迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2～3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter,UKF)的迭代收益就难以保证。

迭代无味卡尔曼滤波器

通过对无味卡尔曼滤波器（Unscented Kalman filter，UKF）的误差进行分析，提出了迭代UKF（IUKF）算法。该基本思路是用测量更新后的状态估计去重新对状态量和观测量的一步预测，然后再次应用LMMSE估计子估计状态量的均值和协方差阵，如此多次迭代后的滤波估计输出具有更高的精度和更小的方差，故滤波器表现出更好的一致性。Monte Carlo仿真表明，IUKF主要应用于观测噪声较小的场合，其中的迭代只需进行2～3次即可。

平方根求积分卡尔曼滤波器

针对具有加性噪声的非线性高斯动态系统的状态估计问题,本文提出一种近似递归的高斯滤波器:平方根求积分卡尔曼滤波器(SRQKF).该滤波器是在求积分卡尔曼滤波器(QKF)基础上的平方根实现形式,使用统计线性回归的方法,通过一套参数化高斯密度的高斯-厄米特积分点来线性化非线性函数的;滤波器采用平方根的实现方法,不仅增强了数值的鲁棒性,确保了状态协方差矩阵的半正定性,而且在一定程度上提高了滤波精度.仿真实验表明,SRQKF的滤波精度比QKF提高约12%,且均高于无味滤波器(UF)和扩展卡尔曼滤波器(EKF),但这二者的计算复杂度均比UF和EKF大.对滤波精度要求比较高的非线性场合,新滤波器是一种很有效的非线性滤波算法.

无味卡尔曼滤波在热平衡试验中的应用研究

在航天器热平衡试验中应用温度外推预报技术可以快速准确的给出航天器的极限热平衡温度,缩短热平衡试验时间,降低航天器的研制成本。介绍了一种新颖的热平衡试验数据外推方法———无味卡尔曼滤波(UKF),分析了UKF的应用效果,结果表明应用UKF外推能够在较短的时间内更准确的获得航天器的极限热平衡温度。

卡尔曼滤波器在GPS信号跟踪中的应用

遥测信号处理是飞行试验中的重要环节,直接影响到实时监控的质量,其中GPS信号的处理具有很重要的作用。为了保证遥测信号的可靠处理,本文针对高动态遥测信号的处理,提出EKF与UKF在GPS载波频率跟踪中的应用进行研究。介绍了基于卡尔曼滤波器的跟踪模型,并在此基础上设计了EKF和UKF在载波频率跟踪的模型。仿真结果说明本文建立的EKF与UKF模型能够很好对高动态GPS信号进行跟踪。

一种改进的UKF非线性滤波器研究

针对无味卡尔曼滤波器(UKF)存在的缺陷,提出一种能对多通道数据进行渐消的带多重次优渐消因子的UKF滤波算法(SMFUKF)。该方法基于强跟踪滤波器的概念,通过引入多重次优渐消因子到UKF滤波器,自适应的在线调整UKF滤波器的状态预测误差协方差矩阵、量测预测协方差阵、状态和量测之间的互协方差阵及相应的增益矩阵,从而达到对快速变化的状态进行强有力的跟踪。实验结果表明多重次优渐消因子的引人使得UKF滤波器有可能更多的利用系统的先验知识,SMFUKF滤波器对快速变化的状态将具有更强的跟踪能力。

CO-OFDM系统中基于卡尔曼滤波对相位噪声补偿算法的研究

基于卡尔曼滤波提出了两种相干光正交频分复用(CO-OFDM)系统的相位噪声补偿算法,这两种算法在发射端的时域均插入导频,并在接收端对导频进行卡尔曼滤波,最后利用插值算法补全全部子载波的相位噪声。仿真结果表明,基于最小均方误差(MMSE)准则的判决反馈算法在相位噪声比率为10^(-4)时,系统误码率约为10^(-4),并且出现了错误平层,而基于卡尔曼滤波所提出的两种相位噪声算法在大相位噪声的情况下仍然具有较好性能且能有效地降低错误平层,因而所提出的相位噪声补偿算法能改善CO-OFDM系统的性能。

2种卡尔曼滤波算法的应用分析

将传统的扩展卡尔曼滤波(EKF)和基于无味变换(UT)和标准卡尔曼滤波体系相结合的无味卡尔曼滤波(UKF)算法应用于反辐射导弹抗雷达关机的技术中,并对其进行仿真分析。结果表明,UKF算法具有跟快的收敛性和具有更高的精度,并能有效克服非线性严重时出现的滤波发散的问题,较好地达到了反辐射导弹抗雷达关机的目的。

