有偏量测下基于最大相关熵卡尔曼滤波的目标跟踪方法

针对传感器存在系统偏差且噪声非高斯条件下目标状态估计精度较差的问题,提出一种有偏量测下基于最大相关熵卡尔曼滤波(Maximum Correntropy Kalman Filter,MCKF)的目标跟踪方法。该方法通过引入差分机制,利用目标相邻时刻的有偏量测之差构建差分量测方程,有效克服了系统偏差的影响。随后基于最大相关熵准则(Maximum Correntropy Criterion,MCC)量化估计误差的高阶矩信息,并以差分量测为先验条件推导出有偏量测下算法的滤波迭代方程。仿真结果表明,当系统观测值受传感器系统偏差和非高斯噪声干扰时,与现有方法相比,所提方法具有更好的跟踪性能。

基于最大相关熵卡尔曼滤波的UWB室内定位算法

随着无线通信技术的不断发展,室内定位技术逐渐成为关注的热点。然而,在复杂的室内环境中,如非高斯噪声等条件下,传统的超宽带(ultra wide band,UWB)定位算法往往存在定位精度低、鲁棒性差等问题。该算法将最大相关熵准则引入卡尔曼滤波(Kalman filter,KF)算法的代价函数中,并对测量噪声进行建模,因此能够给异常量测值分配较小的权重以减轻其对于状态估计的影响,相对于传统的卡尔曼滤波算法具有更强的鲁棒性。在仿真实验中,采用了多个基站对运动目标进行定位,结果表明,非高斯环境下,相比于卡尔曼滤波和无迹卡尔曼滤波(unscented Kalman filter,UKF),新算法能够有效地提高室内定位的精度和鲁棒性。

最大相关熵卡尔曼滤波误差修正方法

针对各类设备性能参数测试过程中,由于测试设备自身误差和测试人员操作不当带来的测试数据误差问题,提出一种最大相关熵卡尔曼滤波(maximum correlation entropy Kalman filter,MCKF)误差修正方法。该方法通过引入最大相关熵,对测试数据中的非高斯噪声干扰进行处理,提高误差修正精度。将其运用到某设备性能参数测试数据的误差修正中,仿真结果表明:该方法能够有效处理测试数据中的非高斯噪声干扰对误差修正精度带来的影响。

基于最大相关熵卡尔曼滤波的组合导航方法

针对GNSS/INS组合导航存在累积误差和对异常数据敏感的问题,提出了基于最大相关熵卡尔曼滤波导航方法。该方法利用最大相关熵准则生成协方差矩阵,通过给异常导航数据赋予较小权重,降低异常数据对导航性能影响。针对组合导航累积误差问题,通过扩展新息和滤波增益,自适应调整权值向量,以降低导航累积误差。车载组合导航测试结果表明,该方法能够在可视卫星个数较少、异常数据严重的情况下,实现有效导航定位,且降低了导航累积误差。

最大相关熵准则下改进扩展卡尔曼滤波的车辆状态估计

针对传统卡尔曼滤波在非高斯环境下对车辆状态估计鲁棒性和精度差的问题,提出最大相关熵准则(MCC)下改进自适应迭代扩展卡尔曼(AIEKF)滤波算法(MC-AIEKF),建立横-纵耦合的三自由度车辆模型,利用易测得的车载传感器信息设计了包含横摆角速度、质心侧偏角、纵向车速的状态观测器。在双移线和正弦扫频输入工况下通过Simulink/CarSim仿真试验平台对提出的算法进行了验证。结果表明,在非高斯环境下,相比于扩展卡尔曼滤波(EKF)和AIEKF,MC-AIEKF算法估计精度高,鲁棒性好,在实际的车辆状态估计中MC-AIEKF具有更强的适用性。

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰问题。

基于卡尔曼滤波在连续图像配准滤波的研究

扫描笔是一种便携式的文字和图像采集工具,图像拼接技术在扫描笔应用中发挥了重要作用。传统的图像配准方法是基于图像特征点匹配完成图像配准的,但在扫描笔图像拼接中受到采集图像分辨率的影响,该方法不仅耗时长,而且由于特征点的不足,导致难以配准成功。基于该问题,提出了基于相位相关算法对扫描笔图像进行配准,并在此基础上加入了卡尔曼滤波对配准结果进行二次滤波处理。实验结果显示,与传统的图像拼接算法相比,该方法不仅能够保证图像拼接的速度,而且经过卡尔曼滤波后,减少了偏移量中的噪声信息,提高了图像拼接质量。

