基于粒子群算法和平方根平淡卡尔曼滤波的北斗导航系统定位估计算法

为提高北斗定位系统(BDS)的估计精度,克服传统平淡卡尔曼滤波(UKF)算法中可能因状态量协方差矩阵失去正定性而导致滤波器发散的问题,将平方根平淡卡尔曼滤波(SRUKF)算法应用于BDS定位估计.在此基础上,为进一步提高SRUKF算法的性能,引入粒子群优化(PSO)算法,提出基于PSO和SRUKF算法的BDS定位估计(PSO-SRUKF)算法.结果表明,PSO-SRUKF算法可以降低系统噪声和测量噪声特性估计不准确带来的误差,有效提高了BDS定位精度和稳定性.

基于平方根无迹卡尔曼滤波算法的电动汽车质心侧偏角估计

针对电动汽车质心侧偏角不便使用传感器直接测量的问题,提出采用平方根无迹卡尔曼滤波(SR-UKF)算法来估计电动汽车质心侧偏角。基于建立的车辆侧向动力学模型、非线性轮胎动力学模型以及估计得到的质心侧偏角,使用最小二乘法对轮胎侧偏刚度进行估计,得到轮胎侧偏刚度信息。最后,通过试验验证了基于SR-UKF的电动汽车质心侧偏角估计算法具有较高的精度,能够为后续车辆稳定性控制系统的设计提供有效的车辆状态信息。

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降,通过构建强跟踪滤波器(strong tracking filter,STF)可以提升滤波算法的自适应性,但是构建STF时存在理论推导复杂、求解计算量大等局限和不足,针对上述问题,在平方根容积卡尔曼滤波(square-root cubature Kalman filter,SRCKF)的基础上,提出一种基于修正的自适应SRCKF算法。该算法通过设置判定门限和修正准则,直接对状态预测值或滤波增益进行修正以平衡先验的预测值和后验反馈的量测值在滤波中所占的比重,进而减小状态估计误差。仿真结果表明,所提算法具有在目标状态突变和量测非线性时的良好滤波性能和数值稳定性,同时相比较需要计算渐消因子的STF算法,该算法在计算量和收敛速度上具有优势。

基于平方根无迹卡尔曼滤波平滑算法的水下纯方位目标跟踪（英文）

为了避免被动跟踪中非线性带来的计算复杂化及跟踪精度的下降,提出将平方根无迹卡尔曼滤波平滑算法(SR-UKFS)应用到水下纯方位目标跟踪。SR-UKFS利用Rauch-Tung-Striebel(RTS)平滑算法将平方根无迹卡尔曼滤波(SR-UKF)作为前向滤波算法得到的目标状态估计向后平滑,得到前一时刻目标状态估计,再利用该状态估计值进行再次滤波得到当前时刻目标状态估计。该算法得到的前一时刻的目标状态估计更加精确,从而进一步提高了目标跟踪的精度。最后,通过对SR-UKFS算法和SR-UKF算法的跟踪性能进行了对比分析和验证,仿真结果表明在相同条件下,SR-UKFS算法能减少59%的位置误差和54%的速度误差,SR-UKFS算法应用于水下纯方位目标跟踪系统是有效的,为水下纯方位目标跟踪系统的工程实现提供了非常有价值的参考。

基于平方根无迹卡尔曼滤波的锂电池状态估计

在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)算法对SOC进行实时估计及更新。利用无迹变换(unscented transformation,UT)精确估计系统方程的均值和协方差,使估算值达到二阶精度。利用平方根算法保证状态协方差的半正定性,提高数字计算的稳定性。通过实验对比,验证了该算法的有效性。结果表明,该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC估计的实际需求。

平方根球形无味卡尔曼滤波机载无源定位算法

针对机载无源定位系统中,初始值误差和数值的舍入计算对无味卡尔曼滤波(un-scented Kalman filtering,UKF)算法的定位精度和滤波稳定性影响较大的问题,提出一种基于平方根球形无味的卡尔曼滤波算法(square root spherical unscented Kalman filter,Sqrt-UKFST)。该方法以单位超球体球面无味变换为基础,通过减少采样点数目和球面半径,保证所有采样点在一个单位超球体上,从而提高算法对初始值的鲁棒性,并采用平方根滤波提高算法的数值稳定性。对该算法进行100次Monte-Carlo实验,仿真结果表明,Sqrt-UKFST算法收敛速度快,滤波性能稳定;当初始状态估计误差较大时,Sqrt-UKFST算法的定位精度保持在30%以内,提高系统对初始值的鲁棒性。

