基于矩阵递推求逆的快速联邦Kalman滤波

在SINS/GPS组合导航系统中大多采用联邦Kalman滤波算法,但联邦Kalman滤波算法存在大量矩阵相乘运算和矩阵求逆运算,从而影响了算法的运行速度。为了解决此问题,在联邦Kalman滤波算法子滤波器中引用矩阵外积方法对矩阵相乘进行处理,并提出了基于矩阵递推求逆的快速联邦Kalman滤波算法应用于主滤波器中,从而大大提高了算法的运行速度。经理论分析和实验结果表明,矩阵处理后的新算法计算运行所用时间是原算法的1/4,精度也有所提高。

联邦Kalman滤波处理多传感器系统数据的方法*

文中提出用联邦Kalman滤波处理多传感器(二个以上)系统的数据。它具有平行处理、可靠性高的特性,用信息分享原理和数据融合复位技术,估计位置和速度,并分析了它们的精度。文中以GPS/PL系统为例,提出联邦Kalman滤波计算方案,计算了信息分配系数。

一种基于联邦Kalman滤波结构的自适应信息融合方法

鉴于联邦Kalman滤波是一种能在复杂信息融合系统中进行目标状态估计的有效方法,介绍了联邦Kalman滤波器的原理和结构,提出了一种基于联邦Kalman滤波结构的自适应多传感器信息融合算法.仿真结果表明,该算法能有效提高信息融合系统的精度和容错性,具有较高的实用价值.

基于联邦Kalman滤波的INS/SAR/TRN组合导航系统

在分析惯性导航系统(INS)、合成孔径雷达(SAR)和地形匹配导航系统(TRN)各自特点的基础上,提出了INS/SAR/TRN组合导航系统的组合滤波方案,并建立了相应的组合导航系统数学模型。仿真结果表明,组合导航系统能大幅度提高导弹的导航精度,具有重要的实际意义。

变分配系数联邦Kalman滤波在塔机定位中的应用

鉴于塔机的复杂结构,建立了应用联邦Kalman滤波算法的塔机定位系统,并提出了改进的变分配系数联邦Kalman滤波方法,在联邦Kalman滤波系统的循环滤波过程中,分配系数随噪声的不断变化而不断调整。此联邦Kalman滤波方法适用于复杂的、大噪声的信息融合系统,对目标状态估计更为精确有效,可以有效提高塔机系统的定位精度,实现塔机的精确定位。仿真结果表明其正确性与有效性。

北斗双星定位系统上的基于联邦Kalman滤波的组合导航技术

作为常用导航手段的惯性导航、GPS系统等单一的导航设备,已不能满足现代电子战条件下的作战使用需求。因此,目前世界各国广泛采用多设备组合、冗余设计、多功能的组合导航系统。本文设计了基于联邦Kalman滤波的组合导航技术,进行了相应的数据仿真实验,并使用北斗星定位系统上的实际运行数据进行了算法验证,从而验证了在北斗双星定位系统上使用基于联邦Kalman滤波组合导航技术的有效性和可行性,为未来进一步在中国独立自主研究的北斗双星定位系统上进行实际的工程应用和商业应用奠定了良好的基础。

基于改进联邦Kalman滤波的组合校准方法研究

联邦滤波器广泛应用于多传感器信息融合领域,联邦滤波中的信息分配原则影响滤波精度。针对联邦Kalman滤波器进行改进,采用基于估计协方差阵奇异值动态确定信息分配系数。对子滤波器进行重置时,采用新的重置方法,保证了子滤波器误差协方差阵的对称性,确保Kalman滤波器的一致收敛稳定性。新的联邦滤波算法允许每个状态分量拥有不同的动态信息分配因子,从而改进了联邦滤波信息融合的精度。设计了SINS/GPS/电子罗盘组合导航系统,仿真结果说明,与传统联邦滤波算法相比,改进的联邦滤波器估计精度得到了提高,可以更好地对SINS误差进行校准,提高系统的精度。