基于不变矩卡尔曼预测的核相关跟踪算法改进

针对KCF(核相关滤波器)算法在目标发生严重遮挡时易出现目标丢失的问题,提出了一种结合不变距特征及卡尔曼预测的核相关滤波跟踪算法。利用模板图像和当前帧图像的不变矩特征计算相关量,然后根据不同遮挡情况下相关量值的变化情况设定目标遮挡判断机制。当目标未遮挡时KCF算法对目标继续跟踪;当目标被遮挡时利用卡尔曼滤波预测目标位置,目标复现后KCF算法利用预测的位置信息继续跟踪。最后采用OTB-2015数据集测试算法的有效性,实验结果表明,论文算法相对于KCF算法跟踪精度和跟踪成功率分别提高了12.95%和13.28%,有效改善了遮挡情况下的目标跟踪性能。

卡尔曼滤波框架下基于最大相关熵的移动机器人位姿估计

在同时定位与地图构建(simultaneous localization and mapping,SLAM)框架下,针对移动机器人传统滤波算法在非高斯噪声下位姿估计精度低的问题,提出了一种基于迭代无迹卡尔曼滤波(iterative unscented kalman filter,IUKF)和最大相关熵(maximum correntropy,MC)相结合的位姿估计算法(MCIUKF).利用MC来处理非高斯噪声,构造了基于MC的代价函数,然后利用麦夸尔特法(levenberg-marguardt method,LM)对该代价函数进行优化,在此基础上推导了状态和协方差的迭代更新过程,改进了IUKF的更新步骤。仿真结果表明,在非高斯噪声环境下,该算法与传统的滤波算法相比具有更好的估计精度,并具有良好的稳定性。

基于最大相关熵的雷达扩展卡尔曼滤波算法研究

雷达系统中跟踪滤波器的设计通常依赖于线性高斯系统。一旦系统为非线性且受到非高斯噪声干扰时,雷达跟踪性能便出现严重恶化。为了提高目标在非线性非高斯环境下跟踪的精度,将最大相关熵扩展卡尔曼滤波(MCEKF)算法应用到雷达跟踪系统中。该算法使用最大相关熵(MCC)而非传统的最小均方误差(MMSE)作为优化准则,具有较强的定位精度以及鲁棒性。最后通过仿真实验与传统扩展卡尔曼滤波(EKF)算法进行了性能比较,结果表明:最大相关熵扩展卡尔曼滤波(MCEKF)算法精度高于(EKF)算法。

基于相关熵的自适应扩展卡尔曼滤波定位方法

我国下一代列车运行控制中,列车位置主要通过融合以卫星定位为核心的多源定位信息得到。然而,卫星量测易受到钟跳或环境多源噪声等不确定因素影响,产生阶跃故障或瞬时粗大偏差等现象,导致传统扩展卡尔曼滤波估计失准且稳定性下降。通过分析常规滤波方法在列车位置估计中存在的问题,采用信息理论学习思想提出一种基于最大相关熵准则的自适应扩展卡尔曼滤波定位方法(AMCEKF);利用最大相关熵准则替换传统滤波中的最小均方差准则,选择高斯核函数作为代价函数,重构量测噪声,避免了量测噪声的先验高斯假设;设计基于Pseudo-Huber的核宽度自适应更新策略,解决核宽度对估计性能的制约问题。采用拉萨—林芝铁路实测数据进行测试,测试结果表明:在瞬时故障和阶跃故障场景下,AMCEKF均能够有效抑制故障量测带来的定位性能退化,具有较高的鲁棒性和估计精度;相比基于扩展卡尔曼滤波的定位结果,水平位置精度分别增加了56.5%和61.2%。

相关数据组卡尔曼滤波分光光度法

针对卡尔曼滤波法存在的问题，提出相关数据组卡尔曼滤波法。本方法可减小测量值误差对迭代运算的影响，有效地抑制了滤波数值的发散。以数值模拟体系检验本方法，当误差为±５％时，回收率为９５．５％～１０５％。以ＰＡＲ为显色剂，对锌、镉、铅三元素进行同时测定，获得了满意的结果。

基于卡尔曼滤波和相关系数的异常检测方法

由于安全问题是无线传感器网络应用面临的重要挑战之一,提出了一种基于卡尔曼滤波和相关系数相结合的异常入侵检测方法,该方法首先对正常情况下无线传感器网络节点的流量应用卡尔曼滤波进行预测,然后根据传感器节点的流量预测序列和实际流量序列的相关系数变化来进行异常检测。该算法具有能量有效、轻量级、可用性的特点。实验结果表明了该方法的有效性。

基于熵准则的卡尔曼滤波算法的姿态估计

针对多传感器融合姿态解算中非高斯噪声姿态方向估计的问题,提出一种基于熵准则的卡尔曼滤波器的设计,最小熵准则的滤波方法能更好地减少估计误差,利用基于加速度计四元数推导建立的数学模型,能够很好地估计解算陀螺的方向,这样既减少了CPU的计算量,又能更好地校正陀螺的数据。为了验证算法的可行性,利用惯性测量单元(IMU)模块对比了最速下降算法、经典的卡尔曼滤波算法,实验结果表明:基于熵准则的卡尔曼滤波算法在室内能更好地估计姿态方向和去除噪声,且具有较高的精度和可靠性。

