强跟踪容积卡尔曼滤波在空空导弹制导中的应用

针对传统滤波算法在处理目标复杂机动时非线性逼近能力不足、跟踪精度下降等问题,提出一种强跟踪容积卡尔曼滤波(STCKF)方法。首先,根据战斗机规避空空导弹的机动特征,建立了蛇形机动和桶滚机动两种目标运动模型;其次,引入强跟踪滤波(STF)以增强容积卡尔曼滤波(CKF)对系统状态突变等不确定因素的能力;然后,将STCKF应用于导弹末制导目标运动参数估计中,并通过与CKF、无迹卡尔曼滤波(UKF)和粒子滤波(PF)的对比仿真分析验证了该方法的有效性。仿真结果表明,STCKF具有较强的鲁棒性和系统自适应能力,尤其在目标机动突变时其跟踪误差相比CKF减小约10%,能够满足空空导弹末制导高精度和快速响应要求。

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。

强跟踪自适应卡尔曼滤波在高铁沉降监测中的应用

以高铁沉降监测为应用背景,研究了一种强跟踪自适应卡尔曼滤波算法,并将其与其他几种卡尔曼滤波算法进行仿真对比。结果表明,滤波算法具有较高的精度和较强的跟踪能力。

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。

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。

基于自适应强跟踪Kalman滤波的GNSS跟踪环路设计

为提高GNSS接收机跟踪环路在复杂环境下的跟踪性能,提出一种基于自适应强跟踪Kalman滤波(ASTKF)的跟踪环路,在传统跟踪环路的基础上,以鉴相器输出为观测量进行自适应强跟踪Kalman滤波,滤波结果用于计算导航滤波器的观测量,同时将伪码频率和载波多普勒频率反馈到码NCO和载波NCO,在ASTKF中使用基于卡方分布的渐消因子计算方法,提升跟踪环路鲁棒性。半物理仿真实验表明,相比于基于Kalman滤波的跟踪环路和基于强跟踪Kalman滤波(STKF)的跟踪环路,所提出方法在水平方向上的位置误差和速度误差减小20%以上,有效提高了卫星导航接收机的定位性能。

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。

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.

模糊自适应强跟踪卡尔曼滤波器研究

针对卡尔曼滤波器对系统模型依赖性强、鲁棒性差和跟踪机动目标能力有限的问题,提出了一种具备模糊自适应特点的模糊强跟踪卡尔曼滤波器(fuzzystrongtrackingKalmanfilter,FSTKF)。这种方法主要利用模糊逻辑自适应控制器监测残差均值与标准差,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中多重次优渐消因子进行自适应调整,进一步提高滤波器的估计性能。仿真结果表明,该改进滤波器跟踪机动目标的精度高于常规卡尔曼滤波器和强跟踪卡尔曼滤波器。

复杂环境下基于自适应卡尔曼滤波的时间比对跟踪算法

在雷达、车载等动态协同组网系统中,高精度时间同步是该系统正常工作的基本条件。但是在动态组网系统或者低截获场景下,时间比对信号强度弱,并处于动态场景,此时时间同步系统鲁棒性差、同步精度低。因此,需要提高时间同步系统在复杂的动态组网系统下的时间同步精度。调制解调器是双向时间比对系统的核心设备,而跟踪环路是其中关键部分。复杂场景下跟踪环路很容易失锁,为了提高跟踪环路鲁棒性,该文提出一种基于自适应卡尔曼滤波(AKF)的跟踪算法。该算法引入自适应因子来调节系统噪声协方差矩阵,从而应对外部变化的输入信号。试验结果显示,与传统锁相环跟踪环路(PLL)和标准卡尔曼滤波跟踪环相比,在弱信号和动态信号同时存在时该算法跟踪鲁棒性和自适应性更好,并且算法复杂度不高。该算法对于提高动态协同组网系统的时间同步精度具有重要意义。

多目标跟踪用补偿-自适应卡尔曼滤波器设计

现有卡尔曼滤波(Kalman Filter,KF)多目标跟踪(Multi Object Tracking,MOT)方法难以应对相机运动、检测失真和非线性运动等问题。针对这些问题,引入自适应参量,包括运动相似度代价和检测置信度,用于动态调节KF的过程和观测协方差。此外,使用稀疏光流和随机采样一致性算法,估计前后帧的仿射变换矩阵,据此校正KF的预测值。综合以上两点,提出补偿-自适应卡尔曼滤波(Compensation-Adaptive Kalman Filter,C-AKF)。将其与BYTE框架结合,以实现在线的MOT。在MOT17数据集上的实验结果显示,所提方法能够实现68.9的高阶跟踪准确度和81.1的身份F-1分数,且关联速度满足实时要求。

基于模糊逻辑的自适应强跟踪卡尔曼滤波在GPS定位中的应用

当载体速度频繁发生突变时,针对卡尔曼滤波在GPS定位解算中对系统模型依赖性强、鲁棒性差的问题,提出了一种基于模糊逻辑的自适应强跟踪卡尔曼滤波算法。该算法主要利用模糊逻辑自适应控制器监测系统输出的残差均值,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中次优渐消因子进行自适应调整,来实现抑制载体突变影响。仿真结果表明:该算法在载体突变的跟踪精度高于扩展卡尔曼滤波和强跟踪卡尔曼滤,其稳定性也有所提高。

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.

