不确定噪声方差定常系统保性能鲁棒Kalman滤波器

对带不确定噪声方差线性定常系统鲁棒Kalman滤波,提出一般的统一的保性能鲁棒性概念.用Lyapunov方程方法,提出两类保性能极大极小鲁棒稳态Kalman滤波器.一类是寻求不确定噪声方差最大扰动域(鲁棒域),使得对于扰动域内的所有扰动,确保系统滤波精度偏差的最大下界是零,最小上界是所预置的精度偏差指标;另一类是在预置噪声方差有界扰动域内,寻求滤波精度偏差的最大下界和最小上界.通过引入不确定噪声方差扰动的参数化表示,问题转化为相应的非线性与线性最优化问题,可分别用Lagrange乘数法和线性规划(LP)方法求解.应用于跟踪系统的仿真例子验证了所提结果的正确性和有效性.

基于Kalman滤波的信息融合白噪声最优反卷积滤波器

应用Kalman滤波方法 ,基于Riccati方程 ,在线性最小方差最优信息融合准则下 ,提出了两传感器最优信息融合白噪声反卷积滤波器。同单传感器情形相比 ,可提高滤波精度。它可应用于石油地震勘探信号处理。一个信息融合Bernoulli

带丢失观测和不确定噪声方差系统改进的鲁棒协方差交叉融合稳态Kalman滤波器

对带丢失观测和不确定噪声方差的线性定常多传感器系统,引入虚拟噪声将原系统转化为仅带不确定噪声方差的系统.根据极大极小鲁棒估值原理,用Lyapunov方程方法提出局部鲁棒稳态Kalman滤波器及其实际方差最小上界,并利用保守的局部滤波误差互协方差,提出一种改进的鲁棒协方差交叉(covariance intersection,CI)融合稳态Kalman滤波器及其实际方差最小上界.证明了所提出的鲁棒局部和融合滤波器的鲁棒性,并证明了改进的CI融合器鲁棒精度高于原始CI融合鲁棒精度,且高于每个局部滤波器的鲁棒精度.一个仿真例子验证所提出结果的正确性和有效性.

带未知有色观测噪声的自校正融合Kalman滤波器

对于带未知有色观测噪声的多传感器线性离散定常随机系统,未知模型参数和噪声方差的一致的融合估值器用递推增广最小二乘法(RELS)和求解相关函数方程得到.将这些估值器代入到最优解耦融合Kalman滤波器中,得出了自校正解耦融合Kalman滤波器,并用动态方差误差系统分析(DVESA)和动态误差分析(DESA)方法证明了它收敛于最优解耦融合Kalman滤波器,因而具有渐近最优性.一个带3传感器跟踪系统的仿真例子说明了其有效性.

汽车非平稳车内噪声时变综合烦躁度客观评价方法

与汽车非平稳车内噪声时变声品质主观评价序列的平滑性相反,传统客观评价模型输出的预测序列是较为波动的。本文在传统模型建立的基础上,利用Savitzky-Golay滤波器对预测序列进行时域平滑后处理。检验结果表明,相比于预测序列,时序平滑评价序列对车内噪声时变综合烦躁度的评价性能更高,预测精度(误差均方根值降低11.40%)、稳定性(误差方差降低31.50%)与一致性(Pearson相关系数提高9.95%)均得到较大提高。在传统模型基础上对预测序列进行时域平滑后处理,是具有更高精度的时变综合烦躁度客观评价方法。

带不确定参数和噪声方差的鲁棒观测融合Kalman滤波器

对带不确定参数和噪声方差的多传感器定常系统,引入虚拟白噪声补偿不确定参数,可将其转化为带已知参数和不确定噪声方差系统.应用极大极小鲁棒估值原理和加权最小二乘法,基于带噪声方差保守上界的最坏情形保守系统,提出了鲁棒加权观测融合Kalman滤波器,并证明了它与集中式融合鲁棒Kalman滤波器是等价的,且融合器的鲁棒精度高于每个局部滤波器鲁棒精度.一个Monte-Carlo仿真例子说明了如何寻求不确定参数的鲁棒域和如何搜索保守性较小的虚拟噪声方差上界.

