基于时滞系统的模糊自适应容积卡尔曼滤波算法

容积卡尔曼滤波算法作为经典的滤波算法,它有自己的优点,可以有效地提高滤波精度,但滤波过程当中量测噪声统计特性往往不确定,且系统观测还可能存在时滞,文章借鉴转化时滞方程和模糊化的思想,提出一种在观测时滞系统下的模糊自适应容积卡尔曼滤波算法。该算法既解决了观测时滞方程的问题,又动态调整量测噪声协方差阵的权值。仿真实验表明,该算法可以有效减小误差且提高滤波精度。

基于模糊自适应卡尔曼滤波的INS/GPS组合导航系统算法研究

针对车载组合导航系统量测噪声统计特性随实际工作条件的不同而变化的特点,提出了一种基于模糊自适应卡尔曼滤波的车载INS/GPS组合导航算法。该方法通过监视理论残差与实际残差的比值是否在一附近,应用模糊推理系统不断的调整量测噪声协方差阵的加权,对卡尔曼滤波的量测噪声协方差阵进行递推在线修正,使其逐渐逼近真实噪声水平,从而使滤波器执行最优估计,提高导航系统的精度。对车载组合导航系统的仿真结果表明,这种算法对时变的量测噪声具有较强的自适应性,进而精度比常规卡尔曼滤波也大为提高,是一种可行的车载组合导航算法。

模糊自适应卡尔曼滤波技术研究

提出了一种基于模糊自适应卡尔曼滤波技术的组合导航的新方法。这一方法主要应用于自主式机动飞行器。用模糊逻辑自适应控制器对卡尔曼滤波器的噪声方差进行“在线”修正,将卡尔曼滤波器调整到最优状态,从而提高组合导航系统的精度。通过对ＧＰＳ/ＩＮＳ组合导航系统的仿真,验证了模糊自适应卡尔曼滤波器比常规卡尔曼滤波器具有更高的精度。该方法的研究对飞行器的导航与制导具有重要意义。

模糊自适应无迹卡尔曼滤波方法用于天文导航

为克服航天器自主天文导航中不确定测量噪声对导航精度的影响,提出了一种基于模糊推理的自适应无迹卡尔曼滤波(FUKF)方法.该方法根据滤波过程中实际测量残差方差与理论残差方差的比值,将系统滤波过程分为普通模式和自适应模式.分别对两种模式建立模糊隶属度函数,应用模糊推理规则,得到自适应修正因子,对系统的测量噪声方差阵进行实时修正,使其跟踪实际测量噪声的变化.当系统受到不确定环境噪声影响时,该滤波算法仍然有效收敛.将该方法应用于直接敏感地平的航天器自主天文导航中,不同测量噪声水平下的仿真结果表明,该算法对不确定的测量噪声具有较强的自适应能力,保证了导航信息的输出精度.

基于INS/GPS组合导航的自适应模糊卡尔曼滤波

针对组合导航系统量测噪声统计特性随实际工作条件的不同而变化的特点,提出了一种基于模糊自适应卡尔曼滤波的INS/GPS组合导航算法。该方法通过监视理论残差和实际残差的协方差一致程度,应用模糊系统不断调整滤波器的增益系数,对卡尔曼滤波器进行在线自适应控制,最终实现最优估计。通过对INS/GPS组合导航系统的跑车试验,结果表明该方法在高噪声环境中具有良好的信息融合能力,能有效跟踪研究对象的状态变化。进一步表明该方法是有效、实用的。

模糊自适应卡尔曼滤波技术研究

本文提出了一种基于模糊自适应卡尔曼滤波技术的组合导航的新方法 .这一方法主要应用于自主式机动飞行器 .用模糊逻辑自适应控制器对卡尔曼滤波器的噪声方差进行“在线”修正 ,将卡尔曼滤波器调整到最优状态 ,从而提高组合导航系统的精度 .通过对 GPS/ INS组合导航系统的仿真 ,验证了模糊自适应卡尔曼滤波器比常规卡尔曼滤波器具有更高的精度 .该方法的研究对飞行器的导航与制导具有重要意义 .

