基于改进强跟踪无迹卡尔曼滤波的正交频分复用频偏跟踪和估计算法

针对高速运动环境下多普勒效应导致的载波频偏,建立了正交频分复用(OFDM)动态状态空间模型,提出了基于改进的强跟踪无迹卡尔曼滤波(STUKF)的频偏跟踪和估计算法。该算法将强跟踪滤波思想跟UKF相结合,通过在计算量测预测协方差和互协方差时引入渐消因子,在调整前一时刻频偏估计误差协方差的同时又控制过程噪声协方差,实时调整增益矩阵,增强了对时变频偏的跟踪能力,提高了估计精度。最后分别在非时变和时变频偏模型下对所提算法进行了仿真验证。仿真结果表明,与UKF频偏估计算法相比,所提算法在时变频偏中具有更好的跟踪和估计性能,在相同误码率(BER)下信噪比(SNR)大约有1 dB的提升。

基于改进强跟踪无迹卡尔曼滤波的电力信号同步相量跟踪算法

配电网中各类噪声对相量测量产生较大影响,研究在高噪声环境下能够可靠检测并能快速跟踪电力信号突变的同步相量测量算法,对保证电网的稳定性与可靠性具有重要意义。提出基于量测量误差协方差次优估计的自适应强跟踪无迹卡尔曼滤波(SEMEC-ASTUKF)的同步相量测量算法。首先根据递归最小二乘法提出一种自适应常值噪声统计估计器提高量测噪声协方差估计精度;然后根据电力信号突变后特征,构建突变检测算法和渐消因子次优估计算法,改善强跟踪无迹卡尔曼滤波(STUKF)算法在高噪声环境下对突变检测能力弱和跟踪突变慢的缺陷。利用实测信号对算法性能进行验证,结果表明,SEMEC-ASTUKF算法具有更高的测量精度,对突变具有更好的检测灵敏度和更高的跟踪速度。

基于强跟踪无迹卡尔曼滤波的内置式永磁同步电机转子位置估计

为了解决当永磁同步电机在运行中受到扰动、系统状态突变时,传统的无迹卡尔曼滤波算法对转子位置的跟踪能力下降、估计精度降低,甚至会使滤波器发散等问题,文中采用基于两相静止坐标系的内置式永磁同步电机数学模型的强跟踪无迹卡尔曼滤波算法,研究了在经典的无迹卡尔曼滤波的基础上引入强跟踪滤波器,既保留了经典的无迹卡尔曼滤波算法的优点,又能改善无迹卡尔曼滤波算法对状态突变鲁棒性的控制。仿真和实验结果表明,当永磁同步电机运行在中高速区域时,强跟踪无迹卡尔曼滤波算法可以快速准确地跟踪转子位置,估计误差低于经典的无迹卡尔曼滤波算法。

基于卡尔曼滤波强干扰和瞬间遮挡目标跟踪方法

针对空间目标与恒星的近距离强干扰和瞬间遮挡干扰,不易精确捕获目标位置的问题。提出用卡尔曼滤波预测目标位置并跟踪目标,跟踪波门用改进自适应的可变波门。同时设计新的强干扰和瞬间遮挡目标的预判和跟踪方法,当预判到此类目标时,将卡尔曼滤波的预测值作为观测值跟踪目标,并用目标预测质心对波门质心进行限定修正,从而捕获有用的观测数据。实验发现,该方法能稳健跟踪强干扰和瞬间遮挡目标,提升空间目标的跟踪精度,降低数据错误率,提高数据质量,为捕获轨道位置提供更多更有用的数据。该方法程序运行速率快,具有一定的适用性和科学价值。

