基于递归本征正交分解与强跟踪扩展卡尔曼滤波的结构损伤识别

针对目前已有损伤识别方法难以实时跟踪结构损伤且计算量大的问题,提出了一种基于递归本征正交分解(recursive proper orthogonal decomposition,RPOD)与强跟踪扩展卡尔曼滤波(strong tracking extended Kalman filter,STEKF)相结合的模型降阶与结构损伤在线识别方法,对动载荷作用下的结构损伤识别进行了研究。利用RPOD方法在线更新并实时建立反映结构状态的降阶模型,解决未知载荷作用下多自由度结构动力分析计算量大且难以收敛的问题,同时跟踪损伤的演化并对其进行定位;通过STEKF方法跟踪降阶模型的状态向量,识别因损伤而退化的降阶模型参数。分别采用六层剪切型框架的数值模拟与三层钢框架的模型试验验证了该方法的可行性,结果表明,所提出的方法能够准确建立降阶模型并跟踪降阶模型参数的时变历程,同时可以有效地识别出剪切型建筑结构损伤的位置和程度,即使在处理高程度噪声时仍有较高的精度。

基于扩展卡尔曼滤波的交互式多模型跟踪算法研究

在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文中提出一种基于扩展卡尔曼滤波的交互式多模型跟踪(IMM-EKF)方法,适用于毫米波雷达对行人进行轨迹跟踪。首先,在扩展卡尔曼滤波算法(EKF)的基础上重构状态预测协方差矩阵,来补偿EKF非线性化过程中引入的误差;然后将改进的EKF作为交互式多模型算法(IMM)中的滤波器,根据行人运动特性选择匀速模型和协调转弯模型作为跟踪模型,利用所提出的IMM-EKF算法进行轨迹跟踪。实验结果表明,所提出的滤波算法较典型的EKF和改进的EKF算法,在跟踪滤波精度方面均有所提升,同时具备更优的跟踪鲁棒性。

基于扩展卡尔曼滤波的农机路径跟踪控制算法研究

智能农机的路径跟踪精度受田地地形、农机结构等多因素的影响,会导致压坏滴灌带等严重后果。以棉花播种机为研究对象,提出一种由Stanley跟踪算法和线性二次最优控制(LQR)算法组成的切换式跟踪算法,引导农机快速入线和保持直线精度;另外为消除静态横向误差,加入针对航向角误差的扩展卡尔曼滤波器(EKF)。仿真结果显示,切换式跟踪算法在进入目标直线后可有效消除静态横向误差。实车试验结果表明,当给定初始横向误差为0.5 m,速度为3.6 km/h时,入线时间为6.88 s,超调量为0.041 m;当给定初始横向误差为0 m,速度为3.6 km/h时,直线跟踪精度控制在±0.025 m范围内,满足实际农机高精度的直线作业要求,表明该算法具有良好的跟踪精度和抗干扰能力,有利于提升农业生产效率。

改进的自适应扩展卡尔曼滤波雷达目标跟踪算法

卡尔曼滤波是雷达目标跟踪场景最常用的目标状态跟踪估计算法,但针对非线性运动模型和噪声模型适配失配后,其滤波算法跟踪精度会出现下降。针对这些问题,提出一种机动目标场景下改进自适应扩展卡尔曼滤波的雷达目标跟踪算法,通过目标位置偏差范围来修正预测的位置信息,使用BP神经网络算法来自适应进行扩展卡尔曼滤波(extended kalman filter,EKF)算法预测信息结果的修正;根据噪声影响情况,提出基于实际情况可调的更新因子,用于进行修正后的EKF预测位置信息、测量信息和修正后的BP-EKF预测信息值的权重处理,基于优化模型,自适应选择最优的位置预测信息。仿真分析表明,所提出的算法在目标跟踪的滤波精度和稳定度都得到提升。

基于自适应插值强跟踪扩展卡尔曼滤波的电力系统动态状态估计研究

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法在电力系统状态估计时存在鲁棒性差,精度被非线性系统的非线性程度制约大等缺点,提出一种自适应插值强跟踪扩展卡尔曼滤波(adaptive interpolation strong tracking extended Kalman filter,AISTEKF)算法,用于电力系统的动态状态估计。新算法利用自适应插值在两个连续采样点之间增加伪量测值,减小了EKF的线性化误差,有效提高了算法估计的精度;此外,该方法在EKF算法基础上引入强跟踪理论,增强了算法估计的鲁棒性。为验证所提出方法的有效性,分别运用EKF算法、自适应插值扩展卡尔曼滤波(adaptive interpolation extended Kalman filter,AIEKF)算法和AISTEKF算法对IEEE-5节点系统和IEEE-30节点系统进行动态状态估计。实验结果表明,与EKF和AIEKF算法相比,无论在高斯噪声环境下还是3种有偏噪声环境下,AISTEKF算法的电压幅值估计精度和电压相角估计精度都有显著性提高。所提出的新算法是一种鲁棒性好且估计精度高的电力系统状态估计方法。

