基于信息融合和扩维Kalman滤波技术的系统误差估计算法研究

针对采用复合制导体制的面空导弹武器系统,目标支路和导弹支路分开后,引起中末制导交班误差增大,必须进行相对系统误差补偿,探讨了相对系统误差的估计技术。基于信息融合和扩维Kalman滤波技术,建立了估计模型和算法,通过2种不同情景的仿真,验证了模型和算法的正确有效性。

一种基于加性潜变量的扩维卡尔曼滤波方法

现有面对非线性系统所设计的卡尔曼滤波器的性能常随着非线性程度的增强而逐步退化。为了弥补扩展卡尔曼滤波和无迹卡尔曼滤波在线性化过程中的不足之处,文中针对一类由线性项和非线性项累加组成的强非线性系统,建立了一种基于潜变量的扩维卡尔曼滤波方法。该方法将非线性项定义为原始系统的潜变量,并建立了关于潜变量的线性动态关联模型,将潜变量扩维到系统原始的状态变量中,从而建立以原始变量和潜变量为基础的线性系统模型。最后设计出该类系统的高阶扩维卡尔曼滤波器,并经过MATLAB仿真验证了新设计滤波器的有效性与准确性。

机器人多维力传感器标定Kalman滤波

在多维力传感器标定过程中,往往出现比较大测量噪声,零漂幅度较大,严重地限制了多维力传感器标定精度。鉴于Kalman滤波器在滤除系统随机干扰噪声方面良好效果,并考虑到在力传感器标定加载前,噪声信号便于测量的特点。本文从单维力传感器入手,把标定测量模型简化为一阶惯性和零阶保持器串联,并把传感器的输入/输出分为有载荷作用和无载荷作用两个状态,分别推导出输入/输出关系,获得单维力传感器状态和测量方程,并进一步推导出单维力传感器Kalman滤波算法。在合理假设基础上,再使单维力传感器标定Kalman滤波算法推广到多维力传感器。标定实验表明,在多维力传感器标定中,Kalman滤波有效地滤除了测量噪声,提高了标定精度。

通过变维kalman滤波实现融合定位

为了能更好地跟踪、定位机动目标,提出了一种将蜂窝网定位信息与本地传感器信息相融合,利用变维Kalman滤波实现定位的方法。本地传感器信息指目标的运动速度和方向。仿真实验证明该方法具有较强的机动跟踪能力,定位精度高,且计算相对简便。

基于扩维卡尔曼滤波的火星探测器脉冲星相对导航方法

X射线脉冲星导航稳定、精度高,太阳系范围内均适用,是实现火星探测器自主导航的有效手段之一。针对目前编队深空任务中可采用的相对位置确定方法单一且不自主的问题,提出了一种基于X射线脉冲星的编队火星探测器转移轨道自主相对导航方法。为降低模型误差,考虑了火星及地球对探测器相对导航精度的影响,引入扩维Unsented卡尔曼滤波,降低随机测量误差的同时修正系统状态模型误差。地面半物理仿真实验结果表明该方法的相对位置估计精度可达30 m以内,可以满足火星探测编队飞行的自主相对导航需求。

一种扩维无迹卡尔曼滤波

本文讨论了一种基于扩维的无迹卡尔曼滤波(A-UKF)。通过无迹变换(UT),引出了无迹卡尔曼滤波(UKF)的算法描述,进一步深入研究了扩维无迹卡尔曼滤波,它把非线性系统中的过程噪声和测量噪声引入到采样点中,当采样点通过非线性系统传播时,有效的削弱了噪声的影响,并在算法上进行了比较,说明了A-UKF比UKF的精确性要高。最后通过仿真进行了验证。

基于变维滤波算法的Kalman最佳平滑器在滑坡监测数据处理中的应用

本文研究如何对滑坡监测数据进行去噪。利用变维滤波算法能够很好描述滑坡变形的特性,建立了滑坡运动的数学模型,并引入变维滤波对滑坡监测数据进行降噪。为了提高滑坡预报精度,提出了一种基于变维滤波的Kalman最佳平滑算法。实例仿真结果表明利用该方法不仅预报精度高,而且也为寻找滑坡监测数据中的变点提供了新的思路。

