带补偿分量的时变卡尔曼滤波的电压凹陷检测方法

针对电压凹陷的实时检测问题,提出了带补偿分量的时变卡尔曼滤波。将电压凹陷信号分解为稳态分量与补偿分量,建立带补偿分量的卡尔曼滤波模型;电压稳态期退出补偿分量,电压凹陷期投入补偿分量,检测的补偿分量直接作为动态电压恢复器(dynamic voltage restorer,DVR)的指令值。结合αβ/dq变换给出电压凹陷有效值和相位跳变。应用滤波残差法检测电压突变,并提出锁定延迟法克服补偿分量频繁投入与退出。仿真结果表明,该方法比普通卡尔曼滤波、虚拟三相dq变换方法具有更快的响应速度,满足DVR的实时性要求。

基于鲁棒时变卡尔曼滤波估计的无人机视觉编队

针对一般多输入多输出不确定系统,提出一种基于鲁棒时变卡尔曼滤波的估计算法.该方法将时变卡尔曼滤波与自适应神经网络相结合,利用自适应神经网络克服外界非线性不确定因素,采用两个误差信号对其进行训练以提高估计精度,并对估计误差有界性进行证明.将该方法用于无人机视觉编队视线信息的状态估计,仿真结果表明该算法能够很好地估计不确定机动长机的加速度,实现了僚机对长机的有效跟踪.

基于无先验探测概率的改进PHD多目标跟踪算法

针对传统高斯混合—概率假设密度(GM-PHD)滤波器使用无先验检测概率和无效量测造成的性能下降问题,提出一种基于时变卡尔曼滤波(TV-KF)算法的多目标PHD滤波器。通过使用椭球门限对目标集合和量测集合进行预关联,将未知探测概率转化为目标的丢失与接收事件;将目标分为匹配存活目标,匹配新生目标和未匹配目标3类,对匹配目标,仅使用目标门限内的量测更新目标状态,对未匹配目标的权重进行衰减。仿真实验表明:所提出算法有效可行,综合性能优于传统GM-PHD算法。

未知探测概率下多目标PHD跟踪算法

针对未知探测概率下多目标跟踪问题,提出一种基于时变滤波算法的多目标概率假设密度(PHD)滤波器.算法推导了未知探测概率PHD递推式,提出了将未知探测概率转化为目标的丢失与接收事件,并依此建立了目标跟踪的马尔科夫模型,给出了该模型下时变卡尔曼滤波最优解,进而在高斯混和PHD(GMPHD)框架下推导了算法闭集解.仿真实验表明,所提出算法在未知且随时间变化的探测概率情形下,仍能实时地跟踪各目标,具有良好的工程应用前景.