航天器天文导航模糊自适应卡尔曼滤波研究

星光折射间接敏感地平的自主天文导航方法能够获得很高的导航精度 ,但由于大气密度模型时空分辨率不高 ,这种方法所敏感的地平有可能出现较大的瞬时误差 ,从而导致导航滤波器精度降低 ,有时甚至发散 .为了解决这一问题 ,提出将模糊推理系统应用于自主天文导航 ,研究基于Unscented卡尔曼滤波的模糊自适应算法 ,使导航滤波器在观测值异常时具有一定的自适应能力 .

基于模糊自适应卡尔曼滤波算法的多传感器信息融合

联合滤波器各子系统量测噪声统计特性发生变化时,标准卡尔曼滤波算法由于无法实时检测和调整,使得估计误差增大,最终导致融合后估计误差随之增大。本文针对该问题提出使用模糊自适应滤波代替标准卡尔曼滤波,形成模糊自适应联合卡尔曼滤波信息融合算法。新算法应用模糊推理系统不断的在线调整量测噪声协方差阵的加权系数,使模型量测噪声逐渐逼近真实噪声水平。将该算法应用于多传感器姿态确定系统中,仿真结果验证了算法的真实有效性。

一种改进的自适应模糊卡尔曼滤波算法

针对常规卡尔曼滤波(KF)处理小噪声和变化噪声不足,提出了一种改进的自适应模糊卡尔曼滤波[1(]IAF-KF)算法。该算法根据模糊推理输入量的变化特点建立一个新的非线性隶属度函数,取代了常用的三角形线形隶属度函数;然后利用模糊化后的等级和隶属度构造了补偿调节函数(CAF),用于调节卡尔曼滤波算法中的误差,提高实际测量误差与理论测量误差间的匹配程度。仿真实验表明,较之传统的卡尔曼滤波,该方法在小噪声和变化的噪声情形下有效的克服了稳态误差,同时降低了模糊卡尔曼滤波算法的复杂程度。

S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。

组合导航系统中模糊自适应卡尔曼滤波器的设计

为了解决常规卡尔曼滤波法存在的不足,给出了用模糊推理系统与卡尔曼法相结合的方法。该方法通过监视理论残差和实际残差的协方差一致程度,应用模糊系统不断调整滤波器的增益系数,对卡尔曼滤波器进行在线自适应控制,最终实现最优估计。通过对INS/GPS组合导航系统的计算机仿真,结果表明该方法是有效、实用的。

模糊逻辑自适应卡尔曼滤波技术在GPS/INS组合导航系统中的仿真研究

提出利用模糊逻辑自适应控制器 (FLAC)调整扩展卡尔曼滤波器 (KALMAN)的方法 ,该方法应用于GPS/INS信息融合。FLAC通过监视残差是否为零均值白噪音 ,然后根据模糊规则调整滤波器的指数加权 ,从而使滤波器不断执行最优估计。通过仿真与常规扩展卡尔曼滤波器相比较 ,其性能优于常规扩展卡尔曼滤波器。

H ∞ 模糊自适应容积卡尔曼滤波

针对滤波过程中噪声统计特性不准确及非零均值噪声统计特性的情况,本文依据H∞卡尔曼滤波和容积卡尔曼滤波理论,设计了一种H∞模糊自适应容积卡尔曼滤波方法,有效地提高滤波的精度以及对系统未建模动态的鲁棒性。考虑到容积卡尔曼滤波过程中需要已知噪声的先验统计特性的情况,提出了一种模糊自适应方法对系统噪声和测量噪声进行估计,从而提高滤波的稳定性和收敛的快速性。通过仿真实验表明:本文提出的H∞自适应容积卡尔曼滤波能够对噪声特性进行有效的估计,在系统存在参数摄动的情况下具有更高的鲁棒性。

