新息滤波交互式多模型噪声辨识算法

预先或在线获取系统噪声的统计特性，往往是有效设计一个估计器或控制器的先决条件．早期关于噪声辨识的工作主要针对平稳或统计特性缓变的噪声过程．本文提出一种混合系统噪声辨识新算法，该算法将新息滤波与交互式多模型算法结合起来，前者降低了权概率系数对量测噪声的敏感程度，而后者则是基于混合系统模态的马尔可夫链过程实现多模型的动态交互与动态切换．仿真结果证明了本文新算法的有效性．

高超声速飞行器新息滤波交互式多模型跟踪算法

研究临近空间高超声速飞行器在运动特点,针对强杂波环境下高速、高机动目标跟踪问题,提出用新息滤波减小观测噪声以修正模型概率更新过程的算法。Monte-Carlo仿真结果表明:该算法可以有效减小量测噪声对系统滤波的影响,提高滤波精度,在临近空间强杂波环境下具有较好的跟踪精度,具有一定工程实用价值。

解决多通道Wiener滤波问题的ARMA新息滤波器

应用现代时间序列分析方法，提出了解决多通道Ｗｉｅｎｅｒ滤波问题的ＡＲＭＡ新息滤波器。它由构造ＡＲＭＡ新息模型和解一个Ｄｉｏｐｈａｎｔｉｎｅ方程组成，可统一处理最优滤波、平滑和预报问题，可处理非平稳信号和噪声，并引出一种等价的Ｗｉｅｎｅｒ滤波器。仿真例子说明了其有效性。

体积积分新息滤波

为了提高扩展新息滤波的精度,将体积积分方法和新息滤波相结合,提出了体积积分新息滤波算法。新算法采用三阶球半径体积规则和高斯-拉盖尔积分规则选择积分点,估计新息滤波的新息状态和新息矩阵,不需要计算非线性函数的雅克比矩阵。实验结果表明,与扩展新息滤波和体积新息滤波相比,新算法提高了非线性系统的估计精度。

基于分数阶模型多新息无迹卡尔曼滤波算法的超级电容SOC估计

对超级电容的SOC估计展开了研究。首先,搭建了超级电容测试平台,用于超级电容的参数辨识,并对超级电容进行了常规性能测试;其次,在不同的环境温度和动态工况下采用多种算法进行超级电容SOC估计。结果表明,采用分数阶模型多新息无迹卡尔曼滤波(FOMIUKF)算法对超级电容SOC的估计精度最高,对超级电容的路端电压跟随情况最好,估计结果的均方根误差和平均绝对误差的最大值分别约为1.8%和1.73%。

基于分数阶多新息无迹卡尔曼滤波算法的锂电池SOC估计

针对锂电池荷电状态(State Of Charge,SOC)估计时常用的整数阶等效电路模型无法精准反映电池极化反应和提高在噪声干扰下全生命周期SOC的估计准确度问题,在二阶RC等效电路模型的基础上建立分数阶模型,并采用遗传(GA)算法对其进行参数辨识,从而增强参数辨识的鲁棒性。最后在传统的无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的基础上引入了多新息理论,提出了一种基于分数阶多新息无迹卡尔曼滤波(Fractional Order Multi Innovation Unscented Kalman Filtering,FOMIUKF)算法来实现对锂电池SOC的实时估计,最后通过搭建仿真模型验证了基于GA分数阶锂电池等效模型的准确性和可靠性,并进行了基于分数阶无迹卡尔曼滤波(Fractional Order Unscented Kalman Filtering,FOUKF)算法、FOMIUKF算法的锂电池SOC估计对比分析,发现FOMIUKF算法估计准确度更高,其估计误差仅为1%。

改进新息自适应交互多模的GPS/SINS组合导航滤波算法

针对量测噪声统计特性未知会影响GPS/SINS组合导航滤波精度的问题,提出了一种改进新息自适应的交互多模滤波算法:在估计新息协方差矩阵时,将在不同长度估计窗下得到的估计值进行加权组合,优化了估计窗口的选取;然后估计系统的量测噪声阵,并以该估计值为中心对称地构建交互多模模型集,再进行交互多模滤波,该方法解决了传统交互多模算法在噪声统计特性未知情况下模型数量与计算速度之间的矛盾。仿真结果表明:相比于标准卡尔曼滤波和单一估计窗口新息自适应交互多模滤波,该方法具有更高的滤波精度和抗干扰性。

