无迹加权集合卡尔曼滤波及其在土壤湿度同化中的应用

在土壤湿度模拟研究领域,现有的数据同化方法均存在一定缺陷,为此,基于集合卡尔曼滤波(EnKF)方法和无迹变换,提出了无迹加权集合卡尔曼滤波(UWEnKF),增加了对结果影响较大的集合成员的权重,且集合成员关于均值对称。结合一维Richards方程在梅林流域开展了同化表层土壤湿度的实时同化实验,验证了其有效性。结果表明:①一维Richards方程可以较好地模拟出土壤湿度的动态变化过程;②在土壤湿度模拟过程中引入数据同化方法,可以提高土壤湿度的模拟精度,但同化效果与模拟精度有关;③UWEnKF同化方法能够显著改善土壤湿度的模拟结果,比EnKF同化方法效果更佳。总之,UWEnKF是一种有效的、切实可行的数据同化方法,是提高土壤湿度模拟精度的有效手段。

基于指数加权衰减记忆无迹卡尔曼滤波的路面附着系数估计

针对车辆主动安全控制中路面附着系数这一关键信息,提出一种指数加权衰减记忆无迹卡尔曼滤波(FMUKF)估计算法。该算法在传统无迹卡尔曼滤波(UKF)的基础上,利用衰减记忆滤波来解决由于模型不准确造成的滤波误差过大甚至发散等问题。利用Car Sim和MATLAB/Simulink对算法进行了联合仿真和实车道路试验,并与传统UKF算法的估计结果进行对比分析。结果表明,该算法增强了滤波的稳定性、提高了算法的估计精度,且具有一定的自适应性。

Sage-Husa随机加权无迹卡尔曼滤波及其在导航中的应用

在吸收Sage-Husa滤波和无迹卡尔曼滤波优点的基础上,利用随机加权估计算法将传统的定义在线性系统上的Sage-Husa噪声估计器推广到非线性系统中,提出一种非线性Sage-Husa随机加权无迹卡尔曼滤波算法。该算法首先利用Sage滤波的开窗平滑方法求得观测残差向量和新息(预测残差)向量的协方差阵;然后用随机加权自适应因子对观测残差和预测残差进行调节;最后对状态预报向量的协方差矩阵进行自适应随机加权估计,以控制观测残差和预测残差对导航精度的影响。计算结果表明,提出的非线性Sage-Husa随机加权无迹卡尔曼滤波算法,滤波精度明显优于无迹卡尔曼滤波和自适应无迹卡尔曼滤波算法,能够提高组合导航的解算精度。

基于改进无迹卡尔曼滤波算法的水下目标跟踪

针对水下目标跟踪的实时性和可靠性问题,考虑量测方程非线性对滤波性能的影响和降低噪声等干扰因素对滤波算法中协方差矩阵系数稳定性的影响。利用加权最小二乘估计对多个无迹卡尔曼滤波(UKF)的估计值进行积分得到改进的无迹卡尔曼滤波(IUKF),并应用IUKF对水下目标的位置和速度进行跟踪,推导建立被跟踪目标的位置和速度的量测方程,推导其雅可比矩阵。对扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波和IUKF三种滤波算法对水下目标的跟踪效果进行仿真分析,结果表明在量测方程非线性的情况下,改进后的无迹卡尔曼滤波在位置和速度的滤波精度更高,对目标位置和速度的误差估计、可靠性及稳定性方面优于扩展卡尔曼滤波和无迹卡尔曼滤波。

基于加权融合的常导高速磁浮列车UKF定位算法

为提高高速磁浮列车测速定位的精确性,本文针对基于长定子齿槽检测的常导高速磁浮列车测速定位方法在列车运行过程中可能因测速定位信号缺失、干扰、测速定位安装误差等原因引起的定位不准问题,提出一种基于加权融合无迹卡尔曼滤波(UKF)的常导高速磁浮列车测速定位算法.介绍了高速磁浮列车基于长定子齿槽的测速定位方法,并对多路冗余速度位置信息进行预处理和自适应加权融合处理;给出基于加权融合UKF的常导高速磁浮列车测速定位算法模型;基于磁浮列车测速定位在环测试试验台试验,对改进后的无迹卡尔曼滤波磁浮定位算法与原定位算法进行了对比分析.分析结果表明:磁浮列车平均速度误差减小了32.6%,速度极差降低了49.3%,有效消除了信号采集噪声,提高了磁浮列车测速定位精度.