带有色观测噪声系统多传感器标量加权最优信息融合稳态Kalman滤波器

基于标量加权多传感器线性最小方差最优信息融合准则,对被多传感器观测的带有色观测噪声的离散线性随机控制系统,提出了一种具有两层融合结构的标量加权信息融合稳态Kalman滤波器,它等价于相应的带相关噪声系统的最优信息融合稳态Kalman预报器.最优信息融合稳态预报器可在所有局部预报器达到稳态时,通过一次融合获得,且任两个子系统之间的稳态预报误差互协方差阵可通过任选初值迭代求得,并证明了它的收敛性.通过将它应用到带三个传感器的雷达跟踪系统验证了其有效性.

Kalman滤波器虚拟噪声补偿技术在陀螺随机常值漂移标定中的应用

采用Kalman滤波器对船用捷联惯性导航系统中的陀螺随机常值漂移进行标定，面临的一个重要问题是由于模型不准确，包括噪声统计特性不准确，导致估计值精度下降甚至发散。针对这一问题，本文运用自适应Kalman滤波的虚拟噪声补偿技术对陀螺随机常值漂移进行标定，收到较好的效果。

自适应Kalman滤波器在水下被动目标跟踪中的应用

在水下被动目标跟踪系统中 ,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差。提出了一种修正极坐标系下的自适应卡尔曼滤波算法 ,对虚拟噪声进行估计 ,动态补偿模型线性化误差 ,消减系统的观测误差 ,对其滤波理论及算法进行了研究和仿真。仿真结果表明 ,该算法提高了滤波的稳定性、快速性和精确性 ,优于一般的扩展卡尔曼滤波算法。

不确定系统鲁棒协方差交叉融合稳态Kalman滤波器

针对带不确定模型参数和噪声方差的线性离散多传感器系统,基于极大极小鲁棒估值原理,该文提出一种鲁棒协方差交叉(CI)融合稳态Kalman滤波器。首先,用引入虚拟噪声补偿不确定模型参数,把模型参数和噪声方差两者不确定的多传感器系统转化为仅噪声方差不确定的系统。其次,应用Lyapunov方程证明局部鲁棒Kalman滤波器的鲁棒性,进而保证CI融合Kalman滤波的鲁棒性,且证明了CI融合器的鲁棒精度高于每个局部滤波器的鲁棒精度。最后,给出一个仿真例子来说明如何搜索不确定参数的鲁棒域,并验证所提出的鲁棒Kalman滤波器的优良性能。

相关观测误差条件下Kalman滤波器的一种设计方法

在分析噪声相关性对Kalman滤波器性能影响的基础上,文章推导一种相关观测误差条件下卡尔曼滤波器的设计方法。该方法利用误差的相关矩阵信息,对量测矩阵和观测误差协方差阵做去相关校正,实现准最优的Kalman滤波,并获得正确的状态误差估计。仿真证明了算法的效果。

基于Kalman滤波的统一的Wiener状态滤波器

对于带相关噪声系统 ,基于稳态Kalman滤波器和自回归滑动平均 (ARMA)新息模型 ,提出了统一的渐近稳定的Wiener状态滤波器 ,可统一处理状态滤波 ,平滑和预报问题 .它们构成了一种新的时域Wiener滤波算法 .揭示了Kalman滤波器与Wiener滤波器之间的关系 .