基于多新息理论的卡尔曼滤波改进算法

系统建模是卡尔曼滤波的基础,系统模型不准确带来的验前数据误差,使滤波器精度降低,甚至可能造成发散.针对这种情况,提出一种基于多新息理论改进的卡尔曼滤波算法.多新息卡尔曼滤波算法不仅考虑了运动目标当前的运动状态,而且也充分利用目标之前运动信息,从而使得多新息卡尔曼滤波算法的滤波精度和稳定性得到改善.仿真结果表明,改进的多新息卡尔曼滤波算法较标准卡尔曼滤波算法更有效,预测精度更高.

新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0.3194mm,相对百分误差降到1.42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。

基于多新息Kalman滤波的TLD改进算法

针对跟踪检测学习(tracking learning detection,TLD)跟踪算法中目标被遮挡后跟踪失败以及跟踪精度不高的问题,本文提出基于多新息Klaman滤波的TLD改进算法,在原始TLD跟踪算法的基础上加入了多新息Klaman滤波算法。改进算法对跟踪目标建模,将TLD跟踪算法的结果作为系统当前状态的观测值,结合多新息Kalman滤波算法的预测值,最优化检测结果,作为当前帧中目标的跟踪位置。通过实验对原始TLD和改进后的TLD算法进行比较,通过在标准测试序列的实验验证,加入多新息Kalman滤波的TLD改进算法与原始TLD算法相比,其跟踪误差更小,而且实现了对跟踪目标被遮挡后的位置预测。

基于自适应新息卡尔曼滤波的脱靶量预测算法

为提高弹丸脱靶量预测的精度,建立了基于自适应新息卡尔曼滤波算法的弹丸脱靶量递推预测模型。首先,利用各误差源特性建立误差源模型,结合其特性叠加生成合理的脱靶量序列,并建立自适应新息卡尔曼滤波的状态方程。然后,利用新息序列计算系统噪声矩阵和量测噪声协方差矩阵,构建自适应新息卡尔曼滤波预测模型。最后,将改进后的预测结果与传统卡尔曼滤波预测对比分析。Matlab仿真结果表明:卡尔曼滤波的性能和估计准确性依赖于系统模型和噪声统计特性,改进后的新息卡尔曼滤波模型的预测结果更加精确。同时,在随机脱靶量序列中,该算法具有普适性。

基于多新息扩展卡尔曼滤波的直接转矩控制研究

为解决传统扩展卡尔曼滤波(EKF)算法在非线性系统观测模型中因误差引起的系统状态估计精度下降等问题,以永磁同步电动机为例对直接转矩控制系统进行研究。将多新息辨识理论引入扩展卡尔曼滤波中,采用多新息扩展卡尔曼滤波(MI-EFK)算法,将其应用于无传感器直接转矩控制系统中,分别构建了EKF和MI-EKF观测算法仿真模型,并对其进行对比验证。研究结果表明,基于MI-EKF观测算法更有效,改进后的观测器波动范围缩小,其中转速波动范围缩小为原来的22%左右,转矩脉动范围缩小为原来的14%左右。

基于Kalman滤波算法的供水管网漏失量计算

随着我国城市化进程的加快,对水资源的需求与日俱增,而供水管网的漏损造成了水资源的大量浪费,因此供水管网漏损控制研究已迫在眉睫。其中需要精确计算管网漏失量,但目前方法均存在一定不足。基于Kalman滤波,建立管网漏失分析模型,分别运用节点漏失量经验公式、标准卡尔曼滤波算法(SKF)与新息自适应卡尔曼滤波算法(IAKF)计算管网的漏失量。以实际管网工程为例进行EPANET模拟,并将所得计算结果进行比较。结果表明,两种滤波算法计算结果均比节点漏失公式更加精确,且IAKF算法的计算结果优于SKF算法。这也为加快漏损控制技术研究,实施科学有效的漏损控制手段提供理论依据,对城市节水和可持续发展具有一定的意义。

