强跟踪卡尔曼滤波器的研究与应用

针对无人机速度信号估计存在噪声等问题,研究一种基于强跟踪滤波与卡尔曼滤波对未知信号进行估计的滤波算法。在预测先验误差协方差时引入渐消因子,减弱过去数据对滤波效果的影响,从而提升滤波器的响应速度与精度。对无人机自驾仪估计的速度信号进行滤波处理。结果表明,强跟踪卡尔曼滤波器信号响应更快,超调更小,精度更高。

基于强跟踪卡尔曼滤波的陀螺信号处理

针对陀螺传感器测量精度低,严重影响航空光电稳定平台视轴稳定精度的问题,设计了强跟踪卡尔曼滤波器。根据时间序列分析法的基本原理,对经过预处理的陀螺原始量测数据进行AR模型建模,根据该AR模型采用状态空间法设计卡尔曼滤波器,同时为了增强系统的鲁棒性,引入强跟踪算法对卡尔曼滤波中的状态预测方差进行实时调整,构造了强跟踪卡尔曼滤波器。阐述了该算法的理论、原理,并且在某型航空光电稳定平台上进行试验验证。试验结果表明:强跟踪卡尔曼滤波器输出信号的方差减少了44.1%,分散程度降低,同时,相较于巴特沃斯滤波器,最大超调量减少13%,上升时间缩短了3ms,调整时间缩短了37.5ms,使平台具有良好的动态性能。研究表明,强跟踪卡尔曼滤波器可以提高航空光电稳定平台的精度,有较高的实用价值。

强跟踪卡尔曼滤波在视频目标跟踪中的应用

针对经典卡尔曼滤波器在滤波数学模型与实际过程的数学规律不匹配、滤波特性较差的情况,提出利用强跟踪卡尔曼滤波器对视频序列图像中的运动目标进行跟踪。该方法是在经典卡尔曼滤波递推公式中的一步验前误差方差阵中引入可在线计算的时变渐消矩阵,从而调节增益K,使之能够不断变化,保证对新息序列的自适应调节,使状态滤波更准确。实验结果表明,较之经典卡尔曼滤波,该方法具有对运动目标更强的跟踪能力,跟踪精度更高,均方误差更小。

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.

自适应强跟踪卡尔曼滤波在陀螺稳定平台中的应用

考虑陀螺稳定平台速度环控制系统含有陀螺测量噪声,设计了带有系统参数扰动迭代估计的自适应强跟踪卡尔曼滤波器,并与模型参考控制系统相结合,然后将其与现有的PI控制系统进行扰动隔离性能的系统仿真对比实验及其结果分析.实验结果表明,所提出的自适应强跟踪卡尔曼滤波器可以进一步提高扰动控制系统的隔离度性能,尤其在把非线性摩擦力补偿一半的情况作为未建模的不确定因素影响情况,所设计的滤波器不但能够稳定地工作,而且模型参考自适应控制系统和PI控制系统的隔离度性能都有明显的提高.

基于弯道自适应强跟踪卡尔曼滤波的侧向坡度估计算法

道路的侧向坡度直接影响车辆侧向运动,侧向坡度估计已成为智能汽车稳定控制系统的关键部分之一。然而,侧向坡度与车身侧倾之间存在耦合,且侧向力估计困难,准确的侧向坡度估计难度较大。为此,提出了一种基于加速度传感器的可拓融合侧向坡度估计算法:首先,提出加速度传感器模型和车辆侧倾模型,采用弯道自适应强跟踪卡尔曼滤波算法(CASTKF)对侧向坡度进行估计;然后,提出基于侧向加速度传感器的直接估计方法,防止CASTKF算法在失去可观性后的错误估计;再后,利用可拓算法对两种模式的估计值进行数据融合;最后,采用硬件在环测试(HIL)验证所提算法的有效性。结果表明,智能汽车的侧向坡度估计中采用CASTKF融合算法具有更高的精度和鲁棒性。

