均方根嵌入式容积卡尔曼滤波

传统容积卡尔曼滤波(CKF)的基础是三阶球面–径向容积准则,该准则不仅要求计算n维超球体上的面积分,还需将容积准则与扩展高斯–拉盖尔准则配合使用,不易推导出高阶CKF滤波算法.此外,CKF推导所采用的三阶球面容积准则也存在缺陷,这极大地限制了CKF的滤波精度.为避免以上问题,本文基于嵌入式容积准则和均方根滤波技术,提出一种加性噪声环境下,用于非线性动态系统状态估计的全新容积卡尔曼滤波算法—–三阶均方根嵌入式容积卡尔曼滤波(SICKF).SICKF具有滤波精度高、数值稳定性强等诸多优点,适用于动态目标跟踪、非线性系统控制等.仿真结果表明,SICKF的滤波精度显著优于传统的非线性滤波算法.

均方根嵌入式容积粒子PHD多目标跟踪方法

针对基于概率假设密度算法(Probability hypothesis density,PHD)的非线性多目标跟踪精度低、滤波发散等问题,提出了一种新的PHD算法—改进的均方根嵌入式容积粒子PHD算法(Advanced square-root imbedded cubature particle PHD,ASRICP-PHD).新的算法在初始化采样时将整个采样区域等概率划分为若干个区域,然后利用既定的准则从每个区域抽取粒子,并利用均方根嵌入式容积滤波方法对每个粒子进行滤波,来拟合重要密度函数,预测和更新多目标状态的PHD.仿真结果表明该算法能对多目标进行有效跟踪,相比拟随机采样法和伪随机采样,等概率采样的方法在多目标位置估计和数目估计上有更高的精度.

平方根嵌入式容积卡尔曼粒子滤波算法

为了提高现有粒子滤波算法对非线性、非高斯系统的状态估计精度,该文提出了一种平方根嵌入式容积粒子滤波(Square-root imbedded cubature particle filter,SICPF)算法。该算法采用平方根嵌入式容积卡尔曼滤波(Square-root imbedded cubature Kalman filter,SICKF)产生重要性密度函数。该算法融合了最新的观测信息,由其产生的重要性密度函数更接近系统状态的真实后验概率分布,最后采用经典非线性、非高斯状态模型对该文算法的性能进行仿真测试。仿真结果表明:SICPF算法的估计误差约为扩展粒子滤波(Extended particle filter,EPF)算法1/4、无迹粒子滤波(Unscented particle filter,UPF)算法误差的2/3、容积粒子滤波(Cubature particle filter,CPF)算法的估计误差的3/4,SICPF算法是一种有效的滤波算法。

基于高斯和均方根容积卡尔曼滤波的姿态角辅助目标跟踪算法

根据目标2维运动速度与姿态角的关系,该文提出一种姿态角辅助目标跟踪算法。在目标运动学基础上建立状态向量中包含姿态角的跟踪模型,实现姿态角对目标跟踪的辅助;针对基于模板匹配姿态角量测的噪声为非高斯情况,将均方根容积卡尔曼滤波引入到高斯和滤波框架下,提出新的高斯和均方根容积卡尔曼滤波算法,提高非线性非高斯处理能力,同时结合目标运动中姿态角的变化规律,建立姿态角分量不同的跟踪模型,通过模型切换实现机动姿态角的滤波。算法对姿态角量测进行滤波,同时实现了姿态角信息与位置信息的有效融合。仿真结果验证了该算法的有效性和正确性。

一种改进的均方根容积粒子滤波算法

传统的粒子滤波算法在重要性采样估计时忽略了当前量测影响。在非线性场景下,传统的粒子滤波导致个别粒子具有大权值,造成估计结果精度差。针对该问题,结合均方根容积卡尔曼滤波(SCKF)算法和Gating技术,提出了一种新的重要性函数估计算法。本算法将后验概率作为重要性采样函数,通过利用SCKF和统计距离,建立粒子与量测的关联关系,实现对重要性采样函数的均值和协方差矩阵的估计。而后,使用粒子滤波算法,对多目标状态和数目进行估计。实验表明,在非线性跟踪场景下,本算法估计精度高,估计结果稳定。

基于修正嵌入式容积卡尔曼滤波的相位展开算法

针对干涉图展开问题,将Levenberg-Marquardt方法修正后的嵌入式容积卡尔曼滤波器应用于缠绕相位图像的展开中,结合基于修正矩阵束模型的局部相位梯度估计算法以及量化跟踪策略,提出一种基于修正嵌入式容积卡尔曼滤波的相位展开算法。该算法不仅可以精确和快速地展开缠绕像元,还可以在展开缠绕像元的同时抑制相位噪声,降低前置预滤波器的难度与复杂度,甚至可以在处理受噪声污染不严重的干涉图时免去前置预滤波处理步骤。试验结果表明本文算法具有较高的效率和良好的稳键性。

