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.

截断的自适应容积粒子滤波器

在现有的高斯粒子滤波算法(Gaussian particle filter,GPF)中,粒子的重要性密度函数是由高斯滤波器(Gaussian filter,GF)结合当前最新量测来构建的。在高精度、强非线性的量测条件下,传统GF并不能很好地近似状态真实后验概率密度函数,为了解决这一问题,提出一种截断的自适应容积卡尔曼滤波器,并用其来构建粒子的重要性密度函数,从而推导出了截断的自适应容积粒子滤波器。仿真表明,在高精度、强非线性的量测条件下,所提出的滤波算法比现有的GPF具有更高的估计精度。

低复杂度自适应容积卡尔曼滤波算法

确定采样型滤波算法中的容积卡尔曼滤波(CKF)算法滤波性能优良,但是却难以克服目标模型不确定性或者目标状态突变带来的影响。构造强跟踪CKF能有效改善算法的自适应性,但是在求解渐消因子时大大增加了计算量。为此,提出一种低复杂度自适应CKF算法,通过设立基于新息的自适应修正判决准则和修正方式,直接对状态预测值进行修正,使滤波算法能及时跟上目标真实状态,以提高滤波精度。使用浮点操作数计算并分析了CKF算法、强跟踪CKF算法及所提算法的复杂度,同时将3种算法应用在建模不准确的目标跟踪中,并进行仿真验证。仿真结果表明:在目标建模不匹配的情况下,低复杂度自适应CKF算法和强跟踪CKF算法都能保持较好的滤波精度和数值稳定性,同时所提算法在算法复杂度上有明显改善。

基于自适应容积卡尔曼滤波的动态谐波检测

对电网中的谐波进行实时、准确的检测是有效治理谐波的前提。针对某些运行工况下电网中出现的动态谐波,提出了一种基于自适应容积卡尔曼滤波的动态谐波检测算法估计谐波信号的幅值和相角。首先针对传统卡尔曼滤波处理非线性关系上的局限性,利用容积卡尔曼滤波不需要任何线性化关系的特性估计谐波的状态向量和误差偏差矩阵,然后引入噪声估值遗忘因子来实时更新系统的噪声矩阵方程。最后通过对比实验,验证了该算法在动态谐波检测上的优越性能,并将其应用于有源滤波器的谐波检测中。

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。

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。

基于极大后验估计的自适应容积卡尔曼滤波器

针对标准的容积卡尔曼滤波器(CKF)设计需要精确已知噪声先验统计知识的问题,提出一种自适应CKF算法.该算法在滤波过程中,利用Sage-Husa极大后验估值器对噪声的统计特性进行在线估计和修正,有效地提高了CKF的估计精度和数值稳定性.在某些情况下,噪声协方差估计会出现异常现象使得滤波发散,进而提出了相应的改进方法.仿真结果表明了自适应CKF算法的可行性和有效性,且明显改善了标准CKF算法的滤波效果.

基于马氏距离结合自适应滤波的协同定位方法

在双艇交替领航协同导航系统中,水声测距设备易受水下复杂环境等因素影响引起量测信息出现异常,导致协同导航系统定位误差增大。为了解决该问题,设计了一种基于马氏距离结合自适应容积卡尔曼滤波器的协同定位算法。采用新息序列马氏距离故障检测法对系统进行评估,利用卡方假设检验原理对量测异常进行判断,再构造自适应因子对协方差矩阵进行在线修正,提高算法的鲁棒性。最后利用自适应容积卡尔曼滤波算法实现协同导航系统的实时数据融合。利用湖试试验数据进行仿真,在量测异常情况下,从艇最大定位误差不超过15 m,结果表明所提出的算法能有效地提高在量测异常情况下协同导航系统定位精度。

强跟踪自适应CKF及其在动力定位中应用

针对容积卡尔曼滤波(cubature Kalman filter,CKF)在动力定位系统存在不良测量及船舶运动模型不确定时滤波精确度下降甚至发散的问题,提出一种强跟踪自适应CKF算法。利用新息协方差匹配原理,建立对系统的不良测量具有鲁棒性的自适应CKF。基于强跟踪滤波(strong tracking filter,STF)的理论框架和自适应CKF算法,构建强跟踪自适应CKF,该算法克服了标准强跟踪滤波的理论局限性,兼具STF与自适应CKF的优点,在系统存在模型不确定性及不良测量时具有良好的鲁棒性和滤波精确度。通过仿真验证了所建算法的有效性。

基于TACKF的海面目标航向航速估计算法

航向航速是海面目标的重要特征,能准确估计出目标的航向航速对于海面目标的跟踪、识别和打击具有非常重要的意义。由于海面目标跟踪中易出现量测高精度、系统复杂强非线性等情况,导致传统非线性滤波器对海面目标航向航速的估计精度不高。此外,海面运动目标自身速度较慢,滤波器的稳态波动对海面目标的航速估计影响较大。针对上述问题,提出了一种基于截断的自适应容积卡尔曼滤波器(TACKF)的海面目标航向航速估计算法。仿真结果表明,所提出的TACKF算法较传统的非线性滤波算法有显著的性能提升,可以有效提高复杂环境下海面目标航向航速的估计精度。

基于改进型ASRCKF算法的锂离子电池荷电状态估计

针对锂电池荷电状态(state of charge,SOC)估计中由先验噪声统计特性未知导致的估计精度不高和鲁棒性差的问题,以二阶Thevenin等效电池模型为研究对象,提出一种改进型自适应平方根容积卡尔曼滤波器(adaptive square-root cubature Kalman fliter,ASRCKF)。改进型ASRCKF算法使用有偏噪声估值器对系统噪声和观测噪声协方差进行自适应更新,保证了协方差矩阵的非负定性。仿真结果表明,改进型ASRCKF算法能够准确地估算出锂电池SOC值,预测误差保持在1.4%以内,具有良好的鲁棒性和收敛性。

基于AR模型的非线性目标跟踪自适应算法

针对Jerk模型中各参数设置不合理对跟踪系统所造成的影响,提出一种基于自回归(AR)模型的Jerk参数自适应改进算法,实时估计并调整系统的参数,提高系统的跟踪精度及稳定性;同时,针对非线性目标跟踪系统扩展卡尔曼滤波算法(EKF)计算复杂跟踪精度低,提出采用平方根容积卡尔曼滤波器(SRCKF)进行状态估计,保证跟踪系统的精度和鲁棒性,为Jerk模型参数自适应提供良好条件.仿真结果验证了算法的有效性.