基于YOLOv5s与扩展卡尔曼滤波的人体跟踪器设计

YOLOv5s在COCO数据集上的预训练权重可以检测出人体目标,然而对于特殊的人体姿态无法识别。提出了一种基于YOLOv5s与扩展卡尔曼滤波的跟踪器,当YOLOv5s能检测出人体目标时,对扩展卡尔曼滤波进行初始化,当YOLOv5s无法检测时,由扩展卡尔曼滤波进行跟踪,在先验结果创建候选区域,使用差异值哈希匹配出最优候选区域作为观测值,从而更新目标位置,实现人体检测的连续性。实验结果表明,在跟踪精度上所提出的跟踪器与“真实边界框”的重叠率为50.65%,中心位置误差为51.78像素,在实时性上优于KCF和TLD跟踪器,帧率比KCF跟踪器快了26 frame/s。

基于卡尔曼和扩展卡尔曼滤波的耦合载波跟踪方法

鉴于低信噪比高动态环境下的载波跟踪过程中,接收信号存在显著的各阶频偏变化率,故提出了一种基于卡尔曼和扩展卡尔曼滤波的耦合载波跟踪方法。载波跟踪通过基于卡尔曼滤波的锁频环辅助基于扩展卡尔曼滤波的锁相环来实现,对频率斜升信号和频率加速信号分别进行了载波跟踪环路结构的分析,得到系统方程,并进行了载波跟踪系统性能仿真。经仿真验证,在信噪比为-20 dB条件下,该方法跟踪频率斜升信号收敛时间小于60 ms,跟踪频率加速信号收敛时间小于90 ms,对两种信号的频率跟踪残差均小于5 Hz,相位跟踪残差均小于0.25rad,跟踪性能显著优于传统环路。

基于强跟踪-扩展卡尔曼粒子滤波的巡航段自主导航方法

通过对探测器巡航段状态方程和观测方程非线性问题的研究,提出一种强跟踪扩展卡尔曼粒子滤波(ST-EPF)算法,并将其应用于巡航段自主光学导航的方案中,由此来实时确定探测器的轨道。所提出的改进粒子滤波算法是将强跟踪扩展卡尔曼滤波引入粒子滤波来更新粒子,产生重要性密度,缓解粒子退化和样本贫化问题,以提高导航系统对状态突变的跟踪能力。通过仿真表明,改进粒子滤波算法在探测器轨道参数精度和方差预报的有效性方面有了较大地提高,能够适应快速变化的飞行环境,而且滤波精度明显的优于EPF滤波算法。

结合扩展卡尔曼滤波的CamShift移动目标跟踪算法

CamShift算法是一种利用颜色信息对移动目标进行跟踪的算法,当目标快速运动或者受到干扰时容易导致跟踪失败。因此提出了一种结合CamShift与扩展卡尔曼滤波的移动目标跟踪算法,使用扩展卡尔曼滤波对目标运动速度和空间位置进行预测,同时采用目标加权直方图改进CamShift算法。所研究的算法能有效地克服目标背景干扰,存在干扰目标或目标部分被遮挡的情况下,仍能实现有效跟踪。实验结果表明,所研究的方法能够对移动目标持续稳定地跟踪。

基于强跟踪泰勒扩展卡尔曼滤波的暂态电能质量检测

本文研究基于强跟踪泰勒扩展卡尔曼滤波(STEKF)的暂态电能质量信号检测方法。针对泰勒卡尔曼滤波(TKF)算法状态空间的维数过大以及无法快速准确跟踪突变信号的缺点,将泰勒扩展卡尔曼滤波(TEKF)与强跟踪滤波(STF)相结合,先对幅值和相位分别进行2阶泰勒展开,再借助渐消因子根据实际残差与理论残差实时调整TEKF中的误差协方差矩阵,从而增强算法对突变信号的跟踪能力。对解析调幅信号和调相信号、Simulink搭建的三相系统故障下的电压暂降信号和三相系统整流谐波信号四种情况进行了仿真实验。实验结果表明,与TEKF算法相比,本文提出的STEKF算法具有更快的跟踪速度和更高的跟踪精度。

基于扩展卡尔曼滤波器的矢量跟踪算法研究

该文针对矢量跟踪算法缺乏定量分析的问题,对线性化模型与跟踪误差进行了研究。为了提高矢量跟踪环的动态跟踪性能,修正了已有线性化观测矩阵忽略接收机伪距率对位置的偏导项的问题;提出了新的环路反馈量,简化了运算过程。推导出了矢量跟踪环的热噪声跟踪误差,与标量跟踪环相比跟踪门限明显降低,并且在相同条件下,观测卫星数越多,矢量跟踪环的跟踪门限越小;推导了矢量跟踪环的动态应力跟踪门限,证明矢量跟踪环可以处理高动态微弱信号。通过Monte Carlo仿真验证了理论分析结果的正确性。