基于二维Kalman滤波的森林资源结构预测的理论与方法

介绍了二维Kalman滤波的原理,并以浙江省丽水市森林资源连续清查样地的地理坐标建立二维坐标系,以样地森林面积和森林蓄积为状态向量,应用二维Kalman滤波研究森林资源结构动态.结果表明,对森林蓄积动态及样地个数较多、面积较大的用材林和防护林的面积动态预测效果良好,而对于样地个数较少、变异系数较大的样地如特用林和未成林造林地的面积动态预测误差较大,如要准确预测则需要加大这些样地的抽样个数.

双E型弹性体六维力传感器矩形梁Kalman滤波研究

双E型弹性体六维力传感器采用组合梁结构对空间6个方向的力和力矩信息进行探测,但其输出信号中不可避免地混合了噪声信号,譬如:电阻应变片通过电流后产生的热噪声,放大电路中电磁元件干扰,高温下弹性体蠕变产生的干扰等,严重地影响传感器的测量精度。为了有效地滤除系统量测噪声,提高传感器分辨率,以六维力传感器矩形梁为研究对象,根据正弦激励力响应与应变之间的关系,构建了系统量测方程。基于时间序列分析法,设计了有色系统干扰白化滤波器,建立了有色噪声系统状态空间模型,推导出有色噪声Kalman滤波公式。实例表明:滤波效果明显,稳定性强,减小了实际的滤波误差,有效地提高滤波精度。

自适应Kalman滤波修复六维力传感器下E膜模型误差

为减小动载环境下,噪声信号对六维力传感器测量精度的影响,同时解决因传感器的简化模型误差较大,导致标准Kalman滤波无法获取最优估计的问题,提出一种双因子自适应Kalman滤波算法。算法根据正弦激励力响应和应变之间的关系,建立了下E型膜有色噪声增广状态模型。在标准Kalman滤波的基础上,分析了两种模型误差对滤波效果的影响,采用实时调整状态预测在滤波估计中权重的策略,给出了自适应Kalman滤波准则及递推公式。基于正交性原理和最小二乘法准则,利用三段函数模型构造了双重自适应因子。仿真实例表明,与标准Kalman滤波与强跟踪滤波相比,所提算法具有更好的估计精度和稳定性,能够有效地控制模型误差的影响,从而提高六维力传感器的测量精度。

二维Kalman滤波及其在森林资源动态预测中的应用

报道了二维 Kalman滤波在森林资源动态预测中的应用 ,并首次应用二维 Kalman滤波研究森林蓄积 .利用吉林省松江河局 1 975～ 1 989年四次连续清查的 3 0块样地资料建立了二维坐标系 ,应用二维Kalman滤波对森林蓄积动态作出估计与预测 ,经检验 。

基于部分扩维的无迹卡尔曼滤波算法研究

UKF扩维算法往往因为比较复杂而导致计算量较大,为此EW等学者提出了当过程噪声和量测噪声都是白噪声时UKF的简化算法。证明了这种简化算法在线性条件下不能达到最优估计;即线性条件下与Kalman滤波不等效;同时证明了UKF部分扩维的算法即只将过程噪声进行扩维后仍能达到最优估计;且又在一定程度上减少了计算量。最后在GPS/INS组合导航中进行了仿真验证,仿真结果进一步证明了理论分析的正确性。

基于滤波扩维融合的传感器定位测距方法改进

研究传感器定位测距优化,可以对传感网络中的目标位置和速度进行准确跟踪。由于传感网络中存在多径、绕射、障碍物等因素,导致传感网络路径损耗使得定位过程中产生距离误差,而传统的PSO算法只能对节点的讯息熵特点提取,没有相关的补偿系数对产生的距离误差进行分析和补偿,导致降低定位精度。提出滤波扩维融合的传感器定位测距算法,构建传感器数据融合滤波结构模型,采用自适应信息分配方式对数据结果进行最优的状态估计,采用带宽约束和量化阈值的方法进行传感器定位测距,根据信息分配原则,在融合中心以各传感器的测量值为依据,更新融合中心的状态估计值和一步预测值,求得信号的时延和尺度,引入滤波扩维融合算法,提高网络跟踪系统的位置和速度估计精度,增加定位测距算法的性能。仿真结果表明,改进算法对传感器网络中目标的位置和速度的跟踪更加准确。

