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。

强跟踪容积卡尔曼滤波在空空导弹制导中的应用

针对传统滤波算法在处理目标复杂机动时非线性逼近能力不足、跟踪精度下降等问题,提出一种强跟踪容积卡尔曼滤波(STCKF)方法。首先,根据战斗机规避空空导弹的机动特征,建立了蛇形机动和桶滚机动两种目标运动模型;其次,引入强跟踪滤波(STF)以增强容积卡尔曼滤波(CKF)对系统状态突变等不确定因素的能力;然后,将STCKF应用于导弹末制导目标运动参数估计中,并通过与CKF、无迹卡尔曼滤波(UKF)和粒子滤波(PF)的对比仿真分析验证了该方法的有效性。仿真结果表明,STCKF具有较强的鲁棒性和系统自适应能力,尤其在目标机动突变时其跟踪误差相比CKF减小约10%,能够满足空空导弹末制导高精度和快速响应要求。

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。

未知激励下基于改进强跟踪卡尔曼滤波的结构响应重构

提出一种基于改进强跟踪卡尔曼滤波的结构外部激励计算和响应重构的方法。首先,利用状态空间模型得出结构的外部激励,并将激励与模态坐标结合组成新的状态向量,构建增秩状态空间模型。然后,在传统强跟踪卡尔曼滤波算法的基础上进行改进,使其能够处理有色噪声。最后,利用结构部分测点的加速度响应,实现对结构外部激励的计算及其余未测点的速度、加速度响应的重构,分别通过二维桁架和外伸梁进行数值模拟和试验分析,用来验证所提方法的有效性。结果表明,该方法能够有效地重构结构外部激励、未测点的速度和加速度响应,其响应时程曲线与计算响应或测量响应时程曲线吻合良好。

含径速观测的无迹卡尔曼滤波跟踪算法

利用主动声呐对目标的连续位置观测信息,基于卡尔曼滤波器是实现目标状态估计的主要方法。文章针对含径向速度的主动目标跟踪问题,提出了含径向速度观测的无迹卡尔曼滤波算法。首先,建立含径向速度观测的主动目标观测模型和运动模型;其次,依据模型选择一组精准的样本点,通过这组样本点传递实施状态预测、观测更新并传递状态向量的统计特性;最后,由这组样本的加权统计得到该目标状态向量和状态协方差矩阵的滤波更新。仿真和实际海试数据处理结果表明,含径向速度观测的无迹卡尔曼滤波跟踪较传统方法可有效缩短目标跟踪滤波的收敛时间,支持对机动目标的快速跟踪。

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.

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。

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。

基于强跟踪滤波器的电压暂降检测

快速精确地检测电压暂降特征量包括暂降幅值、起止时刻和相位跳变是电压暂降补偿的前提。提出了基于强跟踪滤波器的电压暂降检测方法,在考虑谐波、频率偏移、直流偏移、非整次谐波和噪声影响的基础上,建立了含有直流分量、基波和谐波分量的10阶强跟踪滤波模型;采用低阶强跟踪滤波器的渐消因子检测突变,实验表明该方法对弱突变也有较好的检测效果;采用高阶强跟踪滤波器检测暂降幅值和相位跳变。合成信号的仿真表明其动态响应特性优于普通Kalman滤波和虚拟三相dq变换法,动作时间小于0.2 ms,幅值误差小于0.009%,相位误差小于0.7o;较小的过程噪声协方差阵Q和较大的观测噪声协方差阵R使算法受非整次谐波的影响小;在频率偏移、直流偏移时也能得到准确的暂降特征量,在此点上优于时变Kalman滤波法。实测暂降信号的仿真表明所提方法能用于实际暂降信号,算法有望改善动态电压恢复器在扰动时的实时补偿效果。

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical,CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF-STF)算法和交互式多模型(interacting multiple-model,IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM-SCKF算法,实时性有明显改善。

强跟踪UKF粒子滤波算法

为解决传统的粒子滤波(particle filter,PF)及其改进算法对系统模型误差和状态突变的鲁棒性不强的问题,有学者提出具有较强鲁棒性的强跟踪扩展粒子滤波(strong tracking extended particle filter,STEPF),但其估计精度不高,需要计算雅可比矩阵,实现较为复杂困难。针对这一情况,提出基于强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter,STUKF)的强跟踪无迹粒子滤波(strong tracking unscented particle filter,STUPF)算法。在粒子先验分布更新阶段融入观测数据,以STUKF作为重要性密度函数,兼具UPF估计精度高和STUKF的鲁棒性且易于实现的优点,有效克服STEPF存在的缺点。数值仿真验证了所提算法的有效性。

基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计

本文将强跟踪滤波理论与多传感器数据融合技术相结合 ,提出基于强跟踪滤波器的多传感器状态与参数联合估计新算法 ;对拥有相同采样率的分布式多传感器单模型非线性动态系统 ,应用强跟踪滤波器 ,得到目标状态基于全局信息融合估计结果 ,并利用计算机仿真结果对算法的有效性进行了验证 ;这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题 。

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中 ,相互作用多模型 (IMM )算法是目前公认的最为有效的算法。但到目前为止 ,IMM估计方法都是建立在卡尔曼滤波器 (KF)和扩展卡尔曼滤波器 (EKF)基础上 ,因而其性能不仅依赖于所采用的模型集 ,而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器 (STF)克服了卡尔曼和扩展卡尔曼的三大缺陷 ,因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明 。