基于强跟踪滤波器的水中高频振荡放电参数分析

为探明水中放电高频振荡阶段参数及其变化特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和强跟踪滤波器的时变参数辨识方法。通过该方法分解水中放电实验平台采集的电压、电流信号得到不同频率特征的信号分量,对最适应原始波形的信号分量开展Hilbert变换并求得相应的瞬时幅值、频率,进而得到所需的电阻和电感。实验数据离散度分析结果表明,放电进程中参数变化具有随机性,故利用强跟踪滤波器进一步对实验数据进行辨识处理,可有效地降低随机放电造成的离散性,并获得具备普适性的电阻值和电感值。偏离度分析结果表明,辨识电阻与测量数据除在气泡崩塌阶段随机性过大外,前期偏离度集中在23.26%以下,降低了偏离度处于80%~110%内数据点的干扰,电感偏离度集中在2.35%以下。该方法能够有效地应用于水中高频振荡放电过程的时变参数处理研究中。

基于强跟踪滤波器的电压暂降检测

快速精确地检测电压暂降特征量包括暂降幅值、起止时刻和相位跳变是电压暂降补偿的前提。提出了基于强跟踪滤波器的电压暂降检测方法,在考虑谐波、频率偏移、直流偏移、非整次谐波和噪声影响的基础上,建立了含有直流分量、基波和谐波分量的10阶强跟踪滤波模型;采用低阶强跟踪滤波器的渐消因子检测突变,实验表明该方法对弱突变也有较好的检测效果;采用高阶强跟踪滤波器检测暂降幅值和相位跳变。合成信号的仿真表明其动态响应特性优于普通Kalman滤波和虚拟三相dq变换法,动作时间小于0.2 ms,幅值误差小于0.009%,相位误差小于0.7o;较小的过程噪声协方差阵Q和较大的观测噪声协方差阵R使算法受非整次谐波的影响小;在频率偏移、直流偏移时也能得到准确的暂降特征量,在此点上优于时变Kalman滤波法。实测暂降信号的仿真表明所提方法能用于实际暂降信号,算法有望改善动态电压恢复器在扰动时的实时补偿效果。

基于强跟踪滤波器的电力系统频率测量算法

频率在电力系统保护与控制、电能质量监测等领域都起到了关键作用。建立了谐波和噪声干扰下的电压信号的复数状态空间描述,提出了基于强跟踪滤波器(Strong Tracking Filter,STF)的电力系统频率测量算法。解决了扩展复数卡尔曼滤波(Extended Complex Kalmanfilter,ECKF)算法在算法收敛后,系统状态发生突变的情况下需要重置误差协方差阵来重新跟踪这些变化的问题,进一步提高了其动态跟踪速度。通过与鲁棒型扩展复数卡尔曼滤波(Robust Extended Complex Kalman Filter,RECKF)算法的对比仿真表明,STF测频算法在迅速跟踪电压频率、幅值和相位变化的同时又能够保持较低的跟踪误差。

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中 ,相互作用多模型 (IMM )算法是目前公认的最为有效的算法。但到目前为止 ,IMM估计方法都是建立在卡尔曼滤波器 (KF)和扩展卡尔曼滤波器 (EKF)基础上 ,因而其性能不仅依赖于所采用的模型集 ,而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器 (STF)克服了卡尔曼和扩展卡尔曼的三大缺陷 ,因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明 。

残差归一化的强跟踪滤波器及其应用

强跟踪滤波器通过对残差的强制白化而具有自适应的校正估计偏差和迅速跟踪状态变化的能力。对一类多输出非线性系统的研究发现，当各输出在数值上存在较大差异时，会导致无故障情况下不同输出值对应残差间数值上的较大差异，从而造成滤波器对于各残差的信息不对称，影响故障诊断的速度和精度。针对这一问题，该文提出了一种残差归一化的强跟踪滤波器方法。该方法通过在次优渐消因子的计算过程中对残差的归一化处理，达到平衡各残差间信息的效果，从而提高了故障诊断的速度和精度。仿真结果验证了该方法的有效性。

