基于改进平方根无迹粒子滤波的RAM类目标跟踪

RAM类目标运动复杂,对跟踪系统提出了更高的要求。针对粒子滤波在解决RAM类目标跟踪过程中存在的粒子退化等问题,通过无迹变换计算得出后验概率密度函数充当粒子滤波的先验概率密度函数,提高后验概率密度函数拟合程度,最终提高粒子的有效性。同时,在无迹变换过程中采用qr分解取代部分Cholesky分解,使输出信号方差矩阵保持非负性。最后,针对一段RAM类目标轨迹建立动力学模型,通过Matlab进行仿真,验证了该算法的有效性。

基于平方根UPF的电力系统鲁棒预测状态估计

针对辅助预测状态估计器在迭代计算中会出现状态预测误差协方差矩阵不正定,导致估计精度差甚至发散的问题,提出了基于平方根UPF的电力系统鲁棒辅助预测状态估计。该方法采用两种数学方法:矩阵Cholesky分解因子更新和矩阵QR分解,引入平方根技术动态更新状态预测误差协方差矩阵以保持状态预测误差协方差矩阵的正定性。运用MATLAB进行仿真模拟测试,结果表明:IEEE 30节点系统非高斯噪声测试中,平方根UPF电压相角的均方根误差平均值为UPF相应测试值的0.09%,平方根UPF电压幅值的均方根误差平均值为UPF相应测试值的0.14%;IEEE 57节点系统非高斯噪声测试中,平方根UPF电压相角的均方根误差平均值为UPF相应测试值的0.67%,平方根UPF电压幅值的均方根误差平均值为UPF相应测试值的0.57%。所提出的平方根UPF对解决辅助预测状态估计中状态预测误差协方差矩阵不正定的问题具有很好的效果,具有更高估计精度和鲁棒性。

基于平方根无迹滤波的滚转弹姿态估计

给出一种基于平方根无迹卡尔曼滤波器（SR—UKF）的滚转弹飞行姿态获取方法。使用一个双轴角速率陀螺构成滚转弹飞行姿态遥测系统，利用SR—UKF对遥测数据进行处理，以重构弹体飞行姿态。针对低速滚转弹姿态运动模型的强非线性，运用SR—UKF算法进行姿态运动估计，避免了扩展卡尔曼滤波（EKF）产生的线性化误差。运用低速滚转弹姿态运动模型，导出了一组基于SR-UKF的迭代滤波方程。将基于SR-UKF算法与EKF及UKF的估计结果进行了对比，仿真结果验证了算法的有效性。

基于超球体平方根无迹Kalman滤波算法的涡扇发动机气路部件故障诊断

研究了一种超球体平方根无迹Kalman滤波算法用来有效跟踪涡扇发动机气路部件发生渐变性和突变性故障的健康参数.该算法通过超球体单形采样来降低算法的计算量,采用测量残差协方差阵的平方根代替方差阵进行递推运算,提高了算法的计算效率和数值稳定性.分别采用扩展Kalman滤波算法、无迹Kalman滤波算法和超球体平方根无迹Kalman滤波算法对某型涡扇发动机进行仿真,结果表明:超球体平方根无迹Kalman滤波算法的滤波时间减少50%左右,能够实现渐变性和突变性故障中健康参数的准确估计,是一种有效的涡扇发动机气路部件参数估计和故障诊断方法.

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。

无迹卡尔曼滤波及其平方根形式在电力系统动态状态估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)的不足,将不需要对非线性系统函数进行线性化的无迹卡尔曼滤波(unscented Kalman filter,UKF)方法引入电力系统动态状态估计,采用生成Sigma点数量最少的比例最小偏度单形采样策略进行无迹变换。以IEEE 14系统为算例,仿真结果表明引入UKF后,估计结果的精度有所提高,但算法的效率较低,且数值稳定性较差。进一步引入平方根形式的UKF(square root UKF,SRUKF)模型,IEEE 14及IEEE 30测试系统的仿真结果证明:在不需要大量牺牲计算时间的同时,算法的数值稳定性得到了改善。表明SRUKF的引入对动态状态估计方法的改进是有效的。

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法——自适应平方根无迹卡尔曼滤波(NASRUKF)方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波(SRUKF)算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。