基于改进Sigma点的无迹卡尔曼滤波水下目标跟踪算法

由于阵列所接收的信号在工作过程中会受到辐射噪声、环境噪声和目标信号、水下生物运动干扰,因此在目标跟踪的过程中降低噪声干扰并提高目标追踪精准度,正逐渐成为水下目标跟踪领域的研究热点和难点。常用的改进方法是根据Sigma点的采样策略进而对相应的方差权值和均值权值进行修改,Sigma点的采样策略则常常被忽视了。提出了一种基于改进Sigma点的无迹卡尔曼滤波算法(IUKF)优化水下目标跟踪效果。针对目标跟踪中测量噪声以及过程噪声影响导致的准确性问题,将第一次UT变换得到的增广状态向量以及协方差矩阵作为初始值对Sigma点进行了二次UT变换,与进行一次UT变换给定了的初始增广状态向量以及初始协方差矩阵相比,经过二次UT变换后的增广状态向量以及初始协方差矩阵精度更高。经过仿真,估计位置和真值之间的偏差减小了42.7%以上,估计距离和实际距离误差之间的偏差减小了86%,仿真实验结果表明所提的改进Sigma点的无迹卡尔曼滤波算法可以有效地抑制环境噪声的影响,提高水下目标跟踪精准度,在海洋资源勘探以及水下目标跟踪方面具有很好的实际应用前景。

基于无迹卡尔曼滤波的电梯运行位置跟踪分析

实时监测电梯位置有利于及时定位故障电梯导轨、检测平层故障,可基于无迹卡尔曼滤波(unscented Kalman filter,UKF)设计一种电梯运行位置估计方法。该方法采用同步定位与地图创建(simultaneous localization and mapping,SLAM)算法初始化电梯楼层信息,依据高灵敏传感器的量测值与无迹卡尔曼滤波融合加速度传感器估计电梯实时位置。研究结果表明:测量积累误差因UKF算法矫正不及时而持续增大,因此有效控制累积误差能够显著提高长时状态估计性能。误差积累可通过结合SLAM的UKF算法与自动校准得到有效控制,正确率高达95.02%,大幅提高了电梯运行位置估计效率,有助于提升电梯运行控制精度,为后续的智能化奠定数据基础。

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical,CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF-STF)算法和交互式多模型(interacting multiple-model,IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM-SCKF算法,实时性有明显改善。

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。

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。

GPS动态定位中卡尔曼滤波模型的建立及其强跟踪算法研究

提出一种改进的强跟踪卡尔曼滤波算法,应用于GPS动态定位滤波中获得明显效果。首先建立了一种新的GPS动态定位滤波模型,该模型与以往采用的非线性卡尔曼滤波模型相比,具有模型简单、实时性好的特点。为了进一步提高滤波器的动态性能,改进了文献[1]中的强跟踪滤波算法,大大提高了滤波器的跟踪能力。

基于无迹卡尔曼滤波的被动多传感器融合跟踪

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.

无迹卡尔曼滤波及其在三维水下目标跟踪系统中的应用

无迹卡尔曼滤波算法(UFK)以少量的采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和协方差的估计.文章将其应用于三维水下目标跟踪系统中.通过系统的MonteCarlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度.

强跟踪平方根容积卡尔曼滤波SLAM算法

针对移动机器人在状态突变时同步定位与地图构建精度下降的问题,提出了强跟踪平方根容积卡尔曼滤波SLAM算法(STF-SRCKF-SLAM)。该算法首先根据移动机器人的运动学模型和观测模型进行预测,然后通过直接传播误差协方差矩阵的平方根因子进行更新,使计算复杂度大大降低。同时在预测和更新过程中引入时变渐消因子,实时调整相应数据权值,达到提高机器人定位精度的目的。仿真实验结果表明,相比容积卡尔曼滤波SLAM算法(CKF-SLAM)、平方根容积卡尔曼滤波SLAM算法(SRCKF-SALM),STF-SRCKF-SLAM算法均方根误差降低了26.25%和13.8%,运行时间减少了1.83%和1.21%,表明该算法在SLAM性能上更优。