基于强跟踪卡尔曼滤波的锂电池SOC估算研究

作为电池管理系统技术的核心,SOC的估算已受到越来越多研究者的重视,能否准确估算SOC对电动汽车的发展具有非常重要的意义。针对传统的扩展卡尔曼滤波算法存在由于模型简化导致的在电流突变时对状态变量跟踪效果不佳的问题,文章在此基础上提出了强跟踪卡尔曼滤波算法。并在相同的条件下用两种算法对电池SOC进行了估算,仿真实验结果表明,与扩展卡尔曼滤波算法相比,在电流多变的工况下,强跟踪卡尔曼滤波算法具有较高的精度。

强跟踪滤波器在高动态GPS信号跟踪中的应用

为解决在高动态环境下GPS接收机跟踪环路中频信号失锁的问题,提出了一种基于线性强跟踪卡尔曼滤波器(STKF)理论的GPS信号跟踪环路.此跟踪环路以码鉴相器和载波鉴相器输出作为观测量,利用线性强跟踪卡尔曼滤波器对高动态环境下的码相位误差、载波相位误差、多普勒频率误差以及多普勒频率变化率误差进行估计,并将估计结果反馈给跟踪环路的数控振荡器,从而产生准确的本地载波和本地码.仿真结果表明,在GPS信号载噪比为45 dBHz时,线性强跟踪卡尔曼滤波器跟踪环路在多普勒频率变化率为5.0 kHz/s时仍能可靠跟踪,而传统的基于PLL/DLL和环路滤波器的跟踪环路在1.8 kHz/s时已经失锁.

基于改进强跟踪滤波的广义系统传感器故障诊断及隔离

在广义系统故障诊断过程中,若系统动态模型中存在不确定性,传统的无迹卡尔曼滤波算法将失去其传感器故障估计精度。为解决该问题,提出一种改进的强跟踪卡尔曼滤波算法以实现广义连续-离散系统的传感器故障诊断及隔离。首先,提出基于多重渐消因子的强跟踪滤波算法以实现动态模型存在不确定性广义连续-离散系统的故障诊断;然后提出一种结合多模型自适应估计的强跟踪卡尔曼滤波(STUKFMMAE)算法以实现传感器故障的有效隔离。最后,针对基于广义连续-离散系统的惯性传感器故障模型提出仿真算例。仿真数据表明,传统无迹卡尔曼滤波对于传感器故障估计误差为0.002左右,而提出的基于多重渐消因子的强跟踪滤波算法对于传感器故障估计误差最大值为未超过4×10^(-4),且STUKFMMAE相较于UKFMMAE算法具有更好的隔离效果。仿真结果验证了设计方案的有效性。

机动目标跟踪领域的数据滤波技术应用

在机动目标跟踪数据处理过程中,由于飞点或目标机动造成的状态突变,常常导致卡尔曼滤波器发散,从而恶化跟踪效果,本文针对异常值的特点分为飞点和突变值两类分别处理,通过预处理和强跟踪卡尔曼滤波器使对机动目标跟踪达到较好的效果。

基于角速度估计的MEMS陀螺随机误差动态滤波方法

针对MEMS陀螺仪受随机误差影响较大需要进行滤波处理,采用时间序列分析法建立的随机误差模型无法直接用于动态条件下滤波的问题,提出了一种基于角速度估计的随机误差动态滤波方法。首先,采用时间序列分析法对MEMS陀螺仪随机误差进行分析与模型构建;然后,将角速度估计假设模型建模为三维线性模型,并与陀螺仪随机误差模型结合构建动态滤波模型;最后,采用强跟踪卡尔曼滤波方法直接估计出角速度值以实现对随机误差滤波,并进行试验验证。结果表明:无论是静态还是动态条件下,该滤波方法估计的角速度值精度均较高,可以有效降低MEMS陀螺仪的随机误差,提升MEMS陀螺仪精度。

