多天线时变信道下基于卡尔曼滤波跟踪的数字图像通信系统

数字图像在时间选择性衰落信道下传输 ,难以获得满意效果 .为得到高质量的传输图像 ,基于多天线通信系统 ,采用卡尔曼滤波跟踪方法对时变信道进行跟踪以获得更高的系统性能 ,并增加信道编码 .仿真结果表明 ,在系统中加入卷积码 ,可获得 5dB以上的编码增益 ;在较高信噪比下 ,与无跟踪情况比较 ,误比特率有较大改善并可获得满意的传输图像 .

平台摇摆对卡尔曼滤波跟踪精度的影响

通过建立目标相对运动坐标系和目标相对运动观测模型,研究了在平台摇摆影响下,跟踪系统观测到的目标运动状态的变化。在分析捷联垂直基准补偿原理的基础上建立了捷联垂直基准平台摇摆角补偿模型,建立的模型结合捷联垂直基准系统的测量能力对其补偿算法进行了理论推导,使模型适用于实际捷联垂直基准系统。通过建立模型以及仿真研究了平台摇摆作用下卡尔曼滤波跟踪精度的变化,指出了摆造成卡尔曼滤波跟踪精度降低甚至离散的主要原因在于模型误差增大。设计仿真实验验证了结论的正确性,为进一步改进跟踪手段提供了理论参考。

基于改进强跟踪无迹卡尔曼滤波的正交频分复用频偏跟踪和估计算法

针对高速运动环境下多普勒效应导致的载波频偏,建立了正交频分复用(OFDM)动态状态空间模型,提出了基于改进的强跟踪无迹卡尔曼滤波(STUKF)的频偏跟踪和估计算法。该算法将强跟踪滤波思想跟UKF相结合,通过在计算量测预测协方差和互协方差时引入渐消因子,在调整前一时刻频偏估计误差协方差的同时又控制过程噪声协方差,实时调整增益矩阵,增强了对时变频偏的跟踪能力,提高了估计精度。最后分别在非时变和时变频偏模型下对所提算法进行了仿真验证。仿真结果表明,与UKF频偏估计算法相比,所提算法在时变频偏中具有更好的跟踪和估计性能,在相同误码率(BER)下信噪比(SNR)大约有1 dB的提升。

基于改进强跟踪无迹卡尔曼滤波的电力信号同步相量跟踪算法

配电网中各类噪声对相量测量产生较大影响,研究在高噪声环境下能够可靠检测并能快速跟踪电力信号突变的同步相量测量算法,对保证电网的稳定性与可靠性具有重要意义。提出基于量测量误差协方差次优估计的自适应强跟踪无迹卡尔曼滤波(SEMEC-ASTUKF)的同步相量测量算法。首先根据递归最小二乘法提出一种自适应常值噪声统计估计器提高量测噪声协方差估计精度;然后根据电力信号突变后特征,构建突变检测算法和渐消因子次优估计算法,改善强跟踪无迹卡尔曼滤波(STUKF)算法在高噪声环境下对突变检测能力弱和跟踪突变慢的缺陷。利用实测信号对算法性能进行验证,结果表明,SEMEC-ASTUKF算法具有更高的测量精度,对突变具有更好的检测灵敏度和更高的跟踪速度。

改进的强跟踪求积分卡尔曼滤波算法

在非线性系统状态估计问题中,强跟踪求积分卡尔曼滤波算法在实现过程中由于对判断滤波发散的阈值设置较小,即使在系统正常情况下也会以较大概率产生渐消因子,从而导致过度调节滤波增益,使得系统状态估计不够平滑。针对该问题,提出了一种改进的强跟踪求积分卡尔曼滤波算法。该算法通过适当增大判断滤波发散的阈值,从而有效地降低了误判滤波发散的概率,增强了滤波器对系统状态的跟踪性能,并能够根据不同维数的量测方程确定弱化因子的取值,从而有效避免了凭经验选取弱化因子,具有较强的操作性。对两种算法进行实验仿真,结果表明,改进的强跟踪求积分卡尔曼滤波算法具有更高的滤波精度,减小了系统状态估计值与真实值之间的偏差。

基于强跟踪容积卡尔曼滤波的车辆行驶状态估计

针对车辆行驶过程中的状态估计问题,提出了基于强跟踪容积卡尔曼滤波的车辆行驶状态估计算法。建立了采用Dugoff轮胎模型非线性3自由度车辆估算模型,通过对纵向加速度、侧向加速度、横摆角速度、转向盘转角和车轮轮速低成本传感器信号的信息融合以实现对车辆行驶状态的准确估计。应用驾驶员模拟器进行在环试验结果表明,基于强跟踪容积卡尔曼滤波的估计算法能够较准确地对车辆行驶状态进行估计。

