抑制Kalman滤波发散的研究进展

在Kalman滤波算法的工程应用中,常常由于各种原因导致较大的状态估计误差,甚至造成滤波发散。滤波发散严重影响着滤波器在信号处理过程中的去噪作用。为了抑制滤波发散并提高滤波精度,对此现象进行了简单阐述,分析了Kalman滤波产生发散的主要原因,即模型误差和计算误差,总结出四类常用的抑制滤波发散的方法,分别为调节增益法、预测误差协方差加权法、限定记忆法、自适应Kalman算法,并对各个抑制发散的方法进行了仿真对比分析,证实其各有优劣。其中,调节增益法所需的计算量最少,自适应Kalman算法的计算精度最高,而预测误差协方差加权法则使得计算量少和计算精度高的要求达到了较好的平衡;限定记忆法的滤波效果与加权法相当,但计算略复杂。这对在工程实践中如何抑制滤波发散有实际指导意义。

次优Sage滤波器发散的综合抑制

提出了一种新的次优Sage自适应卡尔曼滤波算法。该算法通过对滤波器发散的综合抑制 。

一种强跟踪自适应状态估计器及其仿真研究

分析了强跟踪滤波器中新息方差近似计算方法的不足,提出了一种基于衰减记忆思想来近似计算新息方差的改进强跟踪滤波器。然后,对于过程噪声水平未知的目标状态估计问题,在Sage-Husa过程噪声水平自适应估计算法的基础上,一旦通过基于新息的滤波器发散判据检测到可能出现的发散现象,提出用改进的强跟踪滤波器进行抑制,极大地提高了滤波算法的鲁棒性。对三种典型的目标机动形式进行的Monte-Carlo仿真结果进一步验证了新提出算法的有效性。

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GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法

基于GPS/SINS组合导航系统的模型不准确,或者量测噪声多变所产生的滤波发散问题,研究了自适应渐消卡尔曼滤波对于滤波发散的抑制作用。提出一种利用新息协方差估计值和量测值实时自适应计算渐消因子的方法,用它调节卡尔曼滤波方程中预测误差协方差阵和增益矩阵。调整历史新息和当前新息的权重达到抑制滤波发散的目的。该算法能有效减少严格收敛判据推导渐消因子的计算量和限制条件,有效利用了当前新息值。仿真验证表明,提出的算法能有效抑制滤波发散;并且比常规卡尔曼滤波效果更佳。

自适应非线性GM-PHD滤波及在无源跟踪中的应用

首先针对无源传感器目标跟踪中的非线性问题,将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波,提出一种求积分卡尔曼概率假设密度滤波。其次,针对未知时变过程噪声,将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中,同时依据目标状态一步预测与状态滤波结果之间的残差,提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明:相较于已有的非线性高斯混合概率假设密度滤波,所提算法有更高的精度,并且在未知时变噪声环境中具有较好跟踪效果。