基于增广卡尔曼滤波器的时域传递路径分析方法

时域传递路径分析方法用于解决瞬态工况下复杂系统振动噪声问题不仅未能解决自然频率附近频响函数矩阵的病态问题,而且利用现有频域信息转换提取得到的所需时域信息精度较低,因此提出一种基于增广卡尔曼滤波器的时域传递路径分析方法。该方法采用增广卡尔曼滤波器辅以遗传算法估计时域工况载荷,通过最小二乘算法辨识单位脉冲响应函数,将时域工况载荷和对应的单位脉冲响应函数进行线性卷积以计算各传递路径的时域贡献量。算例表明,所提方法采用的增广卡尔曼滤波器载荷识别误差小于传统方法的去卷积滤波器所识别载荷的误差,最小二乘算法辨识的单位脉冲响应函数误差小于对频响函数直接进行快速逆傅里叶变换或者构造有限单位脉冲响应滤波器的误差,且所提方法在复杂结构上也同样具有较小的误差。

基于LU分解的增广信息滤波机器人协同定位

在增广信息滤波机器人协同定位算法中,通常对联合分布的信息矩阵采用Cholesky方法进行分解。基于Cholesky分解的增广信息滤波对联合分布的信息矩阵的正定对称性要求很高,在联合分布的信息矩阵不满足正定对称性的情况下,求逆产生异常,影响联合分布的信息恢复,系统的鲁棒性下降。提出了一种基于LU分解的增广信息滤波算法,保证了机器人协同定位算法精度的同时,有效解决了联合分布的信息矩阵分解异常问题,最后对机器人系统可观测性进行分析。利用MATLAB软件平台对算法进行仿真验证。结果表明,该算法保证了机器人协同定位精度,提高了机器人系统的鲁棒性。

基于增广卡尔曼滤波并考虑车辆加速度的路面不平度识别

为实现车辆在实际加减速行驶工况下路面不平度的准确识别,提出了一种考虑车辆加速度、基于增广卡尔曼滤波算法的路面识别方法。以车辆纵向加速度作为已知输入,车身垂向振动和俯仰振动响应作为观测向量,设计增广卡尔曼滤波观测器估计路面不平度信息;求取固定位移窗长度内的国际平整度指数,实现了对路面的等级分类。仿真结果表明在典型非匀速工况、城市运行工况和制动工况下,所提出的方法对路面不平度的识别精度和对路面等级分类的准确性,明显高于一般的增广卡尔曼滤波算法,能有效识别未知输入路面。

加性噪声下增广容积卡尔曼滤波及其目标跟踪应用

传统容积卡尔曼滤波(CKF)有良好的滤波精度和较低的计算复杂度,使其广泛被应用于目标跟踪系统。但在高维非线性和波动性大的目标跟踪系统中,3阶和高阶CKF分别存在滤波精度不足和稳定性低的问题。为提高CKF的滤波精度并保证稳定性,讨论和给出加性噪声下的增广容积卡尔曼滤波(ACKF)。在仿真中,将CKF、UKF和ACKF应用于5维高非线性目标跟踪,并分析比较三者的目标跟踪性能。研究结果表明,在高维非线性目标跟踪系统中,3阶ACKF可以获得更好目标跟踪精度和稳定性,以及可接受的计算复杂度。

线性相位FIR滤波器约束Chebyshev设计的增广Remez算法

主要讨论线性相位FIR数字滤波器的约束Chebyshev设计问题 .Remez算法是一种高效的Chebyshev逼近算法 ,而其理论基础是交错点组定理 .针对约束Chebyshev逼近问题提出一个增广交错点组定理 ,并根据此定理提出了一个增广Remez算法 ,用于求解带不等式约束的线性相位FIR数字滤波器的Chebyshev设计问题 .如果问题的解存在 ,此算法一定收敛到问题的解 .与现有其它方法的比较表明 ,此算法有很高的效率 .

基于递推增广最小二乘的雷达输出数据滤波方法

针对雷达-光电经纬仪组网测量时雷达实时输出引导数据随机误差大的问题,提出采用递推增广最小二乘拟合算法进行实时滤波,建立了实时滤波模型,给出了基于DSP的雷达数据实时滤波总体框架,进行了软硬件实现,验证表明,新算法及DSP处理实现了雷达数据实时轨迹滤波、预测及输出,引导数据随机误差减小1个数量级,能够满足测量设备引导需求,实现对快速目标的平稳跟踪。

UUVs集群协同定位的分散式增广信息滤波方法

无人水下航行器集群协同作业能够扩展单体UUV的感知范围,实现单体UUV无法或难以完成的复杂任务。由于水下环境的复杂性及UUV各传感器存在观测限制、时延等问题,传统分散式Kalman滤波方法所需要的庞大实时通信在实际中难以实现,使得当前UUVs集群协同定位为不严密的解算。本文提出一种以增广信息滤波为核心的UUVs集群协同定位分散式滤波方法,在顾及算法严密性的基础上实现了UUVs分散式协同定位。每个UUV平台根据本地的传感器数据建立自己的状态链,同时广播自己的观测信息,各个平台协同完成信息矩阵的Cholesky修正。基于严密的数理理论证明了所提出的UUVs协同定位的分散式滤波与集中式滤波的一致性,并与传统方法进行对比分析。理论仿真分析表明,较之传统方法单体UUV的观测更新或两个UUV之间的相互观测都会导致UUVs集群全体状态更新,本文方法使得观测更新仅与观测直接涉及的UUV相关,有效地降低了通信载荷,实现观测信息的即插即用,扩展性良好。

