非线性系统带次优渐消因子的扩展卡尔曼滤波

本文提出一种适用于一般非线性系统的带次优渐消因子的扩展卡尔曼滤波器。文中给出了求次优时变渐消因子的两种算法,并以数值仿真实例说明本文方法的有效性。

带渐消因子的Quadrature卡尔曼滤波

为了解决无源传感器机动目标跟踪系统非线性较强、传统的跟踪滤波方法不稳定容易发散的缺陷,提出了一种带渐消因子的QKF(FQKF)算法。该算法通过引入时变渐消因子来实时调整状态预测误差协方差阵、量测预测误差协方差阵及状态预测误差和量测预测误差之间的互协方差阵,利用公式推导得出渐消因子实际上是对状态传播积分点和量测传播积分点进行渐消,进而达到实时调整滤波器增益矩阵的目的。并通过算法的机理分析和仿真实验表明FQKF算法具有强跟踪滤波器(STF)的优良性能,能够克服QKF算法的缺陷,对于无源传感器机动目标跟踪中系统的突变状态具有较强的跟踪能力,较QKF算法稳定性有所提高,并且计算量适中。

自适应渐消无迹卡尔曼滤波锂电池SoC估计

精确的荷电状态(SoC)是锂电池安全高效运行的重要保障,文章针对传统无迹卡尔曼滤波(UKF)对非线性系统突变状态跟踪能力差,导致SoC估计精度低的问题,提出一种新型自适应渐消无迹卡尔曼滤波(AFUKF)SoC估计方法。首先,通过设计新型衰减因子对UKF误差协方差矩阵进行加权,并基于新型衰减因子完成AFUKF的设计,减小陈旧量测值对估计结果的影响,提高传统UKF的估计精度和跟踪能力。其次,基于自主实验平台测试数据,验证了本文所提AFUKF算法存在初始误差时,相较于传统UKF算法,ECE工况下平均绝对误差和均方根误差分别下降了47.95%和33.92%,DST工况下分别下降了36.40%和27.73%;相较于同类改进的AUKF算法,ECE工况下平均绝对误差和均方根误差分别下降了43.36%和33.51%,DST工况下分别下降了39.01%和25.63%。模型结果表明,相比于传统UKF算法以及同类型改进的AUKF算法,AFUKF具有更高的估计精度,且在相同初始SoC误差条件下具有更好的鲁棒性。

多渐消因子卡尔曼滤波及其在SINS初始对准中的应用

针对卡尔曼滤波在系统模型失配和未知干扰情况下鲁棒性差的特点,对于一类线性模型提出了多渐消因子卡尔曼滤波算法。该算法利用卡尔曼滤波取得最佳增益时残差序列互不相关的性质,可以在线自适应地调整多个渐消因子,从而对多个数据通道进行渐消,即使当滤波达到稳态时仍然可以调整滤波增益,使得该算法对模型失配和未知干扰有较强的鲁棒性。将该算法用于噪声统计不准确的SINS初始对准,数值仿真表明,当系统模型存在不准确情况时,新方法对航向误差角的估计精度较单渐消因子卡尔曼滤波和常规卡尔曼滤波分别提高了70%和43%,证明了该算法的有效性。

一种基于指数渐消因子的自适应卡尔曼滤波算法

本文应用自适应估计理论,提出了一种指数渐消因子自适应算法。该算法通过实测残差与理论残差的比值来确定指数方程的系数,调节自适应渐消因子,保证了滤波的稳定性,提高了滤波精度,并且冲破了经验储备系数的限制。最后对比其他三种自适应滤波算法进行了仿真比较,仿真结果表明,指数渐消因子自适应滤波算法是一种实用而有效的算法。

基于自适应多重渐消因子卡尔曼滤波的SINS初始对准方法

针对传统卡尔曼滤波器在模型失配和噪声时变情况下滤波精度下降甚至发散的问题,设计了一种新的多重渐消因子卡尔曼滤波算法。该算法通过一个基于渐消记忆指数加权的新息协方差估计器来计算新息协方差估计值,并依此引入多重渐消因子对预测误差协方差阵进行调整,使得各滤波通道具有不同的调节能力,克服了单渐消因子对多变量跟踪能力差的局限性,从而提高滤波算法的精度和鲁棒性。仿真和试验结果表明,新算法能有效抑制滤波器发散,其滤波精度和鲁棒性优于常规卡尔曼滤波与单渐消因子卡尔曼滤波,能够更好地满足工程应用的要求。