自适应CKF强跟踪滤波器及其应用

针对强跟踪滤波器(STF)的理论局限以及基于UT变换的强跟踪滤波器(UTSTF)处理高维非线性系统时滤波精确度下降甚至发散等问题,提出一种基于容积卡尔曼滤波(CKF)算法的强跟踪滤波器(CKFSTF)。CKFSTF兼具了STF和CKF的优点:鲁棒性强,滤波精度高,数值稳定性好,计算速度快,容易实现且应用范围广。此外,对于目标跟踪系统过程噪声统计特性未知的情况,在CKFSTF的基础上应用Sage-Husa噪声估值器对噪声统计特性进行在线估计,形成自适应CKFSTF。仿真结果验证了新算法的有效性。

快速传递对准用联合强跟踪Kalman滤波器设计与仿真

针对用于快速传递对准的卡尔曼滤波器阶数高,计算量大,滤波更新率低,鲁棒性差及对准精度不高等问题,提出采用联合强跟踪Kalman滤波器进行快速传递对准。文中设计了联合强跟踪Kalman滤波器的结构和算法,同时利用改进的Elman网络进行信息分配系数的自适应调节,以实现融合信息在各子系统中的自适应分配。仿真结果表明,该滤波器不仅提高了解算速度,而且提高了系统鲁棒性和对准精度。

基于UD分解的改进型强跟踪滤波器

带多重次优渐消因子的强跟踪滤波器在计算舍入误差的影响下,估计状态的均方误差矩阵会失去非负定性,从而导致滤波发散的现象。在UD分解算法的基础上,提出了一种改进型带多重次优渐消因子的强跟踪滤波器。通过对引入渐消矩阵的一步预测均方误差矩阵进行UD分解,并将分解矩阵应用于滤波器量测信息的更新过程中,增强了算法的数值稳定性。此外,根据UD分解的结果给出了渐消矩阵的最小二乘解算方法,在提高渐消因子计算效率的同时摆脱了对先验知识的依赖性。仿真结果表明了算法的有效性。

基于强跟踪滤波器的再入飞行器制导律设计

研究了气动模型存在误差情况下高超声速再入机动飞行器的制导律设计问题。首先用强跟踪滤波器对气动参数进行估计,然后根据估计值与标称值的偏差对攻角和倾斜角进行修正,最后对原始非线性方程沿着标称轨道线性化得到线性偏差方程,并利用线性二次型最优调节器原理设计控制律。仿真结果表明所设计的制导律可以大幅度减小由于气动模型误差而引起的落点偏差。

基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计

本文将强跟踪滤波理论与多传感器数据融合技术相结合 ,提出基于强跟踪滤波器的多传感器状态与参数联合估计新算法 ;对拥有相同采样率的分布式多传感器单模型非线性动态系统 ,应用强跟踪滤波器 ,得到目标状态基于全局信息融合估计结果 ,并利用计算机仿真结果对算法的有效性进行了验证 ;这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题 。

基于强跟踪的平方根不敏卡尔曼滤波器

针对不敏卡尔曼滤波器在递推过程中的数值不稳定性以及系统发生突变时跟踪效果不佳的问题,提出一种新的机动目标自适应跟踪算法——基于强跟踪的平方根不敏卡尔曼滤波器(STF-SRUKF)。该算法一方面基于平方根滤波的思想,在递推过程中采用协方差矩阵的平方根代替协方差矩阵本身,以保证数值计算的稳定性;另一方面,基于强跟踪滤波的思想,在递推过程中引入时变渐消因子,实时调节增益矩阵,以增强目标运动发生突变时的跟踪能力。仿真结果表明,STF-SRUKF算法对于突发机动的目标运动模型具有良好的跟踪效果,而且具有较好的稳定性。

加性复合有色噪声干扰下的强跟踪滤波器

将周东华等人提出的强跟踪扩展卡尔曼滤波器推广到一类加性复合有色噪声干扰下的非线性时变随机系统。通过增广状态向量 ,线性化非线性的增广状态空间模型和采用等效量测方程 ,加性复合有色噪声干扰下的强跟踪扩展卡尔曼滤波器问题可以转化为过程与量测噪声相关情况下的强跟踪卡尔曼滤波器问题。数值仿真示例显示了方法的有效性。

