基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

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.

Kalman滤波在自动化监测数据噪声处理上的应用研究

对Kalman滤波在静力水准和固定式测斜仪原始数据降噪处理中的应用进行研究。结果表明,在缓慢变形条件下,Kalman滤波可以有效过滤原始数据中的噪声,提供试验结果,还原监测对象真实变形情况。但在突发变形情况下,Kal-man滤波反应滞后。因此,实际应用中应综合使用滤波前和滤波后的数据,以更准确地研判变形趋势和规律,为自动监测数据的噪声处理提供了新的思路和方法。通过Kalman滤波的应用,可以进一步提高监测数据的准确性和可靠性,为工程安全监测和地质灾害预警等领域提供支持。

基于有色噪声Kalman滤波的桥梁自振频率提取模型研究

在分析有色噪声卡尔曼滤波的前提下,针对GPS动态测量的时间序列,分析误差序列的时间延迟,利用高斯-马尔科夫模型对其做有色量测噪声处理,从而得到去除相关噪声的时间序列值。将滤波残差序列分为两部分,每部分的长度均为5分钟,基于FFT方法对滤波残差信号进行频谱分析,获得误差信号的频率谱,对比两部分误差序列的频率谱,获取桥梁的自振频率,并通过FFT分析加速度数据,得到加速度的频率谱,进而验证基于GPS动态变形数据提取的桥梁低频动态特征。

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。

有色噪声情况下状态预测值修正的Kalman滤波

利用线性最小方差估计方法,以正交投影理论为工具,推导了动态线性系统在状态噪声为有色噪声情形下的状态预测值及其相应的协方差阵。在形式上,此预测值比经典Kalman滤波预测值多出一项,该项包含了前一时刻的新息。对新预测值进行分析,得出了有色状态噪声条件下Kalman滤波的新算法,扩展了经典Kalman滤波的应用范围。最后通过一个模拟算例,证明了该算法的有效性。

带有色噪声的广义系统信息融合Kalman滤波器

对于带自回归滑动平均(ARMA)有色观测噪声的多传感器广义离散随机线性系统,应用奇异值分解,提出了广义系统多传感器信息融合状态滤波问题。基于Kalman滤波方法,在线性最小方差信息融合准则下,给出了按矩阵加权融合降阶稳态广义Kalman滤波器。为了计算最优加权,提出了局部滤波误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了其有效性。

顾及有色噪声的Kalman滤波在GPS高频动态变形监测中的应用

在GPS高频动态变形监测过程中,观测噪声存在很强的时间相关性,使用标准卡尔曼滤波并不能得到最优滤波解。本文给出了一种基于一阶高斯马尔科夫过程的相关观测噪声函数模型估计方法,以及基于此噪声函数模型的两种改进卡尔曼滤波算法,对一组GPS模拟振动实验数据进行滤波处理,结果验证了该噪声函数模型估计方法的有效性,并对基于此模型的这两种滤波算法进行了对比分析。

森林资源量测系统为有色噪声的Kalman滤波

用Kalman提出的“状态空间”和“状态变量”的概念,对森林资源动态系统进行描述,该系统的蓄积状态是随机变量,是系统的待估对象。通过建立状态方程（即生长方程）和量测方程（即抽样方程）作为系统滤波的基础模型。为解决量测系统为有色噪声,解决的思路是改变量测方程,使等效的量测方程的附加噪声为白色噪声。然后利用Kalman滤波方程组,对森林蓄积进行预估和滤波,用蓄积的滤波值,经过反馈求得系统蓄积总估计量。通过误差的对比分析来衡量:取样数据的可靠性,基本模型的适应性,计算方法的可取性,滤波效果的可信性。

带有色观测噪声多传感器信息融合稳态Kalman跟踪滤波器

针对带有色观测噪声的目标跟踪系统,分别用基于ARMA新息模型和基于R iccati方程的两种方法,在线性最小方差信息融合准则下,提出了多传感器按矩阵加权、对角阵加权和标量加权的三种信息融合稳态Kalman跟踪滤波器.仿真说明了三种加权滤波器的误差的差别不明显,但按标量加权滤波器显著地减少了计算负担,便于实时应用,且验证了两种方法所得结果相同.应注意在构造ARMA新息模型时,必须进行多项式矩阵的左素分解,才能得到正确的ARMA新息模型.

基于Kalman滤波与应变信号的舰船轴系推力辨识研究

在线、实时、准确监测舰船螺旋桨推力对船-机-桨匹配设计、舰船快速性预报及推进轴系健康管理等具有重要意义。然而,受轴系振动及环境干扰等测量噪声影响,螺旋桨推力产生的微弱应变信号易被测量噪声淹没,导致难以准确测量推力。当前,一些常用的信号降噪方法,比如傅里叶变换、小波分析等均是基于纯数据降噪,未考虑测量数据中潜藏的力学机制。不同于这类降噪方法,Kalman滤波可同时考虑测量数据噪声及数据中的力学机制,对目标实现最小方差无偏估计,因而有更高的估计精度。因此,本文利用Kalman滤波结合应变测量信号提出一种螺旋桨推力高精度、在线辨识方法。以恒定转速、变转速及低频波动转速3种工况为例,研究了不同信噪比下本文方法的推力辨识精度与鲁棒性。研究表明,在信噪比仅为20 d B时,推力辨识最大相对误差仅为4.85%,因此本文方法在低信噪比下仍有很高的辨识精度与鲁棒性。同时,本文提出方法属于时域辨识方法,在转速突变、螺旋桨缠绕渔网等突发工况时亦能实时跟踪推力变化,因此可用于螺旋桨推力及轴系状态的在线、实时监测。