远距离干扰环境下目标跟踪的扩展卡尔曼粒子滤波算法

该文在扩展卡尔曼粒子滤波算法的基础上融合了"负"信息(没有接收到观测值的扫描)来实现远距离干扰环境下的目标跟踪。在整个实现过程中,由传感器模型推导出的高斯和似然函数充分考虑了正负信息,直接用于计算粒子权重更新。并且通过扩展卡尔曼滤波算法产生重要性密度函数,利用当前时刻的量测,使得粒子的分布更接近其后验概率分布,而且使用较少的粒子个数即可达到较好的跟踪效果。仿真证明,扩展卡尔曼粒子滤波算法在航迹连续性和跟踪精度方面明显优于扩展卡尔曼滤波算法,但计算复杂度较高。

基于改进扩展卡尔曼粒子滤波的目标跟踪算法

针对扩展卡尔曼粒子滤波算法滤波精度较低和粒子退化的问题,将马尔可夫链蒙特卡罗(MCMC)方法与扩展卡尔曼粒子滤波相结合,应用于目标跟踪。该算法利用扩展卡尔曼滤波来构造粒子滤波的建议分布函数,使建议分布函数能够融入最新的观测信息,以便得到更符合真实状态的后验概率分布;同时引入MCMC方法对所选的建议分布进行优化处理,使抽样粒子更加多样性。仿真结果表明,该算法能有效地解决粒子贫化问题并提高滤波精度。

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Monte Carlo数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.

改进扩展卡尔曼滤波算法的目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出了一种基于改进扩展卡尔曼滤波的目标跟踪算法。构建时间差和信号到达方向的观测方程,利用几何和代数关系化简得到伪线性模型,通过改进卡尔曼滤波算法对目标运动轨迹进行跟踪,采用仿真实验对算法性能进行测试。结果表明,相对于传统扩展卡尔曼滤波算法,在相同条件下,该算法不仅提高了目标跟踪精度,而且使目标跟踪结果更加稳定。

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。

仅测角卫星跟踪的扩展卡尔曼粒子滤波算法

卫星被动跟踪技术对于空间监视系统非常重要,为提高非合作跟踪模式下空间低轨卫星(LEO)的跟踪精度,提出一种基于扩展卡尔曼粒子滤波(EKPF)的仅测角卫星被动跟踪算法。首先,在卫星二体运动下,以地球惯性直角坐标系为基础,对卫星运动状态方程的二阶线性化、状态方程和测量方程的雅可比矩阵进行了详细推导。其次,利用二阶扩展卡尔曼滤波(EKF)产生粒子滤波(PF)的建议分布,并将EKPF应用到低轨卫星跟踪。最后,通过STK6.0仿真场景产生的数据对EKPF算法和扩展卡尔曼滤波算法的跟踪性能进行了对比分析和验证。仿真结果表明,该算法可以实现单颗高轨卫星通过仅测角对圆轨道的低轨卫星进行跟踪,且跟踪精度优于EKF算法。

基于双重扩展卡尔曼滤波器的共轴跟踪技术研究

为了解决光电经纬仪由于机动目标运动模型不准确而引起的跟踪精度下降的问题,采用了单隐层前向神经网络(SLFNs)进行建模,提出了基于状态参数双重扩展卡尔曼滤波估计的共轴跟踪控制技术。仿真与实验结果显示,对83.33°sin0.6t的等效正弦目标的速度估计最大误差为0.070 9(°)/s,跟踪精度为2.42′;对旋转周期为4.5 s的光学动态靶标的跟踪精度达到2.96′以内。由此可见,所建立的模型与机动目标实际模型匹配,双重扩展卡尔曼滤波器(DEKF)能快速跟踪和估计状态参数。与传统控制方法相比,提出的方法具有更高的跟踪能力,能有效提高系统的跟踪精度。

基于扩展卡尔曼滤波的全球导航卫星系统矢量跟踪建模与仿真

针对现有公开资料缺乏对全球导航卫星系统(GNSS)矢量跟踪算法具体滤波跟踪控制过程的详细分析,建立了矢量延迟/频率锁定环(VDFLL)跟踪模型并对模型线性化过程进行推导。重点分析了矢量VDFLL跟踪算法时序逻辑控制问题,同时针对VDFLL无法实现对载波相位锁定等问题,提出了一种串联式锁相环(PLL)电文解调模型。建立了以软件接收机为平台的矢量VDFLL模型,并进行了半实物仿真验证。仿真结果表明,所建矢量VDFLL控制模型不仅正确地实现对接收机状态信息的最优估计,同时具有良好的动态跟踪性能。

基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing,CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter,SEKF)方法,以用于脉冲多普勒(Pulse Doppler,PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标时延和多普勒的估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果显示,基于CS辅助SEKF方法的跟踪精度明显高于传统的SEKF方法以及已有基于CS的跟踪方法,所以本文所提出的方法对机动目标有更好的跟踪性能。