基于强跟踪滤波器的水中高频振荡放电参数分析

为探明水中放电高频振荡阶段参数及其变化特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和强跟踪滤波器的时变参数辨识方法。通过该方法分解水中放电实验平台采集的电压、电流信号得到不同频率特征的信号分量,对最适应原始波形的信号分量开展Hilbert变换并求得相应的瞬时幅值、频率,进而得到所需的电阻和电感。实验数据离散度分析结果表明,放电进程中参数变化具有随机性,故利用强跟踪滤波器进一步对实验数据进行辨识处理,可有效地降低随机放电造成的离散性,并获得具备普适性的电阻值和电感值。偏离度分析结果表明,辨识电阻与测量数据除在气泡崩塌阶段随机性过大外,前期偏离度集中在23.26%以下,降低了偏离度处于80%~110%内数据点的干扰,电感偏离度集中在2.35%以下。该方法能够有效地应用于水中高频振荡放电过程的时变参数处理研究中。

基于自适应强跟踪Kalman滤波的GNSS跟踪环路设计

为提高GNSS接收机跟踪环路在复杂环境下的跟踪性能,提出一种基于自适应强跟踪Kalman滤波(ASTKF)的跟踪环路,在传统跟踪环路的基础上,以鉴相器输出为观测量进行自适应强跟踪Kalman滤波,滤波结果用于计算导航滤波器的观测量,同时将伪码频率和载波多普勒频率反馈到码NCO和载波NCO,在ASTKF中使用基于卡方分布的渐消因子计算方法,提升跟踪环路鲁棒性。半物理仿真实验表明,相比于基于Kalman滤波的跟踪环路和基于强跟踪Kalman滤波(STKF)的跟踪环路,所提出方法在水平方向上的位置误差和速度误差减小20%以上,有效提高了卫星导航接收机的定位性能。

基于自适应插值强跟踪扩展卡尔曼滤波的电力系统动态状态估计研究

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法在电力系统状态估计时存在鲁棒性差,精度被非线性系统的非线性程度制约大等缺点,提出一种自适应插值强跟踪扩展卡尔曼滤波(adaptive interpolation strong tracking extended Kalman filter,AISTEKF)算法,用于电力系统的动态状态估计。新算法利用自适应插值在两个连续采样点之间增加伪量测值,减小了EKF的线性化误差,有效提高了算法估计的精度;此外,该方法在EKF算法基础上引入强跟踪理论,增强了算法估计的鲁棒性。为验证所提出方法的有效性,分别运用EKF算法、自适应插值扩展卡尔曼滤波(adaptive interpolation extended Kalman filter,AIEKF)算法和AISTEKF算法对IEEE-5节点系统和IEEE-30节点系统进行动态状态估计。实验结果表明,与EKF和AIEKF算法相比,无论在高斯噪声环境下还是3种有偏噪声环境下,AISTEKF算法的电压幅值估计精度和电压相角估计精度都有显著性提高。所提出的新算法是一种鲁棒性好且估计精度高的电力系统状态估计方法。

基于椭圆随机超曲面模型CPHD滤波器的多扩展目标跟踪算法

复杂场景下多扩展目标跟踪在自动驾驶、目标识别等领域具有很高的应用价值。文中提出了一种基于椭圆随机超曲面模型(ERHM)的势概率假设密度(CPHD)滤波器。首先,基于有限集统计理论,利用CPHD滤波器建立多扩展目标的贝叶斯滤波框架;然后,采用ERHM描述扩展目标的量测源分布,并利用无迹变换嵌入CPHD滤波流程;最后,仿真实验结果表明,ERHM-CPHD滤波器对椭圆扩展目标的跟踪性能优于传统的伽马高斯逆威沙特CPHD滤波器,在杂波密度较高、目标新生的位置比较确定的场景或者扩展目标数目较多时,对扩展目标的参数估计更为准确。所提方法在高分辨率雷达多目标跟踪方面具备很好的运用前景。