带有色观测噪声和输入估计的自校正Kalman滤波器及其应用

对于带来知有色观测噪声和未知常的输入的离散线性系统,本文用现代时间序列分析方法,基于ARMA新息模型,提出了一种新的带输入估计的自校正Kalmn滤波器,作为一个应用例子,提出了新颖的带有色观测噪声和输入估计的自校正α—β跟踪滤波器,仿真结果说明了其有效性。

带有色观测噪声的广义系统Kalman滤波器

对于带多传感器的广义线性离散随机系统,应用奇异值分解,并通过对观测方程的状态变换,将带有色观测噪声的系统变换为等价的带相关噪声的两个降阶多传感器子系统。应用Kalman滤波方法,在线性最小方差按块对角阵加权融合准则下,提出了按矩阵加权融合降阶广义Kalman滤波器,可减少计算负担和改善局部滤波精度。为了计算最优加权,给出了局部滤波误差协方差阵的计算公式,证明了融合器和局部滤波器之间的精度关系。一个MonteCarlo仿真例子说明了其有效性。

含有有色噪声的自适应Kalman滤波

通过时一类时不变线性有色噪声系统的卡尔曼滤波理论的分析．提出了一种在滤波过程中不断估计并修正未知参数的算法，最后给出了有关这种估值的渐近无偏性证明以及实时应用的例子．

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。

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.

改进扩展Kalman滤波的显微视觉压电驱动定位

在显微视觉领域,压电驱动定位技术因其在微观尺度的高精度特性和灵活性备受关注。然而,由于定位过程中涉及图像处理、传输和控制等方面的时延,导致图像雅可比矩阵的估计会出现较大误差。因此,本文提出了一种改进扩展Kalman滤波算法用来预测图像雅可比矩阵,大幅度降低时间延迟因素。首先,将辨识得到的Bouc-Wen模型与扩展Kalman滤波算法的状态观测方程相结合,使得状态观测方程更全面地考虑压电平台的迟滞非线性特性,有效地提高了对压电平台速度和位置的预测;其次,结合Bouc-Wen模型的扩展Kalman滤波算法在面对非线性问题时,采用的是泰勒级数,这将导致扩展Kalman滤波算法对高度非线性的函数无法提供良好的近似,从而导致在估计雅可比矩阵的时候引入较大的近似误差,故本文将采用神经网络对高度非线性函数进行近似,进而对图像雅可比矩阵进行估计。最后,通过搭建一个显微视觉的压电驱动实验平台,进行位置跟踪实验,仿真实验表明,输入信号分别为正弦信号和三角波信号时,改进扩展Kalman滤波算法跟踪误差均值分别为0.199μm和0.132μm,而扩展Kalman滤波算法的跟踪误差均值分别为0.692μm和0.513μm,结果验证了改进算法的优越性和可行性。

基于集合变换Kalman滤波的流场高效重构

湍流场的准确估计在航空航天领域具有重要意义,现有的获取手段在分辨率或者准确性方面是不足的。实验测量准确却往往测点数量有限,数值计算能获得全场数据,但精度却难以保障。数据同化方法融合了实验观测和数值模拟,是进行流场重构的有效工具。探索了基于集合变换Kalman滤波(ensemble transform Kalman filter,ETKF)的数据同化方法在空间流场重构方面的有效性,并讨论了不同迭代更新模式的重构精度和计算效率,即状态变量基于湍流模型更新的ETKF-M和基于流场数据更新的ETKF-D。以ONERA M6机翼作为数值算例,结合风洞实验翼型表面271测压孔的压力测量数据进行算法实验,结果表明ETKF方法的不同迭代模式均有效修正了湍流模型的预测,并且ETKF-D相对于ETKF-M提升了83%的计算效率。此外,选取两组不同位置的1/4实验测点进行同化实验,得到不同精度的结果,这表明重构的精度与同化测点的位置和数量密切相关。

基于离散Kalman滤波的计算机网络通信异常节点识别方法

传统异常节点识别方法存在效率较低、精准度较差的局限性,为解决以上问题,现提出基于离散Kalman滤波的计算机网络通信异常节点识别方法。首先,基于离散Kalman滤波构建通信节点测量信道模型,使系统的平方误差降至最小,从而为离散过程的优化设计提供递推算法,其次,提取计算机网络通信异常节点特征,将所有的异常进攻事件都分割成不同的数据集合,最后,实现计算机网络通信异常节点的定位并识别。实验结果证明:基于离散Kalman滤波的计算机网络通信异常节点识别方法识别准确率可达到99%以上,能够准确识别出异常节点,具有较高的识别精度。

基于Kalman滤波的镍钴冶金浸出过程pH测控实现

镍钴作为战略资源在能源与高科技领域中举足轻重。然而,镍钴冶金浸出过程中pH控制技术的挑战,尤其是其非线性变化和干扰因素是业界难题。文章提出了应用Kalman滤波算法来解决pH软测量问题,为浸出过程控制提供新视角。研究证实,此方法能提升镍钴冶金浸出的精度,有益于提高效率,节能并助力环保,具有显著的理论与实践价值。