自适应及抗差Kalman滤波在GNSS/INS组合导航中的应用

传统Kalman滤波在卫星/惯性组合导航中通常难以对复杂的导航环境做出自适应改变,从而影响参数估计的精度甚至使滤波发散。笔者引入Sage-Husa自适应滤波和基于新息向量的抗差滤波并经正反向融合处理组合导航数据。结果表明,水平姿态、航向角度、三维速度和位置结果的估计精度较传统Kalman滤波平均提升37.38%,64.23%,23.51%,29.06%,最高提升58.77%,95.17%,36.61%,49.20%。自适应、抗差和正反向Kalman滤波提升了参数估计精度和稳定性,可用于复杂城市导航环境下组合导航数据事后处理。

基于改进无迹卡尔曼滤波锂电池SOC估计

锂电池的荷电状态(SOC)估计一直是电动汽车技术的重要研究方向。在实际应用中,准确估计电池SOC不仅可延长电池寿命,提高能源利用效率,还可避免过充和过放等安全问题。基于二阶RC等效电路模型,通过遗忘因子递推最小二乘法(FFRLS)对模型进行参数辨识,在UDDS工况下阐述了四种卡尔曼滤波衍生算法,经过实验对比得到最优SOC估计算法。实验结果表明,多新息无迹卡尔曼滤波算法将系统状态单新息转换为历史状态估计矩阵,SOC估计过程中平均误差控制在0.73%左右,在复杂系统工况下具有较高的估计精度和鲁棒性能。

基于Kalman滤波的稳态白噪声估值器

基于 Kalman 滤波,对带非零均值的相关噪声系统提出了统一的稳态白噪声估值器,可统一处理白噪声滤波、平滑和预报问题。它们包括稳态输入白噪声估值器和观测白噪声估值器,且包括白噪声新息滤波器和 Wiener 滤波器。一个 Bernoulli-Gaussian 白噪声的仿真例子说明了它们的有效性。

一种新的SINS/GPS组合导航建模与滤波

针对复杂环境条件下弹道导弹SINS/GPS组合制导过程中GPS量测噪声强度不稳定的问题,综合考虑陀螺快变漂移、慢变漂移、数字平台失准角等因素,重点建立了弹道导弹SINS的误差模型;设计了一种基于新息自适应滤波算法,以减小GPS噪声统计模型误差造成的滤波误差。采用基于新息自适应估计卡尔曼滤波(AKF)进行数据融合,对比标准卡尔曼滤波(SKF)的仿真结果,证明在GPS噪声强度变化时,AKF比SKF有更高的滤波精度和更强的鲁棒性。

基于多新息理论的EKF算法研究

扩展卡尔曼滤波算法(EKF)是将卡尔曼滤波理论(KF)进一步应用到非线性系统中.然而当系统为强非线性时,EKF就会违背局部线性假设,引起误差增大,从而使得其精度降低,最终导致滤波发散.针对上述问题,提出结合多新息(multi-innovation)理论的改进EKF算法,即多新息扩展卡尔曼滤波(M I-EKF),使系统在原先只利用单个新息的情况下,扩展为能够利用之前多个时刻的新息,从而大大提高了滤波的精度.另外本文同时也从理论上证明了改进的多新息扩展卡尔曼滤波算法的收敛性.最后仿真结果表明,改进的多新息扩展卡尔曼滤波较标准扩展卡尔曼滤波算法更有效.

基于滑动窗口的新息自适应组合导航算法

针对新息自适应滤波算法噪声跟踪精度和跟踪灵敏度相互矛盾导致的窗口宽度选取困难问题,提出了一种基于滑动窗口的新息自适应组合导航算法,该方法通过设计噪声统计特性梯度检测函数、敏感噪声统计特性的实际变化情况,利用窗口自适应函数实时计算窗口宽度,使得窗口在预设区间内自适应滑动,以适应实际噪声的变化。仿真实验表明,基于滑动窗口的新息自适应组合导航算法可以有效跟踪噪声统计特性的实时变化,可同时兼顾自适应跟踪精度和跟踪灵敏度。

基于多新息理论的EKF改进算法

针对标准的扩展卡尔曼滤波算法(EKF)在强非线性系统中估计精度较低的问题,提出了一种改进的扩展卡尔曼滤波算法(MI-EKF),使得滤波精度得到很大的提高。MI-EKF是在标准EKF基础上,结合多新息理论,不仅考虑了系统当前的测量值,而且也充分考虑了之前时刻的有用信息,从而使得MI-EKF的滤波精度和稳定性得到改善。最后,讨论了新息数量对改进算法精度的影响,仿真结果表明包含两个新息的MI-EKF算法滤波效果最佳。