改进嵌入式容积卡尔曼滤波的锂电池荷电状态估计

为了提升容积卡尔曼滤波CKF在荷电状态估计中的精度与鲁棒性,以锂离子电池的二阶等效模型为研究对象,利用嵌入式容积准则改进CKF的容积点个数与权值分布,加入强跟踪滤波提升其鲁棒性,引入奇异值分解拓宽噪声初值条件给出ISRECKF算法,在动态应力工况下辨识电池二阶等效模型的参数,在直流脉冲工况下分析了ISRECKF、SRECKF与SRCKF的SOC估计性能。结果表明:ISRECKF在SOC初值为1时的平均绝对误差与均方根误差分别为0.006与0.008;初值0.8时分别为0.007与0.011,收敛时间为169 s。该算法在精度与鲁棒性上均优于其余两种算法,具有一定的应用前景。

基于均方根容积粒子的SMC-PHD算法

传统的序贯蒙特卡罗概率假设密度(SMC-PHD)算法采用状态转移密度作为重要性采样函数.当目标非线性运动时,少数粒子将具有较大的权值,导致估计精度低、结果发散.针对上述问题,提出了一种基于均方根容积卡尔曼滤波(SCKF)和统计门限技术的重要性采样函数设计方法.在重要性采样函数估计时,首先利用SCKF对重要性采样函数的均值和协方差阵进行预测,而后利用统计门限技术提取与重要性采样粒子相关联的量测.通过相应的权值对所提取的量测进行合并,更新重要性采样函数的均值和协方差阵.在此基础上将设计的重要性采样函数应用于SMC-PHD的强度预测和更新,最终实现多目标状态和数目的估计.实验表明,本算法在非线性多目标跟踪中具有精度高、估计结果稳定的优点.

嵌入式自适应数字滤波器的设计与仿真

在针对已有的最小均方(LMS)算法的研究基础上,提出一种自适应数字滤波器的设计方法,并将其作为一个数字信号处理(DSP)功能模块嵌入到现场可编程门阵列器件(FPGA)中.同时借助于Matlab平台结合Xilinx公司的System Generator插件对已有的理论算法进行建模、仿真和验证,证明LMS算法理论上的可行性.

基于改进容积卡尔曼滤波的纯方位目标跟踪

为处理纯方位跟踪的非线性问题,提出了距离参数化均方根容积卡尔曼滤波,在消除距离信息不可测对跟踪影响的同时弱化了计算机有限字长截断效应所引入的误差。在假设目标的初始距离信息用多个参数化模型表示的基础上,对每个模型独立进行均方根容积卡尔曼滤波,并依据贝叶斯准则计算各滤波结果对应的概率,将概率和对应结果的加权融合作为最终滤波结果。实验仿真表明,该滤波虽略微提升了计算复杂度,但获得了更好的滤波精度和鲁棒性。

基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。

快速滑动平均滤波在PPG信号去噪中的应用

光电容积脉搏波采集过程中存在的高频噪声会给后续测量带来困难,去除噪声干扰是准确进行相关参数测量的关键。常用的滤波方法对处理器的运算能力和存储空间有较高的要求,不适合在物联网应用场景中应用。针对嵌入式设备计算能力弱和存储容量小的特点,提出一种基于快速滑动平均滤波的信号去噪算法,分析了滑动窗口宽度与信号截止频率的关系,并用该算法对血氧饱和度传感器MAX30101的原始输出信号进行了处理,实验结果表明,该方法能实时有效地对PPG信号进行去噪处理,对提高物联网设备中的PPG信号检测精度和速度具有重要意义。

基于自适应嵌入式CKF的目标跟踪算法

针对噪声分布未知情况下的非线性目标跟踪问题,提出了基于Sage-Husa算法的自适应嵌入式容积卡尔曼滤波算法。首先利用嵌入式容积准则改进传统的Sage-Husa算法,得到适用于嵌入式容积卡尔曼滤波器的噪声统计估计器来估计未知噪声的统计特性,并实现对其修正,引入判断机制来抑制目标跟踪时的发散问题,最后通过机动目标跟踪仿真验证了该算法的有效性。

面向非线性MTT的多模型泊松多伯努利混合滤波算法

在多目标跟踪(Multi-target Tracking,MTT)的非线性特性与低检测概率情况下,针对多伯努利滤波算法的高斯混合(Gaussian Mixture,GM)实现难以精确估计目标的势与运动状态的实际问题,本文提出了一种适用于非线性系统的泊松多伯努利混合滤波(Poisson Multi-Bernoulli Mixture Filter,PMBM)算法.首先,推导出多模型泊松多伯努利混合滤波的高斯混合(GM Multi-model PMBM,GM-MM-PMBM)实现过程.然后,分别对GM-MM-PMBM的伯努利高斯分量进行预测与更新,实现了基于非线性系统的MTT.为提升系统稳定性,基于平方根协方差矩阵推导出GM-MM-PMBM均方根容积卡尔曼滤波算法的实现过程.最后,仿真实验综合验证了本文算法的跟踪性能.

