GPS接收机构建半实物仿真系统对算法进行验证,该方法的弹道参数估计误差是GPS接收机正常工作时测量误差的30%~40%;且能在GPS接收机出现异常时继续给出接近实际的估计值.

基于IMU弹道测量的扩展卡尔曼滤波参数估计算法

针对目前弹道修正技术中测试参数误差较大且实时性和安全性不能满足相应的精度需求的现状,采用扩展混合卡尔曼滤波器来估计弹丸3种状态参数,包括弹丸在空气中的相对速度、高度和轨迹角.建立了卡尔曼滤波系统状态模型和以轴向加速度为观测量的量测模型.对IMU的测量数据进行滤波和估计处理,得到误差较小且满足实时性和安全性要求的弹道修正信息.仿真结果表明:滤波器在模拟数据下进行调节和测试,相对速度的估计性能良好.

基于参数估计和Kalman滤波的单通道盲源分离算法

针对存在频谱混叠通信信号的单通道盲源分离(single channel blind source separation,SCBSS)问题,提出一种基于参数估计和Kalman滤波的SCBSS算法。首先,针对根多重信号分类(root multiple signal classification,Root-MUSIC)算法在相近载频估计方面的局限性,提出一种自适应的Root-MUSIC算法,对接收到的盲混合信号的源信号数目和载频进行估计;其次,将Kalman滤波的思想引入到SCBSS算法中,根据估计得到的源信号参数构造信号模型,将其作为Kalman滤波系统的观测向量,执行“时间更新”和“测量更新”两个过程,得到源信号的最佳估计,实现单通道盲源分离。仿真结果表明,所提算法能够有效地从存在频谱混叠的单路接收信号中准确地分离出多路源信号,比传统的算法分离精度高,运算速度快。

基于无迹卡尔曼滤波的汽车状态参数估计

由于部分汽车状态参数无法直接通过传感器获得,为了提高这些参数的估计精度以准确判断汽车行驶过程中的状态变化,增强控制系统的鲁棒性,文中提出了基于无迹卡尔曼滤波的汽车状态参数估计方法.该方法在传统卡尔曼滤波算法的基础上,采用无迹卡尔曼滤波算法对汽车质心侧偏角、横摆角速度、路面附着系数等状态参数进行估计,并运用Simulink与Carsim进行联合仿真.结果表明,无迹卡尔曼滤波算法响应快,估计精度较扩展卡尔曼滤波高,能满足车辆高级动力学控制系统的控制需要.

基于SVD的推广卡尔曼滤波及其在飞行状态和参数估计中的应用

基于矩阵的奇异值分解（ＳＶＤ）技术，本文提出一种鲁棒推广卡尔曼滤波新算法，并将该算法应用于飞行状态和参数估计中．该算法不仅具有很好的数值稳定性，而且无需任何变换即可处理相关噪声，且适于并行计算．两种不同型号飞机飞行状态和参数估计的仿真及实际试飞数据计算结果表明：与ＥＫＦ相比，本文算法对不同初始值和不同噪声均可获得更准确的估计结果，并且对飞机机动形式、噪声水平、数据长度要求不高，收敛性好．利用系统和量测模型的一些特点及对奇异值分解算法的改进，使算法计算量大大减少．

基于双重扩展自适应卡尔曼滤波的汽车状态和参数估计

准确实时地获取行驶过程中的状态信息是汽车动态控制系统研究的关键,为此提出了一种新的汽车状态估计器。建立了包含不准确模型参数和未知时变统计特性噪声的非线性汽车动力学模型,针对该非线性系统提出一种双重扩展自适应卡尔曼滤波算法(DEAKF)。该算法采用两个卡尔曼滤波器并行运算,状态估计和参数估计互相更新,同时将带遗忘因子的噪声统计估值器嵌入到状态校正过程和参数校正过程之间,以解决系统的噪声时变问题。基于ADAMS的虚拟试验和实车试验结果表明,该算法的状态估计精度高于EKF方法和DEKF方法的状态估计精度,同时具有良好的模型参数校正能力,对汽车动态控制系统中估计器的设计具有理论指导意义。

基于渐消卡尔曼滤波算法的航空发动机参数估计方法

针对航空发动自适应模型误差无法完全消除,可能导致参数估计结果严重偏离甚至滤波发散的问题,提出一种带渐消因子的卡尔曼参数估计方法,采用在线调整卡尔曼方程残差的权重、加强现实测量数据在状态估计中作用的策略,保证了发动机性能参数估计的准确性。仿真结果表明,该方法不仅克服了滤波发散现象,具有更优的收敛速度和估计精度,且计算量小,实现简单,便于实际应用。

自适应卡尔曼滤波在航空发动机参数估计中的应用

介绍根据实际飞行数据并用卡尔曼滤波方法对某型发动机的参数估计及其结果。重点研究了卡尔曼滤波在航空发动机参数估计中的滤波发散问题和解决这一问题的自适应卡尔曼滤波、飞行条件补偿及模型修正的综合方法。

基于自适应卡尔曼滤波的时变结构参数估计

在许多情况下,对于非平稳或性能随时间发生变化的结构,要求对结构的参数进行实时的跟踪与识别,此时传统的递推算法,如卡尔曼滤波等方法就不再适用,而需要采用具有一定跟踪能力的自适应递推算法.本文对自适应卡尔曼滤波方法在时变结构参数估计中的应用进行了分析,并对其跟踪性能进行了探讨.