一种基于UKF滤波器的卫星定位算法

针对基于通用最小二乘迭代法的卫星定位解算方法在定位精度和鲁棒性等方面的不足,提出了一种基于UKF(Unscented Kalman Filter)滤波器的卫星定位解算方法。该方法直接利用GPS接收机测得的伪距和多普勒频移作为观测量,对接收机的位置和速度进行估计。经过工程上的实际验证表明:与基于通用的最小二乘迭代法的卫星定位解算方法相比,所提出的基于UKF滤波器的卫星定位解算方法的定位结果有更高的精度和更强的鲁棒性。

稀疏网格平方根求积分非线性滤波器

针对具有加性噪声的非线性高斯动态系统的状态估计问题,本文提出一种新的基于稀疏网格法的平方根求积分滤波器(SSRQF),该滤波器通过稀疏网格取点来近似计算多维积分并进行平方根滤波.与常规QF的积分点数随着维数呈指数增长相比,该方法的积分点数随着维数呈多项式增长,减少了计算量;理论分析表明,无味卡尔曼滤波器(UKF)只是稀疏网格求积分滤波器(SQF)的一个特例,因此SSRQF在精度和取点上比UKF更为灵活.仿真实验表明,SSRQF的滤波精度均高于UKF和扩展卡尔曼滤波器(EKF),是一种效率较高的高精度非线性滤波算法.

基于非线性预测滤波和UKF的状态估计方法

非线性系统存在建模误差时,UKF的状态估计误差较大,为了提高UKF对非线性系统的状态估计能力,本文将非线性预测滤波(NPF)方法和UKF相结合,提出了一种改进的UKF。首先应用NPF求得模型误差值,得到非线性系统的修正模型,将模型离散化再应用UKF进行状态估计。在仿真实验中分别应用单纯的UKF和改进后的UKF对一个存在模型误差的非线性系统进行状态估计,对它们的估计结果进行了比较和分析,结果表明结合NPF的UKF能够提高非线性系统状态估计的精度。

免微分非线性Bayesian滤波方法评述

以非线性递推Bayesian滤波问题的求解及其历史渊源为起点,分两类对各种免微分非线性Bayesian滤波方法或免微分方法的原理和算法进行了评述:一类是以线性最小均方误差最优估计子为特点的免微分高斯滤波,包括无味卡尔曼滤波、均差滤波器、中心差分滤波器和Gauss-Hermite滤波器或积分卡尔曼滤波器;另一类是后验密度数值逼近免微分方法,包括栅格法(GBMs)与近似栅格法、矩近似法和以粒子滤波为代表的Monte Carlo方法。其中还包括了作者的一些最新研究成果,如迭代UKF算法、裂变自举PF算法和关于粒子滤波算法有限收敛界的概念等。之后从加权统计线性回归的角度对两类免微分方法进行了统一认识,统一为以数值方法为特点的广义PF。为了建立一个关于各种免微分算法性能的整体印象,论文还通过一个复杂的递推非线性滤波估计例子,用MonteCarlo仿真实验的方法对7种典型的免微分方法和和传统的EKF算法进行了比较研究。最后对两类免微分方法进行了简单的比较,并指出了进一步研究的方向。

UKF算法在纯方位目标运动分析中的应用

针对传统算法在解决纯方位目标运动分析时存在的有偏、收敛速度慢或发散等不足,该文将无味卡尔曼滤波(UKF)算法应用到纯方位目标运动分析中。由于UKF在处理非线性问题时表现良好,以及不需要计算Jacobian矩阵或Hessian矩阵,实现起来比较方便。根据无味变换的基本原理给出了滤波过程的具体计算步骤并进行了仿真计算。理论分析和仿真结果表明,UKF的性能相当于二阶高斯滤波器,它在纯方位目标运动分析中的滤波精度、稳定性和收敛时间都优于传统算法。