一种改进滤波算法及其在目标跟踪中的应用研究

针对无迹卡尔曼滤波算法在滤波迭代过程中可能存在状态协方差矩阵非正定情况,导致跟踪误差较大甚至滤波易发散等问题,对无迹卡尔曼滤波算法进行了改进设计。在滤波迭代过程中对状态协方差矩阵进行QR分解和Cholesky分解,通过分解后的协方差平方根矩阵来进行滤波迭代,从而保证状态协方差矩阵的正定性,并利用加权最小二乘法进行量测数据同步融合。为验证改进算法的有效性,设计了雷达红外联合跟踪系统数据融合仿真测试实验,并与传统无迹卡尔曼滤波算法进行了比较。仿真实验结果表明:改进算法能够有效抑制跟踪误差、提升目标跟踪系统的鲁棒性,可应用于防空武器系统多传感器航迹信息融合系统设计。

基于无迹变换强跟踪滤波的发电机动态状态估计

由于同步相量测量单元(phasor measurement unit,PMU)测得数据中存在误差和噪声,无法直接作为调度和控制的参考数据。提出一种基于无迹变换强跟踪滤波(unscented transformation strong tracking filter,UTSTF)的发电机动态状态估计。该方法利用对称采样策略进行sigma点采样,通过引入渐消因子来修正预测协方差矩阵,在线调整增益矩阵,滤波得到动态过程中发电机状态变量的估计值。算例结果表明,UTSTF无论在跟踪速度、精度以及对噪声的鲁棒性能上较无迹卡尔曼滤波和强跟踪滤波均有所提高。

基于卡尔曼滤波强干扰和瞬间遮挡目标跟踪方法

针对空间目标与恒星的近距离强干扰和瞬间遮挡干扰,不易精确捕获目标位置的问题。提出用卡尔曼滤波预测目标位置并跟踪目标,跟踪波门用改进自适应的可变波门。同时设计新的强干扰和瞬间遮挡目标的预判和跟踪方法,当预判到此类目标时,将卡尔曼滤波的预测值作为观测值跟踪目标,并用目标预测质心对波门质心进行限定修正,从而捕获有用的观测数据。实验发现,该方法能稳健跟踪强干扰和瞬间遮挡目标,提升空间目标的跟踪精度,降低数据错误率,提高数据质量,为捕获轨道位置提供更多更有用的数据。该方法程序运行速率快,具有一定的适用性和科学价值。

基于改进强跟踪无迹卡尔曼滤波的正交频分复用频偏跟踪和估计算法

针对高速运动环境下多普勒效应导致的载波频偏,建立了正交频分复用(OFDM)动态状态空间模型,提出了基于改进的强跟踪无迹卡尔曼滤波(STUKF)的频偏跟踪和估计算法。该算法将强跟踪滤波思想跟UKF相结合,通过在计算量测预测协方差和互协方差时引入渐消因子,在调整前一时刻频偏估计误差协方差的同时又控制过程噪声协方差,实时调整增益矩阵,增强了对时变频偏的跟踪能力,提高了估计精度。最后分别在非时变和时变频偏模型下对所提算法进行了仿真验证。仿真结果表明,与UKF频偏估计算法相比,所提算法在时变频偏中具有更好的跟踪和估计性能,在相同误码率(BER)下信噪比(SNR)大约有1 dB的提升。

基于改进强跟踪无迹卡尔曼滤波的电力信号同步相量跟踪算法

配电网中各类噪声对相量测量产生较大影响,研究在高噪声环境下能够可靠检测并能快速跟踪电力信号突变的同步相量测量算法,对保证电网的稳定性与可靠性具有重要意义。提出基于量测量误差协方差次优估计的自适应强跟踪无迹卡尔曼滤波(SEMEC-ASTUKF)的同步相量测量算法。首先根据递归最小二乘法提出一种自适应常值噪声统计估计器提高量测噪声协方差估计精度;然后根据电力信号突变后特征,构建突变检测算法和渐消因子次优估计算法,改善强跟踪无迹卡尔曼滤波(STUKF)算法在高噪声环境下对突变检测能力弱和跟踪突变慢的缺陷。利用实测信号对算法性能进行验证,结果表明,SEMEC-ASTUKF算法具有更高的测量精度,对突变具有更好的检测灵敏度和更高的跟踪速度。