基于平淡卡尔曼滤波的微弱GPS信号跟踪算法

在接收信号很微弱的情况下，全球定位系统（GPS）的传统方法不能很好地跟踪信号．文中采用非线性卡尔曼滤波算法取代传统的延迟锁定环和相位锁定环，用于高灵敏度GPS接收机的微弱信号处理环节，针对所提出的微弱信号系统模型中相关运算的特点，运用平淡卡尔曼滤波器进行信号跟踪．仿真结果表明，新方法能够较好地跟踪到载噪比低至27dB-Hz的微弱信号，确保了跟踪精度；同时具有较高的灵敏度．

基于新型自适应平方根容积卡尔曼滤波的RSOP均衡算法

针对相干光通信系统中,传统容积卡尔曼滤波(CKF)算法和平方根容积卡尔曼滤波(SCKF)算法对偏振态旋转(RSOP)均衡存在鲁棒性不足、泛化性弱等问题,提出了一种新型的自适应SCKF算法,以实现对RSOP的跟踪补偿。该算法通过引入平方根因子直接对过程噪声协方差矩阵的平方根进行自适应更新,避免了正定分解。同时引入残差判决检测机制,对当前时刻残差值与滑窗内残差均值进行比较,将比较结果作为是否进行自适应更新的判断条件,以提升算法运行速度。仿真结果表明,所提算法在RSOP方位角变化速率为40 Mrad/s时,误码率性能满足开销为7%的前向纠错阈值条件,且相对于CKF和SCKF算法,所提算法在不同调优参量初始值下均能稳定运行。所提算法能够快速跟踪补偿RSOP,即便在初始条件不理想的情况也能稳定运行,具有鲁棒性强的优点。

低成本MINS/GPS组合导航中卡尔曼滤波算法的综合应用研究

在基于DSP的低成本MINS/GPS组合导航系统中,针对DSP的实型变量位数不足的缺点,在卡尔曼滤波器的设计中同时运用了状态与偏差解耦算法和平方根算法,并推导出状态与偏差解耦-平方根算法的具体公式,既能减少计算量,又能增强滤波的数值稳定性。

基于平方根滤波的GPS/INS紧组合导航算法优化研究

在运用传统的紧组合导航卡尔曼滤波算法计算过程中,出现了一种现象,本应按滤波方程计算的估计误差随着时间的增加趋于零或者趋于一个稳态值。但估计值相对于实际上的值的偏差越来越大。从而使卡尔曼滤波器逐渐失去作用,这种现象称为滤波器的发散。论文对传统的卡尔曼滤波算法进行优化,分别运用了平方根滤波算法和传统的卡尔曼滤波算法进行了仿真实验,仿真分析结果验证了平方根滤波算法的可行性和有效性。

基于FFRLS和ASR-UKF滤波算法的锂电池SOC估计

锂电池在工作过程中,其内部参数易受多种因素影响,为提高锂电池在复杂环境下荷电状态(SOC)估计精度,以二阶戴维宁(Thevenin)等效模型为基础,结合遗忘因子递推最小二乘法(FFRLS)对模型参数进行在线辨识。针对传统卡尔曼滤波算法高度非线性及系统噪声不确定性等缺点,提出了一种自适应平方根无迹卡尔曼滤波(ASR-UKF)算法,该算法利用平方根算法处理均值和协方差,确保了状态协方差的半正定性和稳定性,并引入自适应滤波算法对噪声进行实时修正,消除了系统时变噪声影响。结果表明,FFRLS能有效解决数据饱和及算法矩阵计算量大的问题,等效模型精度高达98%。在混合动力脉冲特性(HPPC)测试和北京公交动态测试工况(BBDST)下,ASR-UKF算法SOC估计最大误差分别为3.264%和0.572%,具备更好的跟踪效果,验证了改进算法良好的收敛性与自适应性。

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波(EKF)在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波(UKF)算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。

基于SRCKF算法的植保无人机定位估计

基于高山丘陵地区地貌的复杂性、梯田间人工施药困难的背景下,针对植保无人机近地面喷洒任务的艰巨性,其自主导航定位技术的局限性,传统滤波估计算法对载体跟踪估计误差大、精度低、滤波不稳定等问题,提出了一种基于平方根容积卡尔曼滤波算法对植保无人机位置及姿态进行估计。较传统SRUKF、SRCDKF算法,文中算法既降低了状态量维数,又保证了数值计算效率及滤波精度。同等仿真环境下,实验结果表明,基于SRCKF-SLAM算法对载体位置估计精度最高,且稳定性最好;另外,在给定10°失准航偏角下,该算法对载体姿态角滤波估计,在近50 s内实现误差趋近于零,保证了植保无人机的精准导航。