基于增秩Kalman滤波的移动车辆荷载在线识别

提出了一种基于增秩Kalman滤波(augmented Kalman filter,AKF)的移动车辆荷载在线识别方法。将车辆荷载向量与桥梁结构状态向量联立构成增秩状态向量,基于AKF算法,利用桥梁状态空间方程和少量振动响应获得增秩状态向量的无偏最小方差估计,进而实时识别车辆荷载。以简支梁-弹簧质量车桥耦合系统为数值分析对象,研究了基于AKF算法的移动车辆荷载识别方法的可行性和准确性,详细讨论了路面不平度、车速、噪声、传感器组合和采样频率对识别误差的影响。结果表明,所提方法能准确识别荷载,且对噪声和车速不敏感。

基于增秩Kalman滤波的动态荷载识别和结构响应重构

针对传统的荷载识别方法受不适定性问题影响导致识别误差较大,且受传感器数上的限制也无法监测所有结构易损伤位置处振动响应的问题,提出了一种基于增秩Kalman滤波(augmented Kalman filter,AKF)算法的动态荷载识别和结构响应重构方法.基于结构状态空间方程,形成由荷载向量和状态向量组成的增秩状态向量(augmented-rank state vector,ASV),利用Kalman滤波算法获得增秩状态向量的最小方差无偏(minimum variance unbiased,MVU)估计,实现了状态和荷载向量的同时识别.结合最优状态估计和观测矩阵,实现了未布置传感器处的结构动力响应重构.通过三个有限元案例,初步验证了该方法的可行性和有效性.结果表明,当荷载位置固定或移动时,所提方法均能有效地识别荷载和重构响应,精度较高且对测量噪声不敏感.传感器的种类、数量和布置位置对荷载识别和响应重构精度会有一定影响.

基于增广伪距辅助的容错导航层次滤波方法

针对惯性卫星组合导航系统中卫星信号易受干扰且卫星出现单星、双星故障等问题,提出一种基于增广伪距辅助的容错导航系统设计方案,并在信息融合策略中采用层次滤波算法对系统故障进行检测与隔离,以提高系统的容错性和精度。在罗兰C/惯性/卫星组合导航的系统框架下,研究了基于层次结构的容错滤波算法,利用各层滤波器滤波解的偏差信息构造检测统计量,实现对少星条件下多故障的检测和排除。仿真结果表明,方案能有效地实现导航卫星数有限情况下的双星故障检测、隔离和系统重构,且导航计算过程保持了良好的算法连续性、稳定性和系统精度。

基于状态增广的修正迭代扩展卡尔曼滤波

针对修正迭代扩展卡尔曼滤波一次迭代后系统状态和估计状态不与测量噪声之间保持相互独立的问题,将测量噪声增广到状态变量中,提出了基于状态增广的修正迭代扩展卡尔曼滤波。然后将该滤波方法应用到基于雷达测量的再入飞行器目标跟踪问题中,仿真结果表明:与修正迭代扩展卡尔曼滤波和传统的扩展卡尔曼滤波相比,该滤波方法具有更快的收敛速度和更优的估计精度。

通过Washout滤波算法对自振荡系统进行反馈镇定

由Andronov-Hopf分岔演化而成的自振荡系统与对应的线性化系统在结构上不再具有相同的微分流型,而是会表现出多维非线性耦合特征。有研究借助Washout滤波的瞬态保留特性构建控制策略对自振荡系统进行反馈镇定,但所需的滤波器个数一直无法定量确定。基于Andronov-Hopf分岔标准形式的分析,探讨使用两个Washout滤波对造成自振荡的二维非稳态变量进行反馈镇定化。考虑到基于状态空间法的反馈设计可能会导致滤波算法具有高阶特性,进而使设计结果与Washout滤波元件提供的模拟信号不匹配,通过分析闭环系统Laplace变换的极值问题将多维、高阶滤波系统对角化并降维。研究发现,通过向形成共轭复数特征值的两个状态量引入两个Washout滤波,将原n维自振荡系统转化成n+2维增广系统,状态–输出通道需构建的Washout滤波具有相同的滤波参数,其值为辅助矩阵P的迹。一个自振荡反应过程仿真实例进一步验证了所得控制方案的可行性与有效性。