不同滤波算法在土壤湿度同化中的应用

为研究不同滤波算法在土壤湿度同化中的有效性,以及土壤湿度模拟结果对模型参数的敏感性,结合简单生物圈模型Si B2,设置敏感性实验,探求土壤饱和水力传导度对土壤湿度模拟结果的影响;并在此基础上,采用集合卡尔曼滤波(En KF)、无迹卡尔曼滤波(UKF)和无迹粒子滤波(UPF)开展土壤湿度实时同化实验。结果表明:土壤饱和水力传导度能显著影响土壤湿度模拟精度;利用En KF、UKF、UPF同化站点观测数据,均能改善土壤湿度模拟结果;3种同化方法在不同土壤层的同化效果不同,在土壤表层,En KF的有效性优于UKF和UPF,在根域层和土壤深层,3种滤波方法有效性在降雨前后相差较大。因此,针对性地选择同化方法,是提高土壤湿度模拟精度的有效手段。

基于改进加权质心和UKF的移动目标定位算法

为了解决传统算法对于移动目标定位误差较大的问题,提出了一种基于接受信号强度指示(RSSI)的改进加权质心定位算法,并结合一种改进的UKF算法对RSSI进行有效滤波。针对传统质心定位算法只能静态设置权重的缺陷,提出利用定位误差对距离进行修正,有效提高了算法的定位精度。对于标准UKF算法,在采样过程中采用改进最小偏度策略,引入调节因子,保证了预测方差矩阵的半正定性,并且在滤波更新过程中采用衰减记忆滤波方法,有效抑制了滤波发散,提高了滤波精度。仿真实验结果证明了本文算法的正确性和有效性。

面向生物氧化提金槽温度监测的数据融合策略

为提高生物氧化槽温度估计的准确性,提出一种数据融合策略。利用鲁棒自适应无迹卡尔曼滤波算法对底层采集的数据进行处理,克服噪声对系统性能的影响。利用序贯自适应加权融合算法对滤波后的数据进行局部融合,保证融合结果的一致性与高精度。利用改进的斑马优化算法优化核极限学习机进行全局融合,提升算法的泛化能力与鲁棒性。实验结果表明,提出的融合方法能够提高生物氧化槽温度估计的精度,为后续的控制决策提供有力的数据保障。

基于多模型加权的高速弹丸目标落点预测方法研究

针对目前高速弹丸目标海上试验末段弹道外推及落点预测方法单一,模型复杂和适应性差等问题,提出一种基于多模型加权组合的弹道重构及落点计算方法。利用无迹卡尔曼滤波技术对雷达测量数据参数估计,基于多模型理论,采用非线性加权平均最优组合估计方法,将运动学和动力学建模外推弹道加权组合,并对外推弹道及落点计算精度进行了试验验证。试验数据表明:该方法可以有效降低单一模型带来的误差和参数误差,极大地提高数学建模的适应性,通用性强,且落点计算精度优于同类方法,具有推广应用价值。

基于UKF优化多三角加权定位算法的UWB室内定位系统设计

为了减小基于超宽带(Ultra-Wideband,UWB)通信技术的室内定位中由非视距(Non-Line-of-Sight,NLOS)因素导致的误差,提出了一种多三角加权定位算法,并将该算法与无迹卡尔曼滤波(Unscented Kalman Filter,UKF)结合,进一步提出多三角加权UKF定位算法。多三角加权定位算法使用4个基站,其中每3个基站分为一组,共4组排列组合。每组基站用三边定位算法算出标签的初始坐标,根据标签到4个基站的距离计算初始坐标的权值,并进行加权计算得到标签的坐标。以多三角加权定位算法的定位结果作为UKF的观测值,使用UKF对多三角加权算法的结果进行修正,提高定位精度,减小定位波动。对比三边定位算法、多三角加权定位算法和UKF优化的多三角加权定位进行仿真和实验。结果表明,提出的多三角加权UKF算法定位精度有较大提高。

