渐消自适应Unscented粒子滤波及其在组合导航中的应用

提出一种新的渐消自适应Unscented粒子滤波算法,通过Sigma点来获取状态估值和协方差阵,利用渐消因子自适应的调节权值大小,得到一种参数可调节的重要性密度函数。该重要性密度函数考虑了最新量测的影响,更合理地利用有效信息,保证了粒子多样性,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和渐消自适应扩展Kalman滤波比较,仿真结果表明,提出的滤波算法能提高导航解算的精度,其性能明显优于扩展Kalman滤波和渐消自适应扩展Kalman滤波。

自适应渐消无迹卡尔曼滤波锂电池SoC估计

精确的荷电状态(SoC)是锂电池安全高效运行的重要保障,文章针对传统无迹卡尔曼滤波(UKF)对非线性系统突变状态跟踪能力差,导致SoC估计精度低的问题,提出一种新型自适应渐消无迹卡尔曼滤波(AFUKF)SoC估计方法。首先,通过设计新型衰减因子对UKF误差协方差矩阵进行加权,并基于新型衰减因子完成AFUKF的设计,减小陈旧量测值对估计结果的影响,提高传统UKF的估计精度和跟踪能力。其次,基于自主实验平台测试数据,验证了本文所提AFUKF算法存在初始误差时,相较于传统UKF算法,ECE工况下平均绝对误差和均方根误差分别下降了47.95%和33.92%,DST工况下分别下降了36.40%和27.73%;相较于同类改进的AUKF算法,ECE工况下平均绝对误差和均方根误差分别下降了43.36%和33.51%,DST工况下分别下降了39.01%和25.63%。模型结果表明,相比于传统UKF算法以及同类型改进的AUKF算法,AFUKF具有更高的估计精度,且在相同初始SoC误差条件下具有更好的鲁棒性。

基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法

针对机器人导航无迹快速同步定位与地图构建(Unscented Fast SLAM)算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented Fast SLAM算法。该算法将无迹粒子滤波与渐消滤波相融合产生自适应建议分布函数,同时将粒子根据权值进行优化组合,仅对组合后的部分不稳定的粒子进行系统重采样。通过这两方面使得系统在具有高度自适应性的同时保证粒子的多样性,缓解粒子的退化现象。仿真实验表明,提出算法与Unscented Fast SLAM算法相比,可以用较少的粒子实现更高的SLAM的估计精度,很大程度上降低了SLAM算法的复杂度。

基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计

电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extended Kalman filter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。

自适应渐消扩展Kalman粒子滤波方法在组合导航中的应用

针对粒子滤波存在的权值退化问题,从研究粒子滤波的建议分布函数出发,提出自适应渐消扩展Kal-man粒子滤波方法。该方法使用自适应渐消扩展Kalman滤波产生建议分布,可在线调节参数,从而使得系统具有更好的自适应性和鲁棒性。与用转移先验、扩展Kalman滤波产生建议分布的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度。

一种新的抗差自适应Unscented粒子滤波

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题。提出了一种新的抗差自适应Unscented粒子滤波算法。该算法不但能利用等价权函数和自适应因子合理的分配信息,提高滤波精度,而且具有Unscented粒子滤波的优点,更好的适用于非线性、非高斯系统模型的计算。仿真结果表明,文中提出的抗差自适应Unscented粒子滤波算法,滤波性能明显优于扩展卡尔曼滤波和粒子滤波算法,并且能提高组合导航系统的定位精度。

权值自适应调整Unscented粒子滤波及其在组合导航中的应用

针对粒子滤波存在的重要性密度函数难以选取和粒子退化问题,提出了一种新的权值自适应调整Unscented粒子滤波算法。该算法在Unscented粒子滤波的采样过程中吸收权值自适应调整的优点,考虑最新量测影响,通过欧氏距离和反映量测噪声统计特性的精度因子来自适应的调整粒子对应权值分布,增加有用粒子的权值,降低粒子退化程度,保持粒子多样性。同时Unscented变换提高了滤波精度,使该算法能更好地适用于非线性、非高斯系统模型的计算。将提出的算法应用于GPS/DR组合导航系统进行仿真验证,结果表明,提出的权值自适应调整Unscented粒子滤波算法得到的东向定位误差控制在±5.5 m附近,北向定位误差则在±5.2 m附近,滤波性能明显优于扩展卡尔曼滤波和Unscented粒子滤波,能提高GPS/DR组合导航系统解算精度。

自适应平方根Unscented粒子滤波算法研究

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题,在吸收平方根滤波、自适应滤波和粒子滤波优点的基础上,提出了一种新的UPF算法。该算法由UKF算法得到重要性密度函数,通过自适应因子实时控制动力学模型误差,采用平方根分解法抑制系统状态协方差矩阵的负定性。仿真结果证明,文中所提出的自适应平方根UPF算法,不但适用于非线性、非高斯动态系统的滤波计算,而且能有效地改善滤波性能,提高SINS/SAR组合导航系统的定位精度。

采用自适应Unscented Kalman的粒子滤波

针对粒子滤波的粒子退化问题,使用自适应UKF进行重点采样。该方法使用自适应因子调整Unscented Kalman滤波的观测信息与动力学信息之间的权比,使滤波预测值的协方差更趋向真实值。与扩展Kalman滤波、自适应扩展Kalman滤波、Unscented Kalman滤波重点采样方法相比,自适应UKF重点采样进一步提高了粒子滤波的精度。