多渐消因子平方根容积卡尔曼滤波算法

针对平方根容积卡尔曼滤波(SCKF)在系统模型不准确和状态突变情况下鲁棒性差的问题,提出了一种多渐消因子平方根容积卡尔曼滤波算法(MSTSCKF);MSTSCKF引入强跟踪思想,通过多渐消因子实时调整增益矩阵,建立多渐消因子数值求解方法,克服多渐消因子求解依赖先验知识的不足;采用假设检验理论对系统异常进行检测,降低误判概率,提高滤波稳定性;通过仿真分析,比较了SCKF、单渐消因子平方根容积卡尔曼滤波(STSCKF)和MSTSCKF的算法性能,实验表明MSTSCKF具有更好的跟踪精度和鲁棒性。

一种新的多渐消因子容积卡尔曼滤波

将强跟踪思想引入容积卡尔曼滤波(cubature Kalman filter,CKF),建立强跟踪CKF能有效克服CKF在模型不确定、状态突变等情况下,滤波性能下降的问题;通过分析现有多渐消因子计算方法,发现它们均只利用了协方差矩阵的对角线元素,并没有考虑各个状态之间的相关性,不能充分发挥多渐消因子的优势;为此,提出渐消因子矩阵,基于正交原理推导渐消因子矩阵的求解方法,提出多渐消因子强跟踪CKF算法;多渐消因子强跟踪CKF算法突破了传统多渐消因子为向量的限制,也不再要求渐消因子取值要大于1;仿真验证了算法具有更好的滤波精度何鲁棒性,能更好的满足工程应用的要求。

基于新息协方差的自适应渐消卡尔曼滤波器

自适应渐消卡尔曼滤波采用渐消因子抑制滤波器的记忆长度,当系统模型和噪声模型建立不准确时,能够有效地抑制滤波器的发散。但是现有计算渐消因子的方法公式表达复杂,计算过程繁琐,不利于组合导航等一些实时的应用。针对这种情况,提出了一种利用新息协方差计算渐消因子的方法,通过渐消因子自适应地调整误差协方差,补偿不完整信息的影响。该方法计算量小,提高了滤波算法的可靠性。最后,仿真结果证明了该方法的有效性。

改进的渐消卡尔曼滤波在GPS动态定位中的应用

基于中长基线GPS动态定位模型和渐消卡尔曼滤波理论,提出构建新的渐消因子向量,通过对不同滑动窗口宽度设计一组平行滤波器,利用加权获得优化之后的协方差阵来改善中长基线中动态定位的精度.数据解算结果验证了该方法的正确性和可靠性.

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。

基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法

基于GPS/SINS组合导航系统的模型不准确,或者量测噪声多变所产生的滤波发散问题,研究了自适应渐消卡尔曼滤波对于滤波发散的抑制作用。提出一种利用新息协方差估计值和量测值实时自适应计算渐消因子的方法,用它调节卡尔曼滤波方程中预测误差协方差阵和增益矩阵。调整历史新息和当前新息的权重达到抑制滤波发散的目的。该算法能有效减少严格收敛判据推导渐消因子的计算量和限制条件,有效利用了当前新息值。仿真验证表明,提出的算法能有效抑制滤波发散;并且比常规卡尔曼滤波效果更佳。

基于渐消卡尔曼滤波器的永磁同步电机的仿真

使用带渐消因子的自适应卡尔曼滤波构造了永磁同步电机的速度观测器。该滤波器根据永磁同步电机的输出,在线自适应调整渐消因子,从而使滤波器在电机模型存在误差或电机受到外扰的情况下仍收敛并保持最佳,同时具有高收敛速率的特点。最后对基于渐消卡尔曼滤波器的永磁同步电机进行仿真实验。仿真结果表明,该观测器能有效地实现电机的转速观测,具有良好的动、静态特性。