随机加权渐消UKF在导向钻井姿态测量中的应用

针对近钻头钻具易受井下强振动等随机噪声的影响,使得导向钻具姿态动态测量误差较大的问题,提出一种随机加权渐消UKF算法并应用于导向钻井姿态测量系统。通过Sigma点获取状态估值和协方差矩阵,采用随机加权因子动态调整不同时刻残差向量的权值;再用渐消因子实时调节滤波增益,限制滤波器的记忆长度,有效利用最新量测信息对状态更新的影响调整预测误差协方差阵。将提出的算法应用到导向钻具姿态测量系统进行验证,结果表明,所提算法解算后得到的井斜角误差控制在±0.25°以内,工具面角误差控制在±1°以内,与标准EKF和UKF相比,井斜角解算误差和工具面角解算误差均降低了50%以上,能有效提高导向钻具动态测量精度。

硅微阵列陀螺仪的数据滤波方法研究

为提高硅微机械陀螺仪的性能,开展了单芯片集成硅微阵列陀螺仪的研究,对硅微阵列陀螺仪的结构设计和信号处理方法进行了深入的分析和研究。利用集合经验模态分解对硅微阵列陀螺仪的静态漂移信号进行了多尺度分解和去趋势项处理,并对预处理后的漂移信号建立了ARMA(2,1)信号模型,得到了硅微阵列陀螺仪测量系统的状态方程和观测方程。根据该模型,采用自适应平方根卡尔曼滤波方法,可以将静态漂移信号的零偏稳定性由129.6°/h减小为22.8°/h,经过最优加权融合后的零偏稳定性与原始漂移信号相比提高了6倍。

基于相位差测距的WSN节点测距数据滤波和定位算法的研究

在基于距离的无线传感网络定位系统中,测距精度对定位结果精度的影响非常大。文中研究了基于到达相位差(Phase of Arrive)测距技术的测距原理,对测距结果进行统计分析,并提出了针对到达相位差测距数据的滤波算法,有效提高了测距精度。文中在相位差测距和加权最小二乘法初始定位的基础上,将无迹卡尔曼滤波算法(UKF)应用到节点定位中。通过具体实验数据表明,基于相位差的UKF定位模型可以有效提高无线定位精度。

事件触发机制下配电网三相动态状态估计

随着高级量测体系的发展和智能电表的广泛应用,为配电网三相状态估计提供了丰富的终端量测信息。与此同时,大量的智能电表数据给配电网通信系统提出了更高的通信带宽和实时存储要求。为了缓解量测拥堵和时延现象,文中引入事件触发机制代替传统量测数据的周期性采样,在保证有效量测信息及时上传的同时减少通信成本和投资。在此基础上,针对配电网实时状态感知问题,提出了基于鲁棒集合卡尔曼滤波的配电网三相动态状态估计方法,在正常运行场景下,能够保持与无偏估计加权最小二乘法相近的估计精度;当含有坏数据时,该方法也拥有较强的鲁棒性。

非视距环境下顾及杆臂补偿的UWB/IMU定位算法

针对非视距(NLOS)误差和传感器杆臂影响超宽带(UWB)/惯性测量单元(IMU)组合定位精度的问题,提出了一种NLOS环境下顾及杆臂补偿的定位算法。根据UWB伪距在定位过程中的局部线性特性,设计了基于强局部加权回归法的NLOS识别与抑制算法,提高了UWB迭代定位算法的精度。利用顾及杆臂的改进抗差奇异值分解无迹卡尔曼滤波(LA-IRUKF)算法对优化后的观测数据和状态模型进行组合,实现定位精度的提升和杆臂的有效补偿。最后,采用仿真数据和实测数据对LA-IRUKF算法进行验证。仿真实验结果验证了NLOS误差识别与抑制算法的有效性以及杆臂补偿的必要性。真实场景的实验结果表明,在NLOS环境下LA-IRUKF算法不仅可以准确补偿杆臂,还能抑制NLOS误差影响。相较于抗差奇异值分解无迹滤波算法、顾及杆臂的抗差奇异值分解无迹滤波算法和改进抗差奇异值分解无迹卡尔曼滤波算法,LA-IRUKF算法的定位精度分别提高了42.4%、41.6%和28.5%,具有精度高、抗差好等优点。

基于多传感器数据融合的多目标跟踪算法研究

针对复杂环境下多传感器多目标跟踪问题,提出一种基于改进动态加权数据融合的UKF滤波多目标跟踪算法。该算法基于分布式融合结构,对于每个传感器得到的多个目标的观测信息,首先通过最近邻(Nearest Neighbor,NN)数据关联算法进行航迹关联;然后用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)完成对多目标状态的估计,得到目标最新的运动轨迹;与此同时,综合多个传感器估计的目标轨迹,应用改进的动态加权数据融合算法,得到最终的目标轨迹。仿真结果表明,该算法能有效地发挥多传感器数据融合优势,准确地跟踪多个运动目标。与单传感器目标跟踪相比,多传感器数据融合后的目标跟踪精度提高20%以上。