基于强跟踪五阶容积卡尔曼滤波的眼睛跟踪算法

非侵入式眼睛跟踪在许多基于视觉的人机交互应用中扮演十分重要的角色,但由于眼睛运动的强非线性,如何确保眼睛跟踪过程中对外界干扰的鲁棒性以及跟踪精确度是其应用的关键问题。为提高眼睛跟踪的鲁棒性和精确度,提出强跟踪五阶容积卡尔曼滤波算法(ST-5thCKF),将强跟踪滤波(STF)次优渐消因子引入具有接近最少容积采样点且保持五阶滤波精确度的五阶容积卡尔曼滤波(5thCKF),获取5thCKF对强非线性良好滤波精确度同时具备STF对外界干扰的鲁棒性。真实条件下的实验结果验证了所提算法在眼睛跟踪中的有效性。

基于强跟踪容积卡尔曼滤波的永磁同步电机转子位置估计

对于电动汽车内置式永磁同步电机(IPMSM)驱动系统,转子位置的精度在高性能无传感器矢量控制中起到极其重要的作用。当电机在运行过程中受到外界干扰和系统状态突变时,传统的容积卡尔曼滤波(CKF)算法的动态响应较差,导致对转子位置的跟踪能力下降,估计精度降低,甚至引起滤波器发散。因此,本文采用强跟踪容积卡尔曼滤波(STCKF)算法,在传统的容积卡尔曼滤波的基础上引入了强跟踪滤波器(STF),进而动态改善容积卡尔曼滤波算法的估计精度和跟踪能力。在Matlab/Simulink中对改进的转子位置估计算法进行仿真分析,并且进行测功机台架实验。实验结果表明:强跟踪容积卡尔曼滤波算法响应快,跟踪能力强,估计精度相比于传统的容积卡尔曼滤波算法提高19%。

基于强跟踪无迹卡尔曼滤波的内置式永磁同步电机转子位置估计

为了解决当永磁同步电机在运行中受到扰动、系统状态突变时,传统的无迹卡尔曼滤波算法对转子位置的跟踪能力下降、估计精度降低,甚至会使滤波器发散等问题,文中采用基于两相静止坐标系的内置式永磁同步电机数学模型的强跟踪无迹卡尔曼滤波算法,研究了在经典的无迹卡尔曼滤波的基础上引入强跟踪滤波器,既保留了经典的无迹卡尔曼滤波算法的优点,又能改善无迹卡尔曼滤波算法对状态突变鲁棒性的控制。仿真和实验结果表明,当永磁同步电机运行在中高速区域时,强跟踪无迹卡尔曼滤波算法可以快速准确地跟踪转子位置,估计误差低于经典的无迹卡尔曼滤波算法。

强跟踪自适应卡尔曼滤波在高铁沉降监测中的应用

以高铁沉降监测为应用背景,研究了一种强跟踪自适应卡尔曼滤波算法,并将其与其他几种卡尔曼滤波算法进行仿真对比。结果表明,滤波算法具有较高的精度和较强的跟踪能力。

自适应CT模型的强跟踪CKF算法

自适应协同转弯(CT)模型可以用于对转弯机动目标进行跟踪。由于转弯率变化,状态方程为非线性,同时雷达测量数据以极坐标系形式给出,在直角坐标系下建立的观测方程具有很强的非线性。论文利用强跟踪容积卡尔曼滤波(CKF)来实现非线性滤波处理,并将其与标准的容积卡尔曼滤波进行比较。通过对变转弯率机动目标跟踪的仿真,表明该算法能稳定跟踪变转弯率目标,且跟踪精度高。

基于自适应DBSCAN的雷达目标跟踪算法

直接对三坐标航管一次雷达点迹录取器中录取到的点迹进行航迹起始、跟踪等处理后,会形成大量虚警,运算量大.进行目标跟踪时,候选点迹集合数量庞大是造成目标跟踪过程运算量大的主要原因.文中基于动态自适应DBSCAN聚类算法,结合经典卡尔曼滤波跟踪算法,提出了动态自适应DBSCAN聚类跟踪混合算法,来减少候选点迹集合数量.实验结果证明,本文提出的算法实现了无效点迹数的减少、航迹质量的提高以及运算时间的下降.通过动态自适应DBSCAN聚类跟踪混合算法,能迅速跟踪到三坐标航管一次雷达探测到的目标并形成目标航迹,可以及时发现黑飞目标,将对正常民航飞机飞行的干扰降到最低.

基于强跟踪CKF的无人水下航行器SLAM

针对基于容积卡尔曼滤波(CKF)的无人水下航行器(UUV)同步定位与地图构建(SLAM)存在对模型参数变化的鲁棒性差、收敛速度慢、对突变状态跟踪能力低等问题,通过在CKF中引入渐消因子和弱化因子,提出了一种基于强跟踪CKF(STCKF)的SLAM算法(STCKF-SLAM)。首先建立UUV的运动模型、特征模型、测距声呐模型,然后基于霍夫变换从多测距声呐测量数据中提取堤岸线特征,最终采用STCKF实现了UUV的同步定位与地图构建。基于UUV海试数据的仿真实验结果表明:相比CKF-SLAM算法,STCKF-SLAM算法保持了对突变状态的强跟踪能力,且均方根误差降低了13%,提高了SLAM系统的精确性,可应用于UUV长航时水下隐蔽作业。