模糊自适应卡尔曼滤波在惯性/地磁导航中的应用

为了提高自主、无源组合导航系统的精度和可靠性,针对惯性/地磁组合导航系统中滤波发散、量测噪声统计特征随实际情况不同而变化的问题,本文在无迹卡尔曼滤波的基础上,通过监测滤波新息的方差和均值变化,采用模糊自适应滤波算法,"在线"调整模型中的噪声方差阵,来改变滤波器的估计均方误差和滤波增益。通过自适应调整Sigma采样中权值的比例因子α,来解决UT变换的非局部效应,达到提高组合导航的精度的作用。仿真结果表明,模糊自适应卡尔曼滤波器可以有效的提高惯性/地磁组合导航系统,克服了传统滤波算法的缺点和不足,提高了滤波精度。

结晶器液位系统的卡尔曼滤波模糊自适应PID控制

连铸机结晶器钢水液位控制系统是一个时变的、非线性的、多干扰的复杂系统。通过对连铸机结晶器液位控制系统的分析,建立了结晶器液位模型,提出了卡尔曼滤波模糊自适应PID控制策略,实现了PID参数的在线整定,减小了随机干扰和测量噪声的影响。理论分析和仿真研究表明该控制方法对结晶器液位控制系统的适应性好,抗干扰能力强,具有较快的响应速度和较强的鲁棒性。

联邦模糊自适应卡尔曼滤波在速度+姿态传递对准中的应用

在系统动态模型和噪声统计特性无法完全获得的情况下,通过调整卡尔曼滤波器的相关参数提高弹载子惯导对准性能,其效果是很有限的,采用联邦模糊自适应卡尔曼滤波方法进行速度+姿态匹配传递对准,并对算法进行了可行性分析与仿真验证。仿真结果表明,在系统动态模型和噪声的统计特性不确定的情况下,速度+姿态匹配传递对准的联邦模糊自适应卡尔曼滤波短时间内能够较好地估计出弹载子惯导的初始姿态失准角,是一种非常有效的信息融合方法。

模糊自适应卡尔曼滤波技术在球果采集机器人控制系统中的应用

为实现自动采果,采用基于模糊自适应卡尔曼滤波的RBF神经网络对机械手动作进行控制.通过MATLAB编程固化到芯片中,将在线获得的三维激光扫描仪及传感器数据进行实时处理并控制采果运动.试验表明：采用的神经网络控制系统工作有效,采果机器人每天可采落叶松球果700～1000 kg,效率为未采用神经网络控制时的1.4～2.0倍,为人工采集的40～60倍.

基于模糊自适应卡尔曼滤波的汽车状态软测量

汽车行驶中某些状态信息很难直接测量或测量成本较高,而正确获取这些状态对汽车底盘控制有着重要的意义。为以较低成本获取关键的汽车运动状态,利用参数软测量技术,针对汽车3自由度(3-DOF)动力学模型,采用了基于模糊自适应卡尔曼滤波算法的汽车状态软测量方法 ,利用模糊控制策略实时监测残差的实际方差和理论方差的比值对时变观测噪声的协方差矩阵进行在线修正,通过该方法来抑制噪声对精度的影响,进而提高汽车状态的估计精度。仿真结果表明,本文所采用的模糊自适应卡尔曼滤波算法在时变噪声的情况下能够有效地提高状态估计的精度,能够满足工程实际需求。

MIMU/GPS组合导航模糊自适应卡尔曼滤波研究

针对组合导航初始对准中存在模型误差时常规卡尔曼滤波容易发散的问题,提出了一种模糊自适应卡尔曼滤波算法。该算法采用模糊控制规则,根据新息的方差和均值变化自适应调整量测噪声权值矩阵。此算法运用于MIMU/GPS组合导航初始对准中,获得了较高的导航精度。仿真结果表明,该算法能够有效防止滤波发散,减少模型误差对滤波结果的影响,提高了滤波精度,实现了参数的在线调整。

方差模糊自适应卡尔曼滤波及其应用

卡尔曼滤波用于高机动目标跟踪随滤波时间的增大,滤波方差及增益对目标机动噪声的适应性差,滤波误差较大。文中研究了一种方差模糊自适应卡尔曼滤波技术,根据滤波新息幅值大小直接调解滤波方差.强化了滤波算法对目标机动噪声的适应能力。仿真结果表明,改进的算法稳定性高,精度得到明显改善,用于高机动目标跟踪拦截系统效果较好。