基于人眼优先拟合的AAM人脸特征点跟踪

使用主动外观模型(active appearance model,AAM)对人脸特征点进行跟踪时,当人脸姿态出现大幅度偏转以及初始位置与目标人脸偏离较大时,将导致人脸特征点跟踪失败。针对以上问题,应用支持向量机算法估算出当前人脸的偏转角度并对人脸姿态偏转模型中的参数进行实时更新,有效解决人脸姿态大幅度偏转问题。使用强跟踪卡尔曼滤波算法进行人眼跟踪,将所获取的当前人眼位置坐标与人脸姿态相结合优先对人眼进行特征点拟合,当人眼特征点拟合完成后再对剩余人脸部件特征点进行拟合,提高了人脸特征点跟踪的稳定性与实时性。最后通过实验表明算法在视频人脸特征点跟踪的准确性、实时性和鲁棒性方面具有良好的性能。

考虑有色噪声影响的脉冲星导航2级强跟踪差分滤波器

为提高X射线脉冲星导航对有色噪声及太阳系内星历误差的鲁棒性,设计了2级强跟踪差分滤波器(TSTDKF)。首先在分析导航原理基础上,导出了中心天体星历误差对导航结果的误差传递关系,并利用扩展卡尔曼滤波器(EKF)进行了仿真验证;在同一运行轨道上,又结合引力摄动模型对第三天体引力摄动数据进行了分析,证明该部分噪声为有色噪声。根据以上结论,将普通2级卡尔曼滤波器(TKF)的无偏滤波器设计为一种改进的差分卡尔曼滤波器以降低有色噪声对导航系统的影响,同时又在其独立偏差滤波器中根据观测残差构建了多重自适应调节因子以增强其跟踪性能,两者共同构成TSTDKF的2个并行滤波器。通过仿真实验证明,TSTDKF的位置误差性能最大可比EKF和TKF改进56.49%和35.18%,速度误差性能改进27.66%和17.07%;对星历误差的跟踪效果也整体好于TKF。

基于双目立体视觉的船舶轨迹跟踪算法研究

双目立体视觉模型通过模拟人眼可以实现对目标距离的测量。为了获得水上船舶实时的运动状态,提出了一种基于双目立体视觉的船舶轨迹跟踪方法。首先,通过摄像机标定、线性空间点三维重建可以测得以相机为中心到船舶的距离,得到船舶的部分运动轨迹;其次,在双目立体视觉测距系统的基础上采用常速(Constant Velocity,CV)模型的方法对船舶运动建模;最后,对建立的船舶运动模型利用强跟踪卡尔曼滤波(Strong Tracking Kalman Filter,STKF)船舶轨迹跟踪的方法跟踪船舶的轨迹并估算目标船舶实时的运动状态。实验结果表明,基于双目立体视觉的船舶轨迹跟踪的方法能有效地跟踪船舶轨迹且适用于工程应用的需求。

一种自适应混合滤波铁塔姿态解算方法

姿态解算精度是制约铁塔姿态监测准确性的主要因素,针对低成本的惯性传感器存在精度低、抗干扰性较差的问题,提出一种自适应互补滤波与强跟踪卡尔曼混合滤波算法。首先利用互补滤波算法融合加速度计和陀螺仪传感器信息,根据载体非重力加速度调整PI控制器参数,自适应补偿陀螺仪角速度;再将滤波解算的角速度向量作为强跟踪卡尔曼滤波的输入矩阵,并通过比例因子实现对量测噪声方差自适应修正,最后经强跟踪卡尔曼滤波后得到姿态估计。通过转台设计静态和动态实验,实验结果表明:混合滤波在静态环境中能抑制姿态角波动,动态环境中能够较好地跟踪姿态变化。