基于强跟踪滤波的机器人运动轨迹控制系统设计

机器人运动信息采集的抗噪性较差,导致系统运动轨迹与实际轨迹不符,轨迹控制效果较差;因此提出基于强跟踪滤波的机器人运动轨迹控制系统设计;系统通过软硬件协同工作,实时控制机器人轨迹;采用IPM电机驱动控制系统硬件结构,根据指令和感知信息,采用多CPU结构控制方式,控制一个机器人关节运动;使用PCI9052接口控制PCI-485接口卡,实现了上下位机之间通讯;以TMS32OF240XDS为核心,设计DSP控制器,完全分离程序空间与数据空间;在软件设计方面,通过CAN-TTLG单片机光隔离超远程驱动器,使系统具有一定抗噪能力;构建机器人运动方程,引入强跟踪滤波弱化因子,计算运动轨迹偏差,并对机器人运动控制进行重力补偿,由此设计轨迹控制流程,完成机器人运动轨迹控制系统设计;实验结果表明,该系统运动轨迹与实际轨迹相符,且轨迹控制效率较好,具有良好控制效果。

基于改进Sigma点的无迹卡尔曼滤波水下目标跟踪算法

由于阵列所接收的信号在工作过程中会受到辐射噪声、环境噪声和目标信号、水下生物运动干扰,因此在目标跟踪的过程中降低噪声干扰并提高目标追踪精准度,正逐渐成为水下目标跟踪领域的研究热点和难点。常用的改进方法是根据Sigma点的采样策略进而对相应的方差权值和均值权值进行修改,Sigma点的采样策略则常常被忽视了。提出了一种基于改进Sigma点的无迹卡尔曼滤波算法(IUKF)优化水下目标跟踪效果。针对目标跟踪中测量噪声以及过程噪声影响导致的准确性问题,将第一次UT变换得到的增广状态向量以及协方差矩阵作为初始值对Sigma点进行了二次UT变换,与进行一次UT变换给定了的初始增广状态向量以及初始协方差矩阵相比,经过二次UT变换后的增广状态向量以及初始协方差矩阵精度更高。经过仿真,估计位置和真值之间的偏差减小了42.7%以上,估计距离和实际距离误差之间的偏差减小了86%,仿真实验结果表明所提的改进Sigma点的无迹卡尔曼滤波算法可以有效地抑制环境噪声的影响,提高水下目标跟踪精准度,在海洋资源勘探以及水下目标跟踪方面具有很好的实际应用前景。

强跟踪卡尔曼滤波器的研究与应用

针对无人机速度信号估计存在噪声等问题,研究一种基于强跟踪滤波与卡尔曼滤波对未知信号进行估计的滤波算法。在预测先验误差协方差时引入渐消因子,减弱过去数据对滤波效果的影响,从而提升滤波器的响应速度与精度。对无人机自驾仪估计的速度信号进行滤波处理。结果表明,强跟踪卡尔曼滤波器信号响应更快,超调更小,精度更高。

卫星时滞系统的强跟踪鲁棒扩展Kalman滤波

针对具有状态时滞和未知不确定性的卫星姿态控制系统,提出一种强跟踪鲁棒扩展Kalman滤波器,以实现执行器和传感器的并发故障估计。首先,考虑系统噪声,视故障为系统的辅助变量,建立增广时滞非线性系统。然后,提出鲁棒扩展Kalman滤波器,引入鲁棒上界以减少线性化误差。进一步,针对系统过程不确定性导致预测协方差精度较低的问题,引入基于多重次优渐消因子的强跟踪算法,以降低不确定性对滤波精度的影响。最后,给出仿真算例,将所提出方法与鲁棒扩展Kalman算法和扩展Kalman算法进行对比仿真。仿真结果表明,相较于其他两种算法,所提出方法的状态估计和故障估计均方根误差的平均值分别降低了69.2%、60.6%和88.1%、78.9%,仿真结果验证了设计方案的有效性。