基于自适应的增广状态-交互式多模型的机动目标跟踪算法

现有的增广状态-交互式多模型算法存在着依赖于量测噪声协方差矩阵这一先验信息的问题。当先验信息未知或不准确时,算法的跟踪性能将会下降。针对上述问题,该文提出一种自适应的变分贝叶斯增广状态-交互式多模型算法VB-AS-IMM。首先,针对增广状态的跳变马尔科夫系统,该文给出了联合估计增广状态和量测噪声协方差矩阵的变分贝叶斯推断概率模型。其次,通过理论推导证明了该概率模型是非共轭的。最后,通过引入一种“信息反馈+后处理”方案,提出联合后验密度的次优求解方法。所提算法能够在线估计未知的量测噪声协方差矩阵,具有更强的鲁棒性和适应性。仿真结果验证了算法的有效性。

一种基于增广EKF的移动机器人SLAM方法

针对移动机器人同步定位与地图构建(SLAM)过程中系统测程法误差累积问题,采用测程法误差模型和车轮速度误差模型的映像关系,结合增广扩展卡尔曼滤波(AEKF)算法结构和实际机器人模型,提出了一种有效提高定位精度的SLAM方法。将机器人速度校正参数附加到卡尔曼滤波算法的向量空间中,以形成增广状态空间,同时预测和更新了SLAM初始状态空间和速度校正参数,笔者在线实时修正机器人的速度和航向角,避免积累航向角误差,从而降低了测程法误差。基于均方根误差和归一化估计方差进行了仿真实验分析,研究结果表明:与EKF-SLAM相比,所提出的方法具有更好的估计性能,使算法保持良好的一致性,大幅度提高了机器人自身定位精度和路标估计准确度。

数据增广下的人脸识别研究

随着计算机技术的发展和应用,人脸识别技术以其具有的非强制性、非接触性、并发性等优势得到了越来越广泛的应用。大规模数据是提高基于深度学习人脸识别准确率的关键因素,但往往数据不易获得,并且存在训练数据缺乏测试数据样本的情况,如模糊、亮度失真和腐蚀感画质样本等。针对训练数据缺乏问题,提出了利用滤波、亮度调节和腐蚀操作3种传统图像处理方法10种增广方式增加数据量和数据的多样性,进而提高识别算法的性能。将原始数据和增广数据作为训练数据训练模型,选择从不同地方拍摄的视频上截取的人脸图像组成了四个测试集,实验结果表明,增广数据与测试集样本存在一致性时,增广方式对提升识别性能都有一定的效果,其中最好的效果是对图像整体调亮时在一个测试集上的识别率提高了4.02%。

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。

有色噪声条件下的实用Kalman滤波方法研究

Kalm an滤波技术是现代信息处理中的重要工具,但是基本的Kalm an滤波基本方程中要求系统噪声和量测噪声必须为互不相关的均值为零的白噪声过程,限制了应用的范围。该文研究了在系统噪声和量测噪声都是有色噪声条件下的Kalm an滤波方法,运用状态扩充法和量测扩增法推导了全套的滤波方程,拓宽了Kalm an滤波器在工程中的应用范围。

基于IAAKF算法的结构激励识别与响应重构

针对传统卡尔曼滤波(Kalman filter,KF)算法实际应用于响应重构时,需要已知结构外部激励并预设先验恒定噪声方差的问题,提出了一种基于IAAKF(innovation-based adaptive augmented Kalman filter)算法的结构激励识别与响应重构方法。首先,基于增广状态空间模型将外部激励向量与状态向量联合构成增广状态向量,并根据增广新息统计特性实时自适应地调整卡尔曼滤波增益和状态估计误差协方差矩阵;其次,仅借助加速度传感器根据模态法来识别锤击激励,并且重构出加速度、速度、位移以及应变响应等数据;最后,对起重机桁架和简支梁分别进行数值模拟和试验分析。结果表明,所提方法能够有效地自适应调整噪声方差和识别结构外部激励,从而实现结构响应重构。

带有色量测噪声的非线性系统Unscented卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter,UKF)要求噪声必须为高斯白噪声,无法解决带有色噪声的非线性系统滤波问题.为此,本文提出了一种带有色量测噪声的UKF滤波新算法.首先,基于量测信息增广和最小方差估计,推导出一类带有色量测噪声的非线性离散系统状态的最优滤波框架,接着采用Unscented变换(Unscented transformation,UT)来计算最优框架中的非线性状态后验均值和协方差,进而得到有色量测噪声下UKF滤波递推公式.所设计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题,数值仿真实例验证了其可行性和有效性.

多模序列图像目标跟踪的特征融合粒子滤波实现

针对图像制导中信息的模糊性和不确定性问题,将多源信息融合技术应用于红外/可见光双模复合成像制导。采用方差比测量的方法将特征选择问题转化为一个两类判别问题,并引入自适应特征选择机制;通过计算目标和背景间不同特征分布直方图对应的似然比,在高维特征空间中选择4个判别性较好的特征区分目标和背景,根据bahattacharyya距离建立跟踪所需的观测似然函数,在粒子滤波的框架下实现了算法对单模序列图像中目标的跟踪;引入跟踪性能品质度量因子和加权融合策略衡量多信源下对目标的跟踪性能,实现对双模序列图像中目标的稳健跟踪,解决了单一信源在特定因素下跟踪性能不理想的缺陷,提高了算法性能。仿真实验结果验证了算法的有效性。