自适应强跟踪卡尔曼滤波器载波环设计

针对自适应Qk/Rk卡尔曼滤波算法在大频偏或运动场景切换时存在收敛速度慢、易失锁问题,提出了一种自适应强跟踪滤波算法,该算法从自适应Qk/Rk卡尔曼滤波算法出发,引入强跟踪技术。在稳态场景下,采用自适应Qk/Rk算法保证跟踪环路有较好的跟踪精度;当场景变化时,自适应强跟踪算法保证跟踪环路有更稳健的动态性能。仿真结果表明,所提出的设计方法能够有效提高载波跟踪环路的跟踪精度和鲁棒性。

自适应强跟踪Sage-Husa卡尔曼滤波器载波环设计

针对Sage-Husa自适应卡尔曼滤波算法易引起发散且对初始条件的选取非常敏感的问题,提出一种自适应强跟踪Sage-Husa滤波算法。该算法从Sage-Husa自适应卡尔曼滤波算法出发,引入强跟踪技术,通过渐消因子在线修正一步预测误差协方差矩阵,使算法具有应对场景变化等不确定情况的能力,增强算法的鲁棒性;通过改进Sage-Husa自适应算法对噪声方差阵进行实时在线估计,使算法具有应对噪声变化的自适应能力,保证较好的跟踪精度。仿真结果表明,所提出的滤波算法能够有效提高载波环路的跟踪精度和鲁棒性。

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。

基于改进型自适应强跟踪卡尔曼滤波的电池SOC估算

为解决扩展卡尔曼滤波算法估算锂电池荷电状态(State of charge,SOC)时存在的系统噪声统计不确定性和电池模型不准确性问题,该文提出了一种基于改进型Sage-Husa自适应强跟踪卡尔曼滤波的SOC估算算法。以参数辨识得到的锂电池等效电路模型为基础,在扩展卡尔曼滤波算法中引入一个强跟踪滤波器的渐消因子来加强跟踪能力,结合可对时变噪声进行特征统计的Sage-Husa自适应滤波器来调整系统噪声参数,实现了锂电池SOC的估算。最后通过锂电池模拟工况实验,验证了该算法相比于扩展卡尔曼滤波具有更高的精度和实用性。

高机动目标的改进强跟踪CKF自适应IMM算法

为提升高机动目标跟踪精度,提出了一种改进的强跟踪CKF自适应交互多模型跟踪算法。在IMM算法运动模型集中引入CS-Jerk模型,增强对高机动目标的适应能力,采用奇异值分解(SVD)算法解决模型集中因模型扩维而导致CKF算法无法Cholesky分解的问题;提出了一种改进的强跟踪CKF算法,降低强跟踪CKF算法的计算量;利用模型的后验信息对IMM算法模型转移概率进行自适应调整,提高跟踪精度。仿真结果表明,基于所提算法目标的位置均方根误差均值和速度均方根误差均值较IMM-CKF算法分别降低了22.50%和16.58%,有效提高了目标跟踪精度。

基于多次卡尔曼滤波的目标自适应跟踪算法与仿真分析

标准的卡尔曼滤波算法由于使用了固定单一的状态噪声模型,因此当目标运动状态经常发生剧烈变化时,跟踪效果不是很理想。为了提高对目标的跟踪精度和跟踪收敛速度,提出了一种新的算法,通过多次步长不同的卡尔曼滤波算法来判断机动目标的运动状态,进而使得系统状态噪声协方差能够随着目标机动情况自适应调整。最后的蒙特卡罗仿真实验验证了此算法的有效性。

利用自适应卡尔曼滤波实现光电跟踪中的复合控制

为了在光电跟踪控制系统中实现复合控制以提高跟踪精度,构建了基于模型自适应卡尔曼滤波算法的复合控制结构。首先,利用跟踪脱靶量数据和仪器位置数据合成目标角位置数据;然后,利用模型自适应卡尔曼滤波算法对目标角位置数据进行滤波估计以获得目标角速度信息;最后,将目标角速度信息前馈到速度回路,从而构成复合控制系统。实验结果表明:采用复合控制结构后,目标跟踪精度提高了50%。基于模型自适应卡尔曼滤波算法的复合控制技术能够在保持原反馈控制系统稳定性的条件下提高跟踪精度。