改进型平方根无迹卡尔曼曼滤滤波及其在无轴承永磁同步电机无速度传感器运行中的应应用用

平方根无迹卡尔曼滤波(SRUKF)解决了标准无迹卡尔曼滤波(UKF)中由于误差协方差阵负定而引起的滤波发散问题,保证了算法的数值稳定性,但仍存在对模型参数变化的鲁棒性差、收敛速度慢及对突变状态的跟踪能力低等缺陷.因此,本文提出一种改进SRUKF滤波,通过引入时变渐消因子和弱化因子,实时修正滤波增益矩阵和误差协方差平方根矩阵,实现残差序列正交,确保SRUKF滤波保持对目标实际状态的准确跟踪.将该算法在无轴承永磁同步电机无速度传感器矢量控制系统中进行仿真研究.结果表明:改进SRUKF非线性近似精度、数值稳定性及滤波精度更高,在系统状态突变或负载扰动时,鲁棒性更强,能够有效实现转速及转子角度的准确估计,确保转子稳定悬浮运行.

自适应平方根无迹卡尔曼滤波算法

将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法.该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整.该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果验证了算法的有效性.

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。

自适应平方根无迹滤波的雷达组网状态估计算法

从最小方差的角度分析了雷达组网无迹滤波(Unscented Filter,UF)状态估计的统计学本质,并且针对UF的Cholesky分解遇到非半正定矩阵容易发散、不准确滤波初值造成滤波发散以及异常扰动影响滤波效果等问题,提出将自适应平方根无迹滤波(Adaptive Square Root Unscented Filter,ASQUF)用于雷达组网状态估计,结合合理的滤波初始化策略,提高了UF的工程可用性。仿真验证表明,提出的ASRUF算法用于雷达组网空域目标状态估计时,初始化平稳无波动,工程可用性好,状态估计精度高,明显优于扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法。

基于平方根无迹卡尔曼滤波的混沌信号盲分离

针对现有卡尔曼盲分离算法在分离混沌信号时性能较差的问题,提出了基于平方根无迹卡尔曼滤波器(SRUKF)的混沌信号盲分离方法。该方法采用递推方式实现,在每一次递推中,首先将分离向量作为状态变量进行卡尔曼估计,然后将分离向量视为已知量,再次利用SRUKF重建源信号,从而得到源信号在最小均方误差意义下的优化估计。实验仿真表明,所提算法能够快速收敛,并且在噪声环境下估计误差比现有的卡尔曼盲分离方法明显减小。

雷达组网交互多模型自适应平方根无迹滤波算法

针对雷达组网对空域目标滤波估计时目标机动建模问题和系统非线性滤波建模问题,提出了交互多模型自适应平方根无迹滤波(IMM-ASQUF)算法,该算法融合了交互多模型算法对目标机动模型的自适应机动建模能力和自适应平方根无迹滤波(Adaptive Square Root Unscented Filter,ASQUF)处理非线性高斯噪声系统良好的滤波估计性能,避免了UF的Cholesky分解遇到非半正定矩阵容易发散、不准确滤波初值造成滤波发散以及异常扰动影响滤波效果等问题,较好地解决了机动建模问题和非线性滤波建模问题。仿真验证表明,构造参量的IMM-ASQUF估计计算精度高,机动跟踪自适应性强,工程可用性好。

平方根无迹卡尔曼滤波仅测角导航的空间交会闭环协方差分析方法

针对基于仅测角导航的空间交会问题,开展了采用线性协方差进行闭环控制误差快速分析方法的研究。建立了基于平方根无迹卡尔曼滤波(Square Root Unscented Kalman Filter,SRUKF)的仅测角导航算法并推导了观测敏感矩阵,构建了基于多脉冲Hill制导的闭环控制线性协方差分析模型。算例验证结果表明:提出的闭环控制协方差分析结果与Monte Carlo打靶结果能够很好地吻合;该方法适用于采用传统扩展卡尔曼滤波(Extended Kalman Filter,EKF)的仅测角导航问题,但其迹向位置的估计存在一个与该方向控制误差方差相当的偏心,其误差椭圆的长轴和短轴分别比基于SRUKF的估计结果大24.68%和20.56%。此外,由于采用了QR分解和Cholesky因子更新两种高效的代数运算,基于SRUKF的协方差分析模型的计算速度要比基于EKF的协方差分析模型的大10%。

