带噪声统计估计器的Unscented卡尔曼滤波器设计

针对传统Unscented卡尔曼滤波器(UKF)在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验(MAP)估计原理,设计了一种带噪声统计估计器的UKF.该UKF滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差.相比于传统UKF,所提出的UKF具有应对噪声统计变化的自适应能力.仿真结果表明了该UKF滤波算法的有效性.

一种基于MAP噪声估计器的低成本SINS/GPS的快速UKF算法

为进一步提高平方根无迹卡尔曼滤波(SR-UKF)在低成本捷联惯导(SINS)/卫星导航(GPS)组合系统中的算法精度和实时性,针对系统随机模型的噪声统计特征不确定性和协方差平方根矩阵的复杂性,结合最大后验估计(MAP)和矩阵奇异值分解(SVD)理论建模,提出了一种基于MAP噪声估计模型的快速UKF算法.通过对SINS/GPS组合导航系统的仿真实验,研究表明:相比于传统UKF算法,新算法能够有效减小噪声统计模型不确定时对导航精度的制约,提高算法鲁棒性,同时降低传统UKF算法的时间复杂度,提高数据更新实时性.

基于极大后验估计和指数加权的自适应UKF滤波算法

针对传统Unscented卡尔曼滤波器(Unscented Kalman filter,UKF)在噪声先验统计未知时变情况下非线性滤波精度下降甚至发散的问题,设计了一种带噪声统计估计器的自适应UKF滤波算法.首先根据极大后验(Maximum a posterior,MAP)估计原理,推导出一种次优无偏MAP常值噪声统计估计器;接着在此基础之上,采用指数加权的方法,给出了时变噪声统计估计器的递推公式;最后对自适应UKF算法进行了性能分析.相比于传统UKF,该自适应UKF算法在噪声统计未知时变情况下不仅滤波依然收敛,滤波精度及稳定性显著提高,而且其具有应对噪声变化的自适应能力.仿真实例验证了其有效性.

多传感器自适应容积卡尔曼滤波融合算法

当容积卡尔曼滤波的系统模型不准确或测量出现异常时容易出现滤波发散。为了解决这一问题,提出了一种自适应容积卡尔曼滤波算法,构造了一组噪声统计估计器对噪声的统计特征进行在线实时估计,并在测量异常时采用修正函数对滤波过程进行修正,有效提高了滤波估计的精度和对滤波发散的抑制能力;在集中式滤波结构和联邦式滤波结构的基础上,设计了一种基于自适应容积卡尔曼滤波算法的多传感器系统混合式组合滤波结构,并给出了融合各传感器的局部滤波信息以得到全局滤波估计的计算方法。以对车辆的定位导航为应用背景进行了仿真实验,仿真结果证明了所提方法的有效性。

未知测量噪声方差的平方根高阶容积Kalman滤波

针对非线性系统中测量噪声统计特性未知导致滤波精度不高或发散的问题,提出了一种自适应平方根高阶容积卡尔曼滤波(high-degree cubature Kalman filter,HCKF)算法。采用QR分解、Cholesky因子更新和高效最小二乘法等矩阵分解技术设计了一种平方根HCKF算法(SHCKF),提高了滤波算法的数值稳定性,减小了状态估计误差。引入Sage-Husa估计器在线估计未知测量噪声的方差,进一步提高了SHCKF的估计精度,扩大了算法的应用范围。通过几个计算机仿真实验表明,与标准的HCKF算法相比,新算法具有更好的估计精度,尤其是在测量噪声统计特性不确定的场景下。

基于改进UKF的自动泊车车辆位姿估计算法研究

根据车轮轮速信号和转向盘转角信号,基于改进无迹卡尔曼滤波(UKF)理论设计了自动泊车车辆位姿估计算法,首先基于阿克曼转向原理建立泊车运动学方程并推导出状态方程和测量方程,随后添加常值噪声统计估计器,最后通过联邦滤波结构输出结果。仿真和硬件在环试验结果表明,本文提出的算法在X、Y方向上得到的估计值与理论值偏差范围均在可接受范围内,相比于其他滤波算法,能够更好地描述泊车过程中车辆的运动轨迹,提高定位精度,且对噪声变化具有自适应能力。

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明:ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。

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。

基于自适应EKF算法的输出融合软仪表设计

在化工过程中,作为观测关键质量参数的重要手段,软仪表技术受到了广泛的关注。目前,关于软仪表的研究主要集中在建模技术上。然而,化工过程复杂多样,仅使用软测量模型进行质量变量的估计易出现预估效果不稳定、随机偏差大等现象。为此,文献提出了一系列的改进算法,但仍存在计算复杂、算法抗干扰能力差等问题。本文提出一种基于自适应扩展Kalman滤波(EKF)的输出融合软仪表设计方法,利用Kalman滤波算法对软测量模型预估数据和现场观测进行数据融合,校正软测量模型预估偏差;并在输出融合软仪表背景下,设计了一种含衰减因子的观测噪声统计估计器,将其与滤波算法相结合,构成自适应EKF算法,以提高融合软仪表的输出精度及抗干扰性能。通过仿真实验对所提出的算法进行了全面分析,并将该算法应用于小型实验装置,验证了算法的实用性及有效性。

基于极大似然准则和最大期望算法的自适应UKF算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter,UKF)算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪声统计特性的在线估计.