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。

强跟踪自适应滤波器实现机动目标的精确跟踪

机动目标状态估计中的一个主要问题是:目标运动的突变性导致状态噪声无法进行统计预测。传统的EKF将噪声看成是高斯白噪声有着本质上的不足,因而无法实现稳定的跟踪。引入Sage-Husa滤波算法对有色噪声进行在线的估计,一定程度上弥补了目标运动模型不够合理的缺憾。在此基础上,从系统容错设计基本原理出发,用归一化残差功率法实时地检测可能出现的数值发散现象,一旦检测到发散,即通过一种改进的强跟踪自适应滤波器进行抑制,有效地提升了滤波的健硕性,实现了稳定跟踪。最后,针对高机动目标的运动特性,仿真验证采用变维滤波模型,用EKF对目标的简单机动进行跟踪,只有目标运动突变时才采用本文提出的算法,以提升计算的实时性。仿真结果表明此算法对高机动目标的跟踪是有效的。

基于强跟踪滤波器的SINS大失准角初始对准新方法

捷联惯性导航系统静基座初始对准时一般先进行粗对准,使失准角缩小到一定范围内从而满足小失准角假设下的线性误差模型,然后再进行精对准。在不进行粗对准时失准角一般为大角度,需要采用复杂的非线性误差模型和非线性滤波方法。研究发现通过设置合理的误差协方差矩阵初值,采用反馈校正滤波结构,并引入强跟踪滤波算法可以在大失准角情况下既无需粗对准,又无需采用非线性模型来实现精对准。仿真结果表明,该方法可以实现大失准角初始对准,鲁棒性好,在任意姿态初值下都可以使航向角在300 s内收敛到0.05°的理论极限精度,与小失准角精对准方法的速度和精度相当但省去了粗对准因而耗时更短,与无迹卡尔曼滤波在600 s时才收敛到0.5°的速度相比大为改善。

基于强跟踪滤波器估计的最优融合方法

在分布式雷达数据处理模式中 ,数据融合是获得较精确的目标轨迹的主要环节。为克服卡尔曼滤波器对初始值敏感、鲁棒性差和对机动目标跟踪性能差的缺陷 ,通过利用各传感器的观测数据 ,采用强跟踪滤波器对目标进行跟踪 ,以改善目标状态估计的精度。对判定源于同一目标的状态估计值 ,给出了一种估计状态线进行性组合的最优融合准则。得出了实际数据的实验结果。

基于强跟踪滤波器的单相电压基波相位实时提取

分布式发电系统并网时,需要实时检测电网电压的基波频率和瞬时相位。该文提出基于强跟踪滤波器的单相电压基波相位实时提取方法:首先添加电网电压基波频率和直流偏移作为状态变量,建立含有直流偏移和谐波分量的单相电网电压信号的非线性状态空间描述;其次,考虑到扩展卡尔曼滤波在系统达到平稳状态时无法快速跟踪系统参数突变,采用强跟踪滤波器递推估计各状态变量,并利用状态变量估计值实时计算单相电压信号的基波频率、幅值和相位。实验结果表明,所提相位实时提取方法能够在消除电网电压直流偏移影响的同时快速跟踪电网参数突变。

基于逻辑切换的改进强跟踪卡尔曼滤波器

针对线性随机系统提出了一种改进强跟踪卡尔曼滤波器 (MSTKF) .通过改变强跟踪滤波器的多重时变渐消因子 ,MSTKF在卡尔曼滤波和强跟踪滤波两种工作状态之间切换 .当卡尔曼滤波不能有效跟踪突变状态时 ,MSTKF切换为可变弱化因子的强跟踪滤波 .数值仿真实例显示了本方法的有效性 .

基于强跟踪滤波器的Jerk模型目标跟踪算法

在Jerk模型的基础上,提出了一种新的机动目标自适应跟踪算法STF-Jerk.该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,从而很好地改善了Jerk模型在跟踪机动目标时的跟踪精度.仿真结果表明,提出的STF-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的机动目标跟踪性能.

基于强跟踪滤波器的纯方位机动目标跟踪算法

针对无源纯方位跟踪中目标机动的问题,提出了一种基于强跟踪滤波器的机动目标跟踪算法。该算法在目标机动跟踪中通过实时调节增益阵,提高了滤波器对状态变化的跟踪能力,避免了修正增益协方差(MGEKF)算法中所寻找的观测量修正函数不准确而引起较大的误差。同时对量测模型非线性问题采用伪量测变换估计器(PLE)予以解决,它具有形式简单,计算量小的优点。最后将该算法与MGEKF算法相比较,Monte Carlo仿真结果验证了提出算法的优越性。