基于Cubature卡尔曼滤波的强跟踪滤波算法

提出一种新的基于Cubature卡尔曼滤波的强跟踪滤波算法(CKF-STF)。该算法基于强跟踪滤波的理论框架,采用三阶Cubature采样积分代替传统强跟踪滤波中的雅可比矩阵求解,并给出了适用于一般非线性系统的强跟踪滤波算法的线性等价描述。新算法不仅具有强跟踪滤波鲁棒性强的优点,而且继承了CKF算法处理非线性系统的能力。采用具有实际应用背景的目标纯方位跟踪仿真实例验证CKF-STF算法,结果表明该算法不仅精度高,而且实现简单。

基于无迹卡尔曼滤波的单站混合定位跟踪算法

针对移动台的单站跟踪问题,以"到达时间和与到达时间差(TSOA/TDOA)"新型混合定位技术作为基础,提出一种基于"到达时间和与到达时间差"混合被动单站定位模型的无迹卡尔曼滤波跟踪算法。该算法以观测到的有噪信息为基础,引入"到达时间和与到达时间差"观测模式,使用受随机加速影响的匀速运动状态作为跟踪算法的状态模型,将无迹卡尔曼滤波(UKF)算法应用在移动台的定位跟踪上,实现了对移动台的位移和速度的同步跟踪。仿真结果表明:无迹卡尔曼滤波算法应用移动台跟踪系统是有效的;与扩展卡尔曼滤波相比,其跟踪算法的滤波精度、稳定性更优。

GPS动态定位的强跟踪卡尔曼滤波研究

提出一种改进的强跟踪卡尔曼滤波算法，应用于ＧＰＳ动态定位滤波中获得明显效果．首先采用描述机动载体运动的“当前”统计模型，建立了一种新的ＧＰＳ动态定位扩展卡尔曼滤波模型及其自适应算法．然后，为了进一步提高滤波器的动态性能，改进了周东华等提出的强跟踪滤波器，大大提高了ＧＰＳ动态定位扩展卡尔曼滤波器的跟踪能力．

强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器(STF)的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波(SRCKF)算法.利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF.基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF.该算法兼具STF与自适应SRCKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能.仿真验证了所建算法的有效性.

民用导航型C/A码GPS接收机动态定位的强跟踪卡尔曼滤波研究

本文提出一种改进的强跟踪卡尔曼滤波算法，应用于GPS动态定位滤波中获得明显效果。首先建立了一种新的GPS动态定位滤波模型，该模型与以往采用的非线性卡尔曼滤波模型相比，滤波精度得到提高，且模型简单，系统运算量降低，实时性较好。然后，为了进一步提高滤波器的动态性能，改进了文献[4]中的强跟踪滤波器，大大提高了滤波器的跟踪能力。

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(autonomous underwater vehicle,AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(strong tracking square root cubature kalman filter,STFSRCKF)的纯方位目标运动分析算法;该算法在滤波过程中,利用平方根容积卡尔曼滤波器(square root cubature kalman filter,SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(strong tracking filter,STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差;通过仿真分析,比较了扩展卡尔曼滤波器(extended kalman filter,EKF)、无迹卡尔曼滤波器(unscented kalman filter,UKF)、平方根容积卡尔曼滤波器(square-root cubature kalman filter,SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。

基于强跟踪容积卡尔曼滤波的单站无源跟踪算法

系统模型和滤波算法是机动目标单站无源定位跟踪要解决的核心问题。文中采用截断正态概率模型和一种新型的滤波算法--容积卡尔曼滤波,对机动目标进行单站无源定位跟踪。针对目标突发机动的情况,借鉴强跟踪滤波器的思想,在滤波过程中引入时变渐消因子,提出了一种强跟踪容积卡尔曼滤波算法(Strong Tracking Cubature Kalman Filter,STCKF)。该算法利用容积数值积分原则直接计算非线性随机函数的均值和方差,实现简单,估计精度高,并通过渐消因子自适应在线调节增益矩阵,增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明,STCKF算法在对一般机动目标进行跟踪时,性能与CKF算法相当,并优于传统的EKF算法。当目标突变大机动时,STCKF算法的滤波性能要高于EKF以及CKF算法。