修正扩维无迹卡尔曼滤波算法研究

在脉冲星导航中,角位置误差是主要的误差源之一。因此本文基于X射线脉冲星导航,提出了一种修正扩维无迹卡尔曼滤波(MASUKF)算法进行角位置误差的改进。MASUKF算法在原扩维无迹卡尔曼滤波(ASUKF)算法的基础上加入了Roamer延迟的高阶项,并将其作为误差项,将修改后的误差项代入状态方程与量测方程中,即可进行仿真分析。在仿真中,首先将ASUKF算法与UKF算法进行对比仿真模拟试验,结果显示ASUKF算法能显著地提高约45 m的定位精度,在X、Y、Z 3方向的速度误差估计精度约提高了20%;然后比较ASUKF与MASUKF算法,结果显示MASUKF算法较ASUKF算法的速度误差与位置误差的估计精度均提高2%以上。

三维解耦转换测量Kalman滤波算法

基于去偏转换测量Kalman滤波(CMKF),利用对角化和单位化方法求解正交变换,设计了实用的三维空间解耦降维算法。算法复杂度分析和仿真试验结果表明了算法的有效性。

基于边缘化高斯厄密特卡尔曼滤波的有偏量测下机动目标跟踪方法

针对传感器存在测量偏差情况下的机动目标跟踪问题,提出一种基于边缘化高斯厄密特卡尔曼滤波的有偏量测下机动目标跟踪方法。首先,通过相邻时刻的量测差分构建差分量测方程,从而消除测量偏差,将相邻时刻的目标状态扩维形成增广状态向量以匹配差分量测方程,实现实时滤波估计,同时对增广状态向量进行边缘化处理以降低高斯厄密特滤波的采样维度,减小滤波负担;然后,将交互式多模型方法融入边缘化高斯厄密特卡尔曼滤波以解决机动目标运动模型不确定的问题,在此基础上利用差分量测方程和增广状态向量推导出相应的滤波方程。实验结果表明,本方法能有效消除传感器测量偏差,目标跟踪精度远高于传统的交互式多模型高斯厄密特卡尔曼滤波方法。

自适应扩维UKF算法在SINS/GPS组合导航系统中的应用

针对自适应渐消因子卡尔曼滤波无法应用于非线性系统的问题以及自适应渐消因子的局限性,提出了带自适应渐消矩阵的扩维UKF(adaptive fading matrix augmented UKF,AFM-AUKF)算法.该算法针对含有非加性白噪声的非线性系统,引入了一种新的自适应渐消矩阵计算方法,并用Unscented变换逼近系统的后验均值和协方差,有效解决了此类系统的滤波问题.针对SINS/GPS组合导航系统的非线性状态估计问题,分别设计了滤波器容错试验和系统噪声突变试验,试验结果证明了该算法的有效性.

基于UKF的雷达和机载ESM扩维跟踪

为有效提高异类传感器融合跟踪的效果,提出了一种基于UKF的雷达和机载ESM扩维跟踪算法。首先将目标和机载ESM的状态信息组合起来,形成一个高维的状态向量,从而有效抑制滤波中GPS定位误差所带来的影响;接着在此基础上采用UKF来实现目标的定位跟踪,以求进一步减小扩维后线性化误差加大等问题的影响。仿真结果表明,该算法可更好地实现对目标的定位跟踪。

基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least-mean-square,NLMS)算法和最小二乘(recursive least-square,RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。

有色噪声条件下的实用Kalman滤波方法研究

Kalm an滤波技术是现代信息处理中的重要工具,但是基本的Kalm an滤波基本方程中要求系统噪声和量测噪声必须为互不相关的均值为零的白噪声过程,限制了应用的范围。该文研究了在系统噪声和量测噪声都是有色噪声条件下的Kalm an滤波方法,运用状态扩充法和量测扩增法推导了全套的滤波方程,拓宽了Kalm an滤波器在工程中的应用范围。