基于可变遗忘因子的渐消记忆变分贝叶斯自适应滤波算法

针对全球卫星导航系统/捷联惯性导航系统(GNSS/SINS)组合导航中GNSS信号易受干扰,造成量测噪声突变的问题,提出一种基于可变遗忘因子的渐消记忆变分贝叶斯自适应Kalman滤波(VBAKF)算法。针对自适应滤波中突变噪声难以准确探测,构建基于初值的噪声突变检验准则;为解决自适应滤波估计突变噪声的拖尾现象,将变分贝叶斯自适应滤波的超参数传递结构转化为协方差阵修正结构,通过构造可变遗忘因子函数动态调节自适应滤波中的遗忘因子。仿真和实测数据表明:所提算法可在GNSS/SINS噪声突变时快速估计量测噪声,提高组合导航精度。

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。

基于新息协方差的自适应渐消卡尔曼滤波器

自适应渐消卡尔曼滤波采用渐消因子抑制滤波器的记忆长度,当系统模型和噪声模型建立不准确时,能够有效地抑制滤波器的发散。但是现有计算渐消因子的方法公式表达复杂,计算过程繁琐,不利于组合导航等一些实时的应用。针对这种情况,提出了一种利用新息协方差计算渐消因子的方法,通过渐消因子自适应地调整误差协方差,补偿不完整信息的影响。该方法计算量小,提高了滤波算法的可靠性。最后,仿真结果证明了该方法的有效性。

两种渐消滤波与自适应抗差滤波的综合比较分析

给出了两种渐消滤波解及其相应的原则,介绍了自适应抗差滤波原理和相应的解,分别从原理和解的表达式上分析了两种渐消滤波和自适应抗差滤波解算的基本性能。利用一个实际算例比较了渐消滤波与自适应抗差滤波解在控制状态异常影响方面的能力。

基于多重渐消因子的自适应卡尔曼滤波器

现有计算渐消因子的自适应卡尔曼滤波器得到的通常是标量渐消因子,从而导致各滤波通道具有相同的调节能力,不利于提高滤波精度。针对该问题,提出了一种利用估计均方误差和新息协方差估计值来计算多重渐消因子的方法,通过一组并行工作的基于限定记忆指数加权的新息协方差估值器来计算渐消因子,并根据估计均方误差把渐消因子分配给各滤波通道,从而提高自适应卡尔曼滤波器整体性能,仿真结果证明了所提方法的有效性。

新的自适应渐消扩展卡尔曼滤波在GPS定位中的应用

当实际数据出现突变时,基于最小二乘、扩展卡尔曼滤波的GPS定位解算存在定位结果精度低和稳定性差的问题。提出一种自适应渐消扩展卡尔曼滤波算法,通过自适应渐消迭代系统噪声协方差,来实现抑制数据突变影响。试验结果表明:该算法相比最小二乘、扩展卡尔曼滤波,其定位精度有所提高;相比传统渐消扩展卡尔曼滤波,其收敛速度、稳定性有所提高。

渐消记忆自适应滤波在传递对准中的应用

针对模型存在误差或状态突变下传递对准精度误差较大甚至发散等问题,提出了基于渐消记忆自适应卡尔曼滤波的传递对准方法,以设计的"速度+积分角速度"匹配模式为例进行仿真分析。仿真结果表明:基于渐消记忆自适应卡尔曼滤波的方法同经典卡尔曼滤波算法相比提高了传递对准的精度和收敛速度,是解决模型存在较大误差或状态突变下的传递对准问题的一种有效方法。

一种基于指数渐消因子的自适应卡尔曼滤波算法

本文应用自适应估计理论,提出了一种指数渐消因子自适应算法。该算法通过实测残差与理论残差的比值来确定指数方程的系数,调节自适应渐消因子,保证了滤波的稳定性,提高了滤波精度,并且冲破了经验储备系数的限制。最后对比其他三种自适应滤波算法进行了仿真比较,仿真结果表明,指数渐消因子自适应滤波算法是一种实用而有效的算法。

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。

渐消递推滤波辅助光谱分析最佳自适应算法

研究了Ｋａｌｍａｎ渐消递推最佳滤波辅助光谱辨析。基于Ｋａｌｍａｎ滤波达到最优时其新息序列互不相关的性质，提出了一种新的渐消滤波─—最佳自适应算法。通过在线自适应地调整遗忘因子从而使滤波（器）在存在模型误差或受到外扰时仍保持收敛性和最优性。用于重叠峰的辨识，能取得更好效果。

基于自适应渐消Sage-Husa扩展卡尔曼滤波的协同定位算法

[目的]针对多自主水下航行器(AUV)在航行过程中的定位精度等问题,提出一种基于自适应渐消Sage-Husa扩展卡尔曼滤波的多AUV协同定位算法。[方法]首先,改进滤波算法中的自适应滤波器,由渐消记忆指数加权得到新息协方差估计值,并引入渐消因子修正预测误差协方差,以达到调节滤波增益的目的。然后,建立多AUV协同导航模型,得到基本的协同导航滤波过程,通过对速度、加速度及位置信息的融合,实现对跟随AUV位置状态的准确估计。最后,采用此算法与EM-EKF,EKF算法分别对AUV协同导航模型进行仿真,并对结果进行对比。[结果]结果表明,在噪声协方差不匹配时,所提算法与EM-EKF,EKF算法相比均方根误差(RMSE)分别减少17.82%和24.48%,平均定位误差分别减少17.87%和22.54%;在噪声协方差时变时,RMSE分别减少42.11%和51.23%,平均定位误差分别减少34.87%和46.90%。[结论]所提算法有效改善了滤波的可靠性、精确性和自适应性。