平方根无迹卡尔曼滤波作球面变换的SOC估计

针对现有的电池荷电状态(SOC)估计方法存在计算推导过程复杂以及线性化精度低的缺点,提出了一种新的基于平方根无迹卡尔曼滤波在单位超球体中作球面变换的锂电池SOC估计方法。这种方法无需对非线性模型线性化且与传统的无迹卡尔曼滤波相比,通过球面变换得到的Sigma点也更少,从而降低了计算要求。修正了电池的二阶等效电路模型,然后给出了所提出估计方法的具体步骤。最后,通过实验对估计方法进行了验证,分析了所提出的方法在SOC估计精度和鲁棒性方面的性能。实验表明,所提出的估计方法能顺利地完成电池SOC的精确估计,估计误差最大仅为4.98%,估计精度受参数变化影响小,具有一定的鲁棒性。

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。

一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法

针对海洋背景噪声和水声传感器测量噪声大、信噪比低所导致的水下SLAM方法数据关联复杂、精度低的问题,提出一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法,该方法基于PHD滤波避免了复杂的数据关联,且在非线性函数高斯权重更新过程中引入平方根无迹变换,并进一步结合衰减记忆滤波,解决了由于模型误差和计算误差造成的协方差矩阵非正定和不对称性所导致的滤波发散问题,提高水下SLAM方法的精度.仿真实验将所提方法与RB-PHD-SLAM和UKF-PHD-SLAM方法进行对比分析,结果表明所提方法在对自身定位及地图特征估计精度上均有了明显的提高.

改进的强追踪平方根无迹卡尔曼滤波时变结构参数识别

地震作用下时变结构参数识别一直为研究者所关心,传统扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等方法存在时变结构参数跟踪识别能力弱、协方差矩阵开方时矩阵奇异导致计算不稳定等问题。基于平方根无迹卡尔曼滤波(SRUKF),提出一种改进的强追踪平方根无迹卡尔曼滤波(MSTSRUKF)方法。首先使用QR分解改进平方根无迹卡尔曼滤波算法中协方差矩阵平方根计算方法,使计算过程无条件数值稳定;其次改进滤波更新中协方差矩阵平方根的计算方法,同时引入观测矩阵的等价形式,保证算法的稳定性的同时,避免求解复杂系统的Jacobian矩阵;最后引入强追踪滤波技术,更新时间预测协方差矩阵,使算法具备时变参数跟踪能力。数值分析结果表明,MSTSRUKF算法能有效识别线性和非线性系统突变参数,同时能较准确地预测结构状态,计算过程中数值稳定,算法具有较强的抗噪性。

基于无迹Kalman滤波的车辆速度和质心侧偏角的估计

为满足车辆主动安全控制功能需求,需提升车辆在强非线性特性下的状态观测精度,提出一种基于无迹Kalman滤波(UKF)的模块化车辆横纵向速度状态观测器结构。该结构利用车载传感器信息,结合UKF观测纵向和横向速度,根据质心侧偏角的定义,计算车辆质心侧偏角。在干燥路面上,进行数字仿真以及实车实验。结果表明:在强非线性状态下,基于UKF的车辆质心侧偏角估计的仿真结果的均方根误差(RMSE)为0.425°,实车实验的RMSE为0.001°,而使用扩展Kalman滤波(EKF)估计的仿真结果 RMSE为0.968°,实车实验的RMSE为0.009°。因此,UKF可以抑制车辆行驶中的干扰对观测的影响,使本观测器结构有较高的观测精度,可满足工程需要。

基于自适应平方根无迹卡尔曼滤波算法的锂离子电池SOC和SOH估计

为提高锂离子电池荷电状态（state of charge,SOC）的估计精度并准确估计健康状态（state of health,SOH）,以二阶RC等效电路模型为研究对象,基于Sage-Husa自适应滤波的思想,对传统的平方根无迹卡尔曼滤波（square-root unscented Kalman filter,SRUKF）进行改进,提出一种自适应SRUKF（adaptive square-root unscented Kalman filter,ASRUKF）算法,该算法通过对状态方差阵和噪声方差阵平方根的递推估算,确保了状态和噪声方差阵的对称性和非负定性。验证结果显示,相比于SRUKF算法,ASRUKF算法能够得到精度更高的SOC估计值,并在FUDS工况下将最大SOC估计误差降低4%。针对电池欧姆内阻和容量参数随着电池的老化而变化的现象,对内阻和容量进行实时在线估计,在此基础上完成对SOH参数的预测。验证结果表明,联合估计算法对电池的欧姆电阻和容量有一个较好的估计,进一步提升了电池状态的估计精度。