多传感器全局最优观测融合白噪声反卷积滤波器

白噪声反卷积问题在石油地震勘探中具有重要的应用背景。利用Kalman滤波方法提出了多传感器最优观测加权融合白噪声反卷积Wiener滤波器。同集中式和分布式融合方法相比,不仅可得到全局最优白噪声融合估值器,而且可显著地减小计算负担,便于实时应用。一个四传感器Bernoulli-Gaussian白噪声加权观测融合估值器的仿真例子说明了其有效性。

鲁棒Kalman滤波陀螺随机噪声AR快速/实时建模

针对传统陀螺随机噪声的AR建模方法收敛速度慢、所需样本多等问题,提出新的基于鲁棒Kalman滤波的陀螺随机噪声AR建模方法。该方法将AR模型参数作为系统的状态量,采用未知时变的噪声统计估值器估计观测噪声的均值和方差,通过Kalman滤波估计出AR模型参数。实验结果表明:这种AR建模方法具有收敛速度快,时间开销少的优点。当有新的噪声数据到来时,还能使建立的AR模型得到及时更新,提高建模准确度,适用于快速建模或陀螺随机噪声具有强时变性的工程场合。

有色噪声条件下的实用Kalman滤波方法研究

Kalm an滤波技术是现代信息处理中的重要工具,但是基本的Kalm an滤波基本方程中要求系统噪声和量测噪声必须为互不相关的均值为零的白噪声过程,限制了应用的范围。该文研究了在系统噪声和量测噪声都是有色噪声条件下的Kalm an滤波方法,运用状态扩充法和量测扩增法推导了全套的滤波方程,拓宽了Kalm an滤波器在工程中的应用范围。

自校正分布式观测融合Kalman滤波器

对于带未知噪声统计和带具有相同右因子的观测阵的多传感器系统,应用加权最小二乘(WLS)法可得到一个等价的融合观测方程。该文应用现代时间序列分析方法,基于新息模型参数的在线辨识,可估计未知噪声方差,进而提出了自校正加权观测融合Kalman滤波器。在新息模型参数估计是一致的和观测数据是有界的假设下,该文证明了自校正Kalman滤波器收敛于当噪声统计已知时的全局最优融合Kalman滤波器,因而它具有渐近全局最优性。最后给出了一个4传感器跟踪系统的仿真例子并验证了其有效性。

自校正解耦融合Kalman滤波器及其收敛性

对带未知噪声统计的多传感器系统,提出了基于相关方法的噪声统计在线估值器,进而提出了自校正Riccati方程和自校正Lyapunov方程。在按分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦融合Kalman滤波器,并用动态误差系统分析(DESA)方法证明了它收敛于最优分量解耦融合稳态Kalman滤波器,因而具有渐近最优性,它的精度比每个局部自校正Kalman滤波器精度高,且算法简单,便于实时应用。一个目标跟踪系统的仿真例子说明了其有效性。

多传感器集中式观测融合Kalman滤波器快速算法

对多传感器线性离散时变随机系统,虽然基于Riccati方程的集中式观测融合Kalman滤波器算法可给出全局最优状态估计,但其缺点是要求计算高维逆矩阵,计算负担大。为了克服这个缺点,应用信息滤波原理,基于改进的Riccati方程,或逆预报误差方差阵方程,或逆滤波误差方差阵方程,提出了相应的全局最优集中式观测融合Kalman滤波器的三种快速算法,可避免高维逆矩阵,可明显减小计算负担,便于实时应用,一个数值仿真例子说明了它们的有效性。

稳态Kalman滤波器增益的一种新算法

用现代时间序列分析方法，基于ＡＲＭＡ新息模型，提出了稳态Ｋａｌｍａｎ滤波器增益阵的一种新算法。可处理模型噪声与观测噪声相关的系统，也可处理带奇异的和／或不稳定状态转移阵的系统。仿真例子说明了其有效性。

基于Kalman滤波的稳态白噪声估值器

基于 Kalman 滤波,对带非零均值的相关噪声系统提出了统一的稳态白噪声估值器,可统一处理白噪声滤波、平滑和预报问题。它们包括稳态输入白噪声估值器和观测白噪声估值器,且包括白噪声新息滤波器和 Wiener 滤波器。一个 Bernoulli-Gaussian 白噪声的仿真例子说明了它们的有效性。