基于UKF方法的永磁同步平面电动机位移测量

针对现有永磁同步平面电动机位移测量方法测量自由度少,且安装要求苛刻等缺点,利用少量分散排布,在磁场中相位不重合的霍尔传感器组成的霍尔阵列信号及电动机的磁通密度模型,基于无味卡尔曼滤波(Unscented Kalman filter,UKF)方法导出一种永磁同步平面电动机沿x、y轴平动及绕z轴转动位移的测量方法。仿真及试验结果表明,该方法可以实现电动机平面3自由度位移的测量。在观测值使用次数一定的情况下,随着观测噪声逐渐减小,位移估计值精度便逐渐提高,但当观测噪声小到一定程度时,位移估计值精度稳定在一定水平上,此时由算法造成的计算误差成为影响精度的主要因素。在同样的观测噪声下,多次使用观测值进行反复迭代,可以使位移估计值精度得到进一步提高。在实际工程应用中,应该从精度要求和计算量综合考虑,从而确定最优观测值迭代次数。

迭代平方根UKF

针对无迹卡尔曼滤波器(UKF)测量更新方法的不足,提出了一种对UKF进行迭代测量更新的方法,用于提高非线性系统状态估计的近似精度.利用平方根UKF算法确保了迭代UKF的数值稳定性.理论分析与实验结果表明,迭代平方根UKF算法不仅具有无需计算雅可比矩阵的优点,而且具有较高的非线性近似精度、较强的数值稳定性和较高的运算效率;在相同数量级运算时间的条件下,其估计性能明显优于扩展卡尔曼滤波器(extended Kalman filter,EKF)、UKF和迭代UKF等非线性滤波器.

基于UKF的无线传感器异步数据融合优化算法

提出了一种基于无迹卡尔曼滤波(UKF)的无线传感器异步数据融合算法,利用RNAT机制识别无线传感器网络中的冗余节点,构造数据冗余树来实现冗余数据的去除。根据重复数据消除的结果,在每个传感器检测范围半径相等的环境下,采用四圆定位法,任意选择2个检测目标信息的节点,计算2个圆形检测区域边界的交点,根据迭代法找到并近似目标。设定了不同传感器的原始传感器相互独立、同一传感器不同原始量测量值相互独立的前提条件,计算出各通道的测量值,利用未测量卡尔曼滤波器以滤波的形式更新测量值,引入卡尔曼滤波增益矩阵,并结合异步数据定位结果实现数据融合。实验结果表明,融合后的数据利用率高于现有结果,算法耗时短、能耗低,且具有较高的数据融合精度,整个融合的准确率在90%以上。

UKF在GPS/INS组合导航系统中的应用

扩展卡尔曼滤波(EKF)是GPS/INS组合导航系统工程实现中常用的一种数据融合方式。但EKF线性化误差在一定程度上影响了GPS/INS组合导航系统精度的提高。Unscented卡尔曼滤波器(UKF)是一种非线性滤波器,它能有效地减小线性化误差对GPS/INS组合导航系统精度的影响。基于四元数法建立了GPS/INS组合导航系统的非线性误差方程模型;最后通过数字仿真验证了UKF组合导航系统应用中的性能。

UKF算法在星载GPS低轨卫星定轨中的应用

对于扩展卡尔曼滤波在非线性系统中由于线性化过程引入了线性化误差,从而导致滤波器性能下降甚至造成滤波发散的情况,利用Unscented卡尔曼滤波器对非线性系统进行直接滤波,该方法无需对非线性系统进行线性化,避免了线性化误差。并将该算法用于星载GPS低轨卫星定轨中,建立了仿真模型,在初始条件相同的情况下,与EKF算法仿真结果相比较,结果表明在一定观测噪声水平下,UKF定轨结果更准确,定轨精度更高。

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度。文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差。UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶。在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF。

基于UKF的GNSS高动态载波跟踪环路设计与性能分析

对高动态环境下的全球卫星导航系统（GNSS）载波信号跟踪方法进行了研究，提出了一种基于无迹卡尔曼滤波器（UKF）的开环载波跟踪方法。此方法采用四维相位估计模型提高跟踪精度，同时对估计值进行开环补偿以减少滤波器估计滞后性，并能够消除BPSK相位翻转对UKF造成的不良影响。通过模拟高动态运动下的GPS接收信号，从跟踪精度、失锁概率和误码概率三个方面，与基于UKF的闭环载波跟踪结构的环路性能进行了比较。结果表明，基于UKF的开环跟踪方法可显著提高相位跟踪精度，误差仅为基于UKF的闭环结构的50％，并具有更强的收敛性，可以降低环路失锁率，同时误码率提升1．5dB。