独立驱动电动汽车质心侧偏角融合估计方法

针对传统质心侧偏角估计精度低、实时性差等问题,把四轮独立驱动电动汽车作为研究对象,提出一种基于强跟踪卡尔曼滤波及无迹卡尔曼滤波融合估计的质心侧偏角估计方法。由于汽车在侧向加速度较小时车辆动力学特性基本呈线性变化,此时通过强跟踪卡尔曼滤波快速估计,当汽车侧向加速度较大时车辆动力学特性趋于非线性变化,通过无迹卡尔曼滤波准确估计。最后将两种估计方法的数据融合,完成不同车速不同工况下对车辆质心侧偏角的估计。搭建Simulink-Carsim联合仿真平台对提出的方法进行验证,结果表明该方法在保证估计精度的同时具有较好的实时跟踪效果及鲁棒性。

电缆次周期扰动电压特征提取方法

电缆发生绝缘缺陷时会引发次周期扰动电压现象,提取扰动电压特征对及时检测绝缘缺陷、保障电缆安全运行具有重要意义。对此,提出了一种电缆次周期扰动电压特征提取方法。首先,通过试验获取电缆次周期扰动电压波形并定义扰动波形的时间和幅值两个特征参数。然后,通过STKF(强跟踪卡尔曼滤波)快速跟踪电压幅值变化,设置自适应参数抑制GMM(高斯混合模型)的参数波动,结合STKF与GMM提取扰动电压特征参数。最后,通过试验获取的扰动电压数据进行算法测试,并分析高斯混合模型中自适应参数、采样频率、检测算法的死区对特征参数提取的影响。MATLAB仿真结果表明,电压采样频率在2.25 kHz及以上时计算结果相对稳定,验证了所提方法能够提取电缆次周期扰动电压特征参数。

基于GPS定位导航的电力巡检PDA系统研发

本文以电力网的安全运营和线路巡检的高效、可靠性为主旨,研发基于GPS定位导航的电力巡检PDA系统。该系统以嵌入式GIS技术为核心,结合GPRS无线通信技术和数据库技术,结合Saga-Husa自适应滤波与强跟踪kalman滤波算法并以收敛性判断为依据,构建了改进的自适应滤波算法来提高PDA上的GPS定位精度,实现巡检过程的精确定位和数据采集,并智能导航野外巡检路径,通过GPRS和USB端口实现与服务器端的数据交互,确保巡检管理层人员实时掌握并监督管理野外巡检任务的执行情况。

列车橡胶弹簧参数识别方法研究

针对难以准确判断高速列车车下悬挂装置内橡胶弹簧是否失效的问题,提出了通过广义卡尔曼参数识别算法对装置的阻尼及刚度进行识别从而判断橡胶弹簧工作状态的诊断方法.针对卡尔曼滤波器跟踪速度不足的问题,应用自适应-强跟踪卡尔曼滤波算法对卡尔曼算法进行改进,提高辨识速度.通过对仿真信号及实测数据的辨识结果对滤波器性能进行了验证,结果表明自适应-强跟踪滤波器能够快速对参数进行跟踪.

一种电能质量扰动信号的联合去噪算法

传统的小波阈值去噪算法存在易丢弃真实信号、去噪效果差等缺点。该文提出了一种新的用于电能质量扰动事件的联合去噪算法。该算法首先通过强跟踪卡尔曼滤波的渐消因子大于1的次数,初步判定信号的扰动类型,然后对不同的扰动类型采取不同的去噪方法。对于仅含噪声的正弦信号和谐波信号用稀疏分解及快速傅里叶变换(FFT)做两次去噪;对暂升和暂降信号采用渐消因子准确地指示扰动起止时刻,将信号分段,并对每段信号用稀疏分解和FFT去噪;对含瞬态脉冲和暂态振荡的信号,采用不同的处理方法,首先通过稀疏分解得到稳态成分和暂态成分,对稳态成分的去噪方法与含噪声正弦信号的处理方法相同,对暂态成分的脉冲信号保留实际值,对振荡信号采用变分模态分解(VMD)去噪。大量的仿真计算表明,在不同的信噪比条件下,该文提出的算法均能够有效抑制各类扰动信号的噪声,显著提高了信噪比,且效果优于小波阈值去噪算法。