基于FFRLS-SRUKF算法的锂电池SOC估计研究

传统无迹卡尔曼滤波在荷电状态(SOC)估计时主要面临两个问题:一是电池模型参数固定导致SOC估计精度低;二是协方差矩阵出现非正定时导致SOC估计失败。提出了遗忘因子递推最小二乘(FFRLS)算法结合平方根无迹卡尔曼滤波(SRUKF)的SOC估计算法。首先,建立二阶阻容(RC)等效电路模型。其次,利用FFRLS算法对电路模型参数在线辨识并实时修正电池等效电路模型,在此基础上使用SRUKF算法估计SOC。最后,通过间歇恒流脉冲放电和动态应力测试工况对所提算法进行验证。试验结果表明,该算法的平均绝对值误差低于0.0115、均方根误差低于0.012。与SRUKF算法相比,FFRLS-SRUKF算法具有更好的SOC估计性能,为电池管理系统解决锂电池的不一致性提供了可靠依据。

基于IST-RSCKF-MB的雷达多目标跟踪算法

针对多目标跟踪(MTT)算法存在较大的计算量问题,将改进渐消因子的强跟踪(IST)引入快速平方根容积卡尔曼滤波(RSCKF)中,并联合新息自相关矩阵和Murty算法确定最佳假设的多伯努利(MB)算法,提出改进强跟踪平方根容积卡尔曼多伯努利(IST-RSCKF-MB)的雷达多目标跟踪算法。仿真结果显示,所提出算法的运算效率和滤波精度比平方根容积卡尔曼多伯努算法、改进强跟踪平方根容积卡尔曼多伯努利混合算法、扩展卡尔曼多伯努利算法和无迹卡尔曼多伯努利算法均有不同程度提高,误差率分别减少0.36%、4.71%、14.75%和0.17%,适用于嵌入式目标跟踪算法实现。

基于非线性滤波和平滑相迭代的GPS定位估计算法

针对目前全球定位系统(GPS)单机定位精度较低的问题,提出一种新的定位估计算法.每一时刻点先用平淡卡尔曼滤波进行位置估计;然后,利用滤波结果对前一时刻点的位置估计进行平滑修正;接着,再用修正值进行滤波,得到当前时刻点更新的估计值,通过若干次迭代,得到最终估计值.后向平滑算法分别采用固定区间平滑和固定滞后平滑,前者适用于非线性系统模型,后者在平滑步长增大时,其计算量较小.实验结果表明,迭代算法能够有效提高定位精度,不仅可以应用于后验数据处理中,也可以应用于GPS实时定位估计.

基于非线性滤波算法的GPS与北斗定位研究

全球导航卫星系统GNSS可以提供全天时的三维位置信息和三维速度信息。传统只靠单一的导航系统不能满足系统的可靠性和完善性。为此提出GPS系统与北斗导航系统兼容定位方法,描述了测量模型和状态模型,并使用平淡卡尔曼滤波进行定位解算,在GPS和北斗导航系统环境下分别进行了单系统和多系统定位的验证、比较与分析。定位实验结果表明,与通用的最小二乘迭代法和扩展卡尔曼滤波等方法获得的结果相比,所提出的算法能获得更高的定位精度。当可见卫星数量发生跳变时,得出的滤波结果具有较高的精度和稳定性,特别是在卫星数比较少的情况下,通过组合两个不能单独定位的系统,可获得更高的融合定位精度。

未知新生目标先验下基于SCK-CBMeMBer的弱小目标检测前跟踪算法研究

该文针对红外弱小目标跟踪场景中未知新生分布先验信息且传统MeMBer会造成势低估的问题,提出一种基于平方根容积卡尔曼滤波势均衡多目标多伯努利的新生目标自动搜索算法并给出高斯混合实现。该算法首先将平方根容积卡尔曼滤波(SCK)算法引入到红外图像的多弱小目标检测跟踪中,用来实现CBMeMBer-TBD算法,同时结合新生目标自动搜索算法,自适应地产生新生弱小目标的分布,而势分布则通过CBMeMBer来实现。仿真实验表明,所提算法能够实现在新生目标未知场景下的红外弱小目标跟踪,且其跟踪精度与传统的MeMBer跟踪算法相比,有明显提高。

基于SVD的机动目标自适应滤波研究与仿真

由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响滤波算法的收敛速度和稳定性.该研究在机动加速度"当前"统计自适应卡尔曼滤波算法的基础上,引入了基于奇异值分解(SVD)的协方差平方根滤波的自适应卡尔曼滤波算法.仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点.

高动态下紧耦合组合导航改进UKF滤波器设计

由于紧耦合导航系统模型为非线性模型,采用线性化滤波方法,线性化误差将影响组合导航的精度,高动态下影响更为明显。UKF(平淡卡尔曼滤波器)避免了非线性系统模型的线性化过程,具有较好的精度。但在高动态条件下,随着滤波迭代计算的进行,舍入误差的积累会引起均方误差矩阵失去非负定性甚至对称性,使滤波增益矩阵失去合适的加权作用从而导致滤波器的发散。提出一种UKF改进算法,将平方根滤波与UKF相结合,避免了高动态下的滤波发散问题。通过仿真比较,基于Potter平方根算法改进的UKF紧耦合导航系统在高动态情况下具有更好的精度及鲁棒性。