一种基于离散余弦变换的嵌入式图像编码算法

设计一种基于离散余弦变换的增嵌入式图像编码算法,首先对原始图像进行离散余弦变换,然后按特定扫描顺序对变换域余弦系数进行扫描以便能够很好地确定各系数的位置,其次为了用较少的编码位数表示变换域余弦系数需要对扫描后的系数进行量化。实验结果表明该图像编码算法可以根据目标码率或失真度大小的要求随时结束编码,并能解码近似恢复原图像;且随着压缩比的减小,即传输数据量的增加,无论是主观质量还是客观指标RMSE与PSNR都有较大改善。

基于高斯和与SCKF的非线性非高斯滤波算法

针对均方根容积卡尔曼滤波(SCKF)对非高斯情况滤波效果差的问题,在分析SCKF和高斯和滤波基础上,提出一种高斯和均方根容积卡尔曼滤波新算法。算法采用高斯和形式来逼近非高斯后验概率密度,将SCKF作为子滤波器,对每个高斯分量进行时间和量测更新,使其有效解决非线性非高斯滤波问题。仿真结果表明,高斯和均方根容积卡尔曼滤波估计精度高于粒子滤波和高斯和扩展卡尔曼滤波算法,与容积粒子滤波精度相当,但耗时约为容积粒子滤波的15%,是一种较好平衡跟踪精度和实时性的非线性非高斯滤波算法。

GPS/INS组合导航缺星情况下的卡尔曼滤波改进算法

针对GPS/INS(Global Positioning System/Inertial Navigation System)紧组合导航系统在卫星信号缺失情况下导航精度降低,容积卡尔曼滤波(Cubature Kalman Filter,CKF)应用中存在模型误差和计算误差的问题,提出了适用于该背景下的强跟踪均方根容积卡尔曼滤波(Square-Root CKF)算法。该算法通过人为地相对突出滤波过程中新数据的作用,提高了算法在模型不确定时的鲁棒性;均方根策略保证了协方差阵的正定性和对称性。仿真实验表明,改进的算法能够提高导航精度,在卫星信号缺失情况下其效能发挥地更好,提高了组合导航适应复杂环境的能力。

多源信息融合的飞行器大气数据估计算法

针对飞行器在高速飞行时受气流干扰、惯性高度易发散等问题,从传感器数据融合角度出发,提出了容积卡尔曼滤波(Cubature Kalman filter,CKF)融合嵌入式大气数据观测系统和惯性导航系统(Inertial navigation system,INS)估计飞行器实时大气数据的算法。算法使用非线性方程对惯性系统、卫星定位系统和大气系统间的关系建模,结合传感器的数据,计算飞行器速度和高度,进而估算出迎角和侧滑角等参数。实验结果显示:本文所提出的方法在估计气流角和马赫数方面具有较高的精度和较强的稳定性。

一种改进的多伯努利多目标跟踪算法

针对粒子势均衡多目标多伯努利滤波的粒子实现形式所需粒子数多、粒子退化严重的问题,将均方根容积卡尔曼滤波与粒子势均衡多目标多伯努利滤波相结合,提出均方根容积卡尔曼粒子势均衡多目标多伯努利滤波算法.该算法利用均方根容积卡尔曼滤波构建重要性密度函数,再对其进行采样获得预测粒子状态,从而提高粒子的准确性,减轻粒子退化.与基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波相比,该算法更稳定,且算法性能不受目标状态维数的限制.仿真实验表明,所提算法与粒子势均衡多目标多伯努利滤波算法和基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波算法相比,其跟踪精度更高.

基于改进概率假设密度的多目标跟踪算法

经典序贯蒙特卡罗概率假设密度(Sequential Mote Carlo Probability Hypothesis Density,SMC-PHD)滤波中,将目标状态转移密度函数做为建议密度函数,没有利用当前观测信息,导致大部分预测粒子状态偏离目标真实状态,粒子退化严重.针对上述问题,提出利用均方根容积卡尔曼滤波产生建议密度函数,对其进行采样得到预测粒子状态,该方法有严格理论基础,能有效减轻SMC-PHD滤波中的粒子退化,且适用性很强.仿真实验对比了该算法、经典SMC-PHD和基于无迹卡尔曼的SMC-PHD算法的跟踪性能,验证了该方法无论对势估计还是对目标状态估计的精度都优于其他两种算法.