去相关卡尔曼滤波算法在视频跟踪中的应用

针对测量噪声去相关下的卡尔曼滤波算法在视频目标跟踪中的应用问题展开了研究,首先分析了图像目标质心测量噪声的统计特性,指出测量误差是具有较强相关性的有色噪声;通过提出一种噪声白化方法,将测量噪声视为在高斯白噪声激励下所产生的一阶马尔科夫序列,并对系统测量模型进行了改进;最后借助噪声去相关意义下的卡尔曼滤波算法对所拍摄的航模飞机视频图像进行了跟踪仿真测试。仿真实验结果证明所给出的滤波算法可以明显提高目标位置的估计精度,并有效抑制了背景的干扰。

基于卡尔曼滤波与相位相关算法的机场周边远场图像全景拼接优化

目前针对机场周边远场环境,依靠单个摄像机的分散监控已经无法满足现行机场对于周边环境掌控的要求。因此提出了在远场环境下,使用单目摄像机匀速旋转360度得到的一系列周边图像去生成一张全景拼接图。然后运用卡尔曼滤波和相位相关算法对摄像机进行运动优化,最终实验得到了一个稳定实时的全景拼接图像。所以,此方法对于机场周边远场环境的监控能够做到实用可靠。

卡尔曼滤波噪声相关时的改进算法

文中通过对基本卡尔曼滤波算法要求系统噪声与量测噪声不相关限制了其应用进行分析,借鉴Kal- man早期论文中的思想.运用Lagrange条件极值定理推导了在噪声相关情形下卡尔曼滤波全套算法,拓展了其应用范围,同时对改进算法进行仿真.结果与基本卡尔曼滤波算法进行比较证明达到预期效果,最后对信息融合的研究趋势进行了展望。

基于改进无迹卡尔曼滤波的多径估计算法

【目的】在导航定位系统中,基于卡尔曼滤波框架的多径误差抑制算法是提高定位精度的有效方法。但是,在算法的过程噪声和观测噪声协方差初值的选取不当时,会导致估计结果误差很大甚至发散。另外,由于此类算法是基于最小均方误差准则,算法在受到非高斯噪声干扰时尤其是重尾非高斯噪声,会出现估计精度显著下降的问题。【方法】为了在高斯噪声和非高斯噪声下都能够保持较好的多径估计结果提高定位精度,本文提出一种自适应最大相关熵无迹卡尔曼滤波(adaptive maximum correntropy unscented kalman filter, AMCUKF)多径估计算法,算法在观测更新过程中引入最大相关熵作为优化准则,以解决在非高斯噪声下的估计精度下降的问题,在噪声协方差更新过程中用观测量的残差序列对噪声协方差矩阵进行递归更新,取代过程噪声和观测噪声协方差初值的选取。【结果】在高斯噪声和非高斯噪声下分别进行了仿真实验,通过与两种基于卡尔曼滤波框架的估计算法进行对比表明,AMCUKF多径算法不仅能够在高斯噪声下保持较好的多径估计结果,而且在非高斯噪声下也能够保持更高的多径估计精度,有效抑制非高斯噪声的干扰。

噪声相关情况下的卡尔曼滤波

标准卡尔曼滤波公式是基于白噪声推导出来的,在同一时刻状态噪声与观测噪声互相关,相应的卡尔曼滤波公式复杂,计算繁琐。通过改化观测方程的方法,导出一种新型基于噪声相关的卡尔曼滤波公式,并证明标准卡尔曼滤波是噪声相关卡尔曼滤波的一个特例。本文导出的基于噪声相关的卡尔曼滤波公式计算只比标准卡尔曼滤波增加了观测方程改化过程,便于编程计算。

考虑量测相关性的容积卡尔曼滤波动态状态估计

针对电力系统动态状态估计中数据采集与监视控制(Supervisory Control and Data Acquisition,SCADA)系统量测量间存在相关性的实际情况,文中提出了一种考虑量测相关性的容积卡尔曼滤波动态状态估计方法。进行了SCADA系统量测相关性分析,然后基于状态转移方程推导过程噪声协方差矩阵,基于容积变换方法计算考虑SCADA系统量测相关性的量测误差协方差矩阵,并提出了考虑量测相关性的电力系统动态状态估计流程,每次估计实时修正量测误差协方差矩阵及过程噪声协方差矩阵。IEEE-39节点系统的仿真结果表明,相较于不考虑量测相关性的容积卡尔曼滤波算法,文中方法能够明显提高状态估计结果的精度。