基于无迹卡尔曼滤波的电梯运行位置跟踪分析

实时监测电梯位置有利于及时定位故障电梯导轨、检测平层故障,可基于无迹卡尔曼滤波(unscented Kalman filter,UKF)设计一种电梯运行位置估计方法。该方法采用同步定位与地图创建(simultaneous localization and mapping,SLAM)算法初始化电梯楼层信息,依据高灵敏传感器的量测值与无迹卡尔曼滤波融合加速度传感器估计电梯实时位置。研究结果表明:测量积累误差因UKF算法矫正不及时而持续增大,因此有效控制累积误差能够显著提高长时状态估计性能。误差积累可通过结合SLAM的UKF算法与自动校准得到有效控制,正确率高达95.02%,大幅提高了电梯运行位置估计效率,有助于提升电梯运行控制精度,为后续的智能化奠定数据基础。

基于强跟踪无迹卡尔曼滤波的内置式永磁同步电机转子位置估计

为了解决当永磁同步电机在运行中受到扰动、系统状态突变时,传统的无迹卡尔曼滤波算法对转子位置的跟踪能力下降、估计精度降低,甚至会使滤波器发散等问题,文中采用基于两相静止坐标系的内置式永磁同步电机数学模型的强跟踪无迹卡尔曼滤波算法,研究了在经典的无迹卡尔曼滤波的基础上引入强跟踪滤波器,既保留了经典的无迹卡尔曼滤波算法的优点,又能改善无迹卡尔曼滤波算法对状态突变鲁棒性的控制。仿真和实验结果表明,当永磁同步电机运行在中高速区域时,强跟踪无迹卡尔曼滤波算法可以快速准确地跟踪转子位置,估计误差低于经典的无迹卡尔曼滤波算法。

强跟踪粒子滤波算法及其在故障预报中的应用

粒子退化和对突变状态的跟踪能力差是粒子滤波在故障预报应用中存在的主要问题.再采样粒子滤波虽可缓解粒子退化,但易导致样本贫化;扩展粒子滤波也可在一定程度上解决退化问题,但难以跟踪突变状态.本文提出了强跟踪粒子滤波算法,将强跟踪滤波引入粒子滤波更新粒子,产生重要性密度,缓解粒子退化和样本贫化问题,提高跟踪突变状态的能力.仿真结果显示该算法可行并能及时准确地预报系统故障.

一种强跟踪扩展卡尔曼滤波器的改进算法

针对模型不匹配卡尔曼的状态估计发散和应用范围限于连续系统问题,提出一种基于有限差分强跟踪滤波器(STFDEKF).在滤波计算中,引入强跟踪滤波因子修正滤波器的状态预协方差矩阵,滤波精度得以提高;滤波器应用有限差分方法计算滤波过程中非线性函数的偏导数,扩大了适用范围.几种卡尔曼滤波器经过仿真比较,STFDEKF应用于复杂非线性系统状态估计时,具有较高数值稳定性、强跟踪性和较宽应用范围.

基于强跟踪滤波器的电力系统频率测量算法

频率在电力系统保护与控制、电能质量监测等领域都起到了关键作用。建立了谐波和噪声干扰下的电压信号的复数状态空间描述,提出了基于强跟踪滤波器(Strong Tracking Filter,STF)的电力系统频率测量算法。解决了扩展复数卡尔曼滤波(Extended Complex Kalmanfilter,ECKF)算法在算法收敛后,系统状态发生突变的情况下需要重置误差协方差阵来重新跟踪这些变化的问题,进一步提高了其动态跟踪速度。通过与鲁棒型扩展复数卡尔曼滤波(Robust Extended Complex Kalman Filter,RECKF)算法的对比仿真表明,STF测频算法在迅速跟踪电压频率、幅值和相位变化的同时又能够保持较低的跟踪误差。

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明:ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。

基于强跟踪滤波的车载行进间对准

针对车载行进间对准过程中存在复杂路面和未知干扰的情况,提出基于强跟踪滤波的里程计辅助车载捷联惯导行进间对准方法。采用多重渐消因子的强跟踪滤波器进行车载行进间精对准。多重渐消因子的强跟踪滤波器利用卡尔曼滤波取得最佳增益时残差序列互不相关的性质,在线自适应地调整渐消因子,对未知干扰有较强的鲁棒性。建立行进间对准的状态方程与观测方程,针对三种不同路况进行了8次跑车行进间对准试验。试验结果表明:强跟踪滤波能适应恶劣复杂路况;精对准后航向误差(1?)≤3.6′,满足指标要求。