一种用于机动目标跟踪的自适应渐消因子卡尔曼滤波

现有的自适应渐消因子卡尔曼滤波器(Adaptive fading factor Kalman filter,AFKF)在估计新息协方差矩阵需要一定的先验知识,且在高机动目标时无法实时调整,不利于高精度跟踪。针对该问题,提出了一种用于机动目标的自适应渐消因子卡尔曼滤波。该算法以新息向量与其协方差矩阵建立马氏距离,利用假设检验方法判断系统是否异常;根据新息向量马氏距离调节的双曲正切激励函数自适应改变迭代步长。

基于卡尔曼滤波的慕课学习行为智能预测方法

为了降低慕课退课率,提升慕课教学质量,研究基于卡尔曼滤波的慕课学习行为智能预测方法。利用华为nova 5 pro的IMX582型摄像头,采集慕课环境中的学习行为数据;利用自回归积分滑动平均模型,依据采集的学习行为数据,建立慕课学习行为观测模型,并转换成状态空间模型;以状态空间模型的计算结果为卡尔曼滤波的初始状态向量;通过卡尔曼滤波更新初始状态向量,获取慕课学习行为的智能预测结果;在卡尔曼滤波内引入渐消因子,以及协方差匹配判据的方法,补偿卡尔曼滤波内后验协方差矩阵的不确定性,修正卡尔曼滤波输出的慕课学习行为智能预测结果。实验证明,该方法智能预测精度较高,应用该方法后可有效降低慕课退课率,提升学习者的学习活跃度。

基于改进自适应渐消卡尔曼滤波的通用航空GNSS/微惯性组合导航算法研究

通用航空产业的迅速发展,对我国的经济发展和改善民生有着重要的意义。考虑到通用航空飞行器体积和成本的限制,微小型组合导航系统是其首要选择。在硬件性能无法进一步提升的条件下,使用高效的卡尔曼滤波算法是提高组合导航系统精度和稳定性的关键。针对卡尔曼滤波模型建立不准确和卫星数据响应滞后会引起常规卡尔曼滤波发散的现象,在充分考虑反馈调节时滞特性的基础上,设计了带有前馈调节的指数渐消因子自适应卡尔曼滤波器,通过调节卡尔曼滤波方程中的预测误差协方差阵和增益矩阵调整历史新息和当前新息的权重达到抑制滤波发散的目的。仿真实验表明,该算法可以有效的抑制滤波发散,并且比常规的卡尔曼滤波效果更好,同时提高了算法的及时性。

基于卡尔曼滤波的Galileo动态定位

采用一种Galileo动态定位滤波的方法,该方法从Galileo接收机输出的定位结果入手,将各种误差因素的影响等效为一个总误差,对Galileo接收机的机动载体加速度采用当前统计模型,利用线性卡尔曼滤波器进行动态定位数据的处理,并将带次优渐消因子的卡尔曼滤波算法应用到Galileo动态定位中。本模型简单,实时性好,滤波后定位精度得到提高。

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。

基于卡尔曼滤波器的高动态GPS载波跟踪环

为解决传统锁相环(PLL)在高动态环境下对全球定位系统(GPS)信号的跟踪精度问题,将自适应渐消滤波和二级卡尔曼滤波相结合研究了一种新的自适应二级卡尔曼滤波算法,并且提出了一种利用新息协方差计算渐消因子的方法,通过自适应渐消因子在线调节误差协方差矩阵补偿不完整信息的影响,使滤波器在系统模型不完整或者噪声统计特性不准确时仍接近最优。基于自适应二级卡尔曼滤波算法提出了一种高动态GPS载波跟踪环的设计方案。仿真结果表明,提出的方案较传统PLL的跟踪精度有显著提高,频率跟踪精度提高到9.28Hz。

双重遗忘卡尔曼滤波PMLSM无位置传感控制研究

针对EKF估计PMLSM位置存在模型不精确、噪声统计特性不确定时估计精度不高,且有可能导致滤波发散的问题,提出一种双重遗忘卡尔曼滤波法,它是在EKF的基础上引入自适应渐消因子,实现第一重遗忘,引入Sage-Husa自适应滤波法,实现第二重遗忘。实验表明:该方法不论是同步速度还是负载突变,均按正弦规律递减,负载突变前、后速度稳定误差最大值分别为0.469%、0.943%,最终将稳定在0.167%附近,跟踪效果随仿真时间的加长而更好。