改进的强跟踪平方根UKF在卫星导航中应用

针对应用于受不确定性干扰和噪声影响的卫星自主导航系统中的无迹卡尔曼滤波(unscented Kalman filter,UKF)存在估计精度低、跟踪性能差和鲁棒性弱等缺陷,提出一种改进的强跟踪平方根UKF(strong tracking square-root UKF,STSRUKF)导航方法。该方法中利用星敏感器和光学导航相机设计出导航方案,并通过转换方程将间接量测量转换为观测量。针对平方根UKF(square-root UKF,SRUKF)在高阶系统中因为sigma点的零权值系数是负的或者数值计算误差太大时而可能造成滤波器发散问题,采用一种改良的平方根分解方法,改善了滤波器的稳定性。同时,基于强跟踪滤波器理论(strong tracking filters,STF),引入多重自适应衰减因子调节协方差矩阵,使得滤波器具有强跟踪能力和克服系统模型不确定的鲁棒性,改善了滤波器的估计精度。将该方法应用于卫星自主导航系统中,实验仿真结果表明,相对于平方根UKF和STF,该方法不仅保证了系统的可靠性,还提高系统的导航精度和改善系统的鲁棒性及跟踪能力。

UKF算法及其在纯方位目标跟踪中的应用

为克服扩展卡尔曼滤波算法的缺陷,将UKF算法应用于纯方位目标跟踪问题中。该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法。对UKF算法进行了深入的研究,并给出了一个纯方位目标跟踪的算例。仿真结果表明,该算法提高了滤波的稳定性和精确性,优于一般的扩展卡尔曼滤波算法,具有广泛的应用前景。

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.

基于STF和7thCQKF的状态突变系统跟踪算法

针对传统非线性滤波算法对状态突变的鲁棒性较差,存在跟踪缓慢甚至失效的问题,提出了强跟踪七阶正交容积卡尔曼滤波(ST-7thCQKF)算法。算法将对非线性系统滤波效果良好的七阶正交容积卡尔曼滤波(7thCQKF)与强跟踪滤波(STF)融合,通过在7thCQKF的预测协方差中引入渐消因子调节增益矩阵,提高算法对状态突变系统的跟踪效果。仿真和实验结果表明,ST-7thCQKF能够较好地处理状态突变系统的跟踪问题。

一种雷达组网改善低角跟踪方法

在单脉冲雷达跟踪原理基础上，分析了多路径效应对雷达低角跟踪的影响．针对多路径效应提出用雷达组网改善低角跟踪的方法，该方法利用了各雷达分站的目标信息。使数据输出达到最佳值，并制定了相应的技术措施。最后用仿真及结果分析验证了方法的有效性。

两类改进非线性滤波器UKF算法综述

通过对卡尔曼滤波的发展进行简述,引出标准无迹卡尔曼滤波和标准无迹变换的采样策略。通过对标准无迹卡尔曼滤波的分析,从两个切入点对标准无迹卡尔曼滤波进行改进,即超球体采样平方根无迹卡尔曼滤波和强跟踪无迹卡尔曼滤波,给出了对应的详细算法,并对无迹卡尔曼滤波算法进行总结与评述。

基于ASTUKF的分布式农业车辆路面参数辨识方法

针对分布式驱动农业车辆在路面参数辨识过程中,因路面环境变化出现的状态模型误差和时变噪声,导致辨识结果发散的问题,提出了基于自适应强跟踪无迹卡尔曼滤波(Adaptive strong tracking unscented Kalman filter,ASTUKF)的辨识方法。与传统内燃机农业车辆相比,分布式驱动可以直接获取驱动轮的状态信息,结合含有峰值附着系数和极限滑转率的μ-s曲线模型,建立了无迹卡尔曼滤波(Unscented Kalman filter,UKF)辨识算法的状态方程和量测方程。同时,将强跟踪滤波(Strong tracking filter,STF)和自适应滤波(Adaptive filter,AF)引入辨识算法,用以提高对多变环境的识别精度和鲁棒性,并采用奇异值分解(Singular value decomposition,SVD)解决了迭代过程中出现的非正定矩阵的问题。仿真试验结果表明,在突变噪声环境工况下,ASTUKF辨识结果可以快速收敛至目标值附近,且不受突变噪声的影响,各驱动轮峰值附着系数估计结果的平均绝对误差(Mean absolute error,MAE)分别为0.0144、0.0267、0.0144、0.0267,极限滑转率估计结果的MAE分别为0.0025、0.0028、0.0025、0.0028。实车试验表明,在已耕地和未耕地的试验路面上,ASTUKF辨识结果的均值95%置信区间能够匹配测量值,整车的附着系数辨识结果为0.4061(未耕地)、0.3991(已耕地),极限滑转率辨识结果为0.1484(未耕地)、0.3600(已耕地),可为分布式电动农业车辆作业参数感知提供理论参考。