黄河源区玛曲土壤湿度模拟不确定性及同化研究

在土壤湿度的模拟过程中,由于资料的不足和初始值、驱动数据、参数等的不确定性,影响了模型的模拟精度。本文基于一维土壤水分运动方程,在黄河源区玛曲探讨初始值不确定性对土壤湿度模拟的影响,以及开展土壤湿度同化实验。结果表明:通过模型的预热可以减小不同初始值得到的模型模拟结果的差距;在资料匮乏区域开展土壤湿度研究或者进行区域土壤湿度模拟时,可以采用集合初始值对模型进行预热,将预热期末不同初始值得到的土壤湿度的均值作为预测期的初始值,降低预热期初始值的不确定性;在预测期,采用无迹加权集合卡尔曼滤波UWEnKF可以有效提高土壤湿度的预测精度。因此,结合集合初始值以及UWEnKF既可以降低初始值的不确定性,又有助于改善土壤湿度模拟结果。

面向畜禽养殖温度监测的数据融合技术研究

针对畜禽养殖过程中环境参数监测不准确导致的畜禽类流行性疾病爆发和传播的问题,文中以多传感器网络为基础,提出一种改进卡尔曼滤波算法来解决温度传感器在采集数据过程中产生噪声干扰的问题;通过改进自适应加权融合算法将去噪后的数据进行融合。结果表明:改进卡尔曼滤波算法具有良好的准确性和抗干扰性,可为后续的数据融合提供可靠的基础;通过改进自适应加权融合算法对去噪后的数据进行融合,可以实时、快速地得到更加接近实际养殖的环境温度。

改进egoTEB算法的机器人动态避障规划

对动态环境下自我时间弹性带(ego-timed-elastic-band,egoTEB)算法在避障时耗时较长且轨迹欠佳的问题,提出了改进egoTEB算法。首先对动态环境信息进行自我感知,以机器人自我为中心,由点、线段到圆形障碍物对环境信息进行提取,利用代价矩阵匹配圆形障碍物类型,采用集合卡尔曼滤波(ensemble Kalman filter,EnKF)模型跟踪动态圆形障碍物的运动轨迹。其次基于自我感知障碍物信息,构建由静态间隙和动态间隙组成的间隙规划图,设计加权间隙代价引导机器人局部轨迹安全穿过间隙,避开障碍物。最后利用机器人操作系统(robot operating system,ROS)进行仿真实验,验证了改进egoTEB算法能更快速地规划出安全轨迹,实现机器人适应性更强的避障效果。

基于WLS-AUKF混合算法的主动配电网联合状态估计

响应负载和分布式能源的随机性和波动性、相量测量单元(Phasor Measurement Unit,PMU)配置的经济性需求对配电网状态估计提出了更高要求。文中提出了考虑PMU配置优化的加权最小二乘法(Weighted Least Squares,WLS)-自适应无迹卡尔曼滤波(Adaptive Untraced Kalman Filtering,AUKF)的主动配电网联合状态估计。通过改进粒子群优化算法(Metropolis-Hastings Crossover Particle Swarm Optimization,MHCPSO)实现PMU优化配置,再结合WLS和AUKF提出联合状态估计。联合方式是WLS为AUKF馈送稳健的量测数据,AUKF为WLS提供先验预测值并补充量测冗余。仿真结果表明,在相同PMU数量下,MHCPSO算法比遗传粒子群算法(Genetic Algorithm Particle Swarm Optimization,GAPSO)估计精度更高。在相同状态估计误差情况下,MHCPSO算法配置的PMU数量比GAPSO算法可最多减少4个。在光伏(Photovoltaic,PV)/电动汽车(Electric Vehicles,EV)并网无序充放电和某一时刻负荷突变情况下,WLS-AUKF算法均体现出了比UKF(Untraced Kalman Filtering)算法更好的估计性能。在PMU配置优化、PV/VE并网以及负荷突变3个场景中体现出了WLS-AUKF状态估计的高精度、经济性、抗差性和稳健性。