耦合集合卡尔曼滤波的非线性参数估计

准确的参数对于非线性模型或者函数有极为重要的意义。但是在实际应用中,输入的参数常常带有一定的偏差,因此在预测中非线性模型(函数)往往得不到满意的结果。把集合卡尔曼滤波方法引入到非线性模型(函数)的参数估计中,并采用基于联合状态向量的方法在同化时刻同时更新模型(函数)的状态和参数,该方法可以通过同化观测数据,动态地调整参数和结果,使得参数能够自适应地变化,同时也能较好地释放积累的模型误差。将该方法应用于随时间变化的二维非线性模型(函数)中,实验表明,该方法能够准确地估计出模型参数值,同时也表现出很好的鲁棒性和自适应性。

基于卡尔曼滤波的运动车辆序列图像参数估计

运动目标的参数估计是近代计算机视觉领域重要的研究课题.以运动车辆的序列图像为例来分析.考虑到跟踪运动车辆对实时性要求较高的特性,没有采用经典的最小二乘滤波和维纳滤波等,而采用了卡尔曼滤波方法,由于卡尔曼滤波在时域内进行,因此不需要保存更多的数据,使得跟踪结果实时输出。

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。

基于集合卡尔曼滤波的多相流模型参数估计——以室内二维砂箱中重质非水相污染物入渗为例

重质非水相有机污染物(DNAPL)泄漏到地下后,其运移与分布特征受渗透率非均质性影响显著。为刻画DNAPL污染源区结构特征,需进行参数估计以描述水文地质参数的非均质性。本研究构建了基于集合卡尔曼滤波方法(EnKF)与多相流运移模型的同化方案,通过融合DNAPL饱和度观测数据推估非均质介质渗透率空间分布。通过二维砂箱实际与理想算例,验证了同化方法的推估效果,并探讨了不同因素对同化的影响。研究结果表明:基于EnKF方法同化饱和度观测资料可有效地推估非均质渗透率场;参数推估精度随观测时空密度的增大而提高;观测点位置分布对同化效果有所影响,布置在污染集中区域的观测数据对于参数估计具有较高的数据价值。

基于卡尔曼滤波最大似然参数估计的气动参数辨识

飞行器气动参数一般通过理论计算或风洞试验数据来获取,由于受诸多因素限制而难以获得精确值;为了提高飞行器动力学模型的精确度,将卡尔曼滤波融合于最大似然参数估计中,利用最大似然函数渐进一致性、估计的无偏性、良好的收敛特性的特点,对各实际工作点的气动参数进行辨识,并详细叙述了进行气动系数辨识的基本步骤。

永磁同步电动机系统参数和状态的推广卡尔曼滤波估计

永磁同步电动机系统具有力矩系数大、力矩波动小以及控制灵活等优点,在许多精密伺服控制系统中得到广泛应用。本文在得到系统模型的基础上,利用推广的卡尔曼滤波器对非线性的永磁同步电动机系统参数和状态进行了估计,仿真结果验证了估计方法在数学上的可行性。

舰炮弹道估计的卡尔曼滤波算法

针对舰炮弹道观测校正中的弹道最佳估计问题,提出了转换卡尔曼滤波算法,在三维空间里对观测弹丸飞行轨迹进行滤波,估计最佳弹道。给出了具体的算法并用某型海军舰炮进行了仿真,取得了较好效果。

集合卡尔曼滤波估计水文地质参数的局域化修正

集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)作为一种有效的数据同化方法,在众多数值实验中体现优势的同时,也暴露了它使用小集合估计协方差情况下精度较低的缺陷。为了降低取样噪声对协方差估计的干扰并提高滤波精度,应用局域化函数对小集合估计的协方差进行修正,即在协方差矩阵中以舒尔积的形式增加空间距离权重以限制远距离相关。在一个二维理想孔隙承压含水层模型中的运行结果表明,局域化对集合卡尔曼滤波估计地下水参数的修正十分有效,局域化可以很好地过滤小集合估计中噪声的影响,节省计算量的同时又可以防止滤波发散。相关长度较小的水文地质参数(如对数渗透系数)更容易受到噪声的干扰,更有必要进行局域化修正。

基于集合卡尔曼滤波法的二维土壤水流状态变量和参数联合估计

集合卡尔曼滤波方法(EnKF)显式地考虑了模型输入、输出以及模型结构等因素的不确定性,近年来被广泛应用于水文模型参数估计研究中。本文基于EnKF方法开展二维土壤水流运动模型状态变量和参数联合估计研究,设计数值实验探究了在线源入渗条件下EnKF方法对粉壤土、壤土和砂壤土的饱和导水率和进气值参数的估计以及压力水头的同化效果,分析了观测点布置方式和观测点数量对同化效果的影响。研究结果表明,粉壤土条件下观测点垂向布置方式更好;壤土和砂壤土条件下,在0～30cm深土壤中水平向布置观测点可以得到较好的参数估计值。观测点水平向布置时应尽量靠近地表,同化系统可以有效地利用观测信息更新状态向量,参数更快地收敛于真值,但压力水头的同化效果仅限于一定深度的土壤。增加观测点数量可以有效地减小参数估计偏差,进而提高土壤剖面压力水头的预测精度。