改进的强跟踪求积分卡尔曼滤波算法

在非线性系统状态估计问题中,强跟踪求积分卡尔曼滤波算法在实现过程中由于对判断滤波发散的阈值设置较小,即使在系统正常情况下也会以较大概率产生渐消因子,从而导致过度调节滤波增益,使得系统状态估计不够平滑。针对该问题,提出了一种改进的强跟踪求积分卡尔曼滤波算法。该算法通过适当增大判断滤波发散的阈值,从而有效地降低了误判滤波发散的概率,增强了滤波器对系统状态的跟踪性能,并能够根据不同维数的量测方程确定弱化因子的取值,从而有效避免了凭经验选取弱化因子,具有较强的操作性。对两种算法进行实验仿真,结果表明,改进的强跟踪求积分卡尔曼滤波算法具有更高的滤波精度,减小了系统状态估计值与真实值之间的偏差。

强跟踪求积分卡尔曼滤波算法

在非线性系统滤波问题中,可能出现真实系统和滤波模型不匹配的现象,而标准形式的求积分卡尔曼滤波器对于这种具有模型不确定性系统的鲁棒性较差、滤波精度降低的问题。针对该问题,结合强跟踪滤波器的思想,提出了强跟踪求积分卡尔曼滤波算法。通过引入衰减因子对当前时刻的状态预测协方差矩阵进行修正,使得不同时刻的残差序列保持正交,减弱先前滤波结果对当前滤波过程的影响,增强量测值的作用,减弱模型的作用,克服模型的不确定性对滤波结果的影响。仿真结果表明,在具有模型不确定性情况的非线性滤波问题中,该算法与标准形式的求积分卡尔曼滤波算法相比,能够获得更高的滤波精度。

基于求积分卡尔曼滤波的交互式多模型算法

针对非线性系统中的多模型估计问题,将求积分卡尔曼滤波算法应用到交互式多模型算法过程中,提出一种基于求积分卡尔曼滤波的交互式多模型算法。该算法不需要求取非线性方程的雅可比矩阵,且能够获得比基于不敏卡尔曼滤波的交互式多模型方法更高的滤波精度。仿真结果证明了该算法的有效性。

用于再入弹道目标跟踪的Sigma点卡尔曼滤波器（英文）

提出一种新的Sigma点卡尔曼滤波器,求积分卡尔曼滤波器(Quadrature Kalman Filter,QKF),用于再入弹道目标的跟踪问题。新滤波器通过一系列参数化高斯密度的高斯-赫米特求积分点,使用统计线性回归的方法来线性化非线性函数的。仿真实验比较了这个新的Sigma点滤波器和扩展卡尔曼滤波器(Extended Kalman Filter,EKF),均差滤波器(Divided Difference Filter,DDF),无味滤波器(Uncented Kalman Filter,UKF)。结果表明所有Sigma点滤波器的估计误差都低于EKF的估计误差。QKF的估计误差低于UKF的估计误差,其滤波可靠性也与UKF很接近。QKF的计算复杂性比UKF稍高,新的Sigma点滤波器是一种有效算法。

基于自适应强跟踪CQKF的目标跟踪算法

针对容积积分卡尔曼滤波(CQKF)受模型不确定性影响较大及需要精确已知噪声统计特性的缺点,提出了一种自适应强跟踪CQKF算法。该算法根据强跟踪滤波原理,引入渐消因子调整状态预测协方差矩阵,强迫残差序列正交,有效抑制了模型不确定性引起的滤波发散。在滤波过程中,利用Sage-Husa时变噪声统计估值器对过程噪声及量测噪声实时估计,提高了算法在未知时变噪声环境下的滤波精度。目标跟踪仿真实验验证了算法的有效性和鲁棒性。

一种新的非线性目标跟踪方法

在实际的目标跟踪场景中,普遍存在非高斯过程噪声和/或量测噪声,以及非高斯先验信息等情况,针对这一问题,提出一种新的解决非线性/非高斯系统滤波问题的非线性滤波算法,即高斯和求积分卡尔曼滤波(GSQKF)算法。仿真实验将新算法与标准的粒子滤波算法进行了比较,表明新算法是一种非常有效的非线性滤波算法。