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。

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。

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。

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。

一种状态约束下的抗差自适应联邦滤波算法

充分利用先验约束信息可以提高多传感器组合导航的定位精度和可靠性。将状态约束下的卡尔曼滤波扩展到传统联邦滤波中,提出一种状态约束下的联邦滤波算法。当子传感器出现异常时,在状态约束下的联邦滤波基础上,采用Huber方法调整子滤波器观测噪声矩阵,同时在信息分配阶段引入自适应信息分配因子,实时调整子滤波器融合权重,得到一种状态约束下的抗差自适应联邦滤波算法,以进一步减少不准确的子滤波器估计对融合结果的影响。将该方法应用在捷联惯导、全球导航卫星系统和里程计的多传感器组合导航系统中。仿真实验表明,状态约束下的联邦滤波估计精度优于传统联邦滤波,状态约束下的抗差自适应联邦滤波能够进一步提高观测异常下的导航定位精度和可靠性。

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。

模糊自适应Kalman滤波算法在SINS/DR组合导航的应用

针对里程仪测量误差导致组合导航精度降低的问题,提出基于系统工作状态和滤波器新息状态相结合的模糊自适应算法。根据新息的变化确定模糊规则,修正里程仪输出增益,使新息始终保持在零均值附近,利用修正后的新息修正观测噪声方差,降低导航定位的偏差。仿真实验结果证明,该算法能够很好地提高组合导航定位的精度。

基于Kalman滤波思想的接触线高度检测数据粗差修正算法

接触线高度平顺性是评价接触网设备动态运行质量的重要指标。针对接触线高度检测数据中的粗差,基于Kalman滤波思想提出相应的粗差辨识与修正算法。将接触线高度视作一个连续平稳系统,利用矩形窗函数定义系统状态值,实现检测数据的分段线性化;依据系统状态值的回归预测方法和状态差异的量化方案,构建粗差辨识与修正算法,并引入适用于锚段关节处双支接触线采集特征的回溯机制;基于大量实测数据,采用显著性检验等统计方法确定算法参数,并从回溯、修正、运用和实时性等方面,对算法有效性和可行性进行分析验证,结果表明:该算法能够完成各类接触线高度检测粗差的高速实时辨识与修正。

基于马氏距离的极区容错联邦滤波算法

针对舰船组合导航系统受极区极端恶劣环境影响发生外部量测故障从而降低系统精度的问题,提出基于马氏距离的极区容错联邦滤波算法。通过引入真实量测与预测量测之间的马氏距离来衡量各个子滤波器的量测质量,并通过马氏距离来构建各个子滤波器在主滤波器最优融合中对应的融合系数,降低故障子滤波器在最优融合中的比例,减少故障子滤波器对全局估计的不良影响。实验仿真表明,该算法相较于传统的联邦滤波算法,尤其在子滤波器量测故障情况下,具有更好的容错性和可靠性。

基于卡尔曼(Kalman)滤波算法的体育训练视频中的运动目标检测

体育训练视频中的运动目标检测往往存在目标快速移动、目标遮挡和场景变化等问题,导致运动目标检测的难度增大。为了解决这些问题,提出了基于卡尔曼(Kalman)滤波算法的体育训练视频中运动目标检测的方法。为了提升体育训练视频图像的质量,首先对体育训练视频的图像进行一系列预处理(包括灰度变换、轮廓对比增强和噪声抑制等);然后借助混合高斯模型(Gaussian mixture module,GMM)有效提取体育训练视频的前景信息;为了精准捕捉体育训练视频中的运动目标,运用三帧差分法设定Kalman滤波器的初始状态,利用高效检测算法准确获取每一帧图像中运动目标的观测位置;随后将初始状态和观测位置的数据输入Kalman滤波器;最后在Kalman滤波器中,结合上一帧的预估值和当前帧的监测值,对体育训练视频中运动目标的当前状态进行精确估算和优化,并对下一帧的状态进行预测,从而实现了对运动目标的持续跟踪与精准预测。实验结果表明,与基于特征融合的全卷积孪生网络(siamese full convolution,Siamfc)目标追踪算法和基于连续自适应均值漂移(continuously adapting mean shift,Camshift)的均值漂移(mean shift,Meanshift)改进算法相比,采用基于Kalman滤波算法的运动目标检测方法对运动目标的重叠精度(overlap precision,OP)和中心位置误差(center location error,CLE)进行检测,不仅能够有效检测到体育训练视频中的运动目标,还可表现出较高的准确性和实时性。

基于Kalman滤波的组合预测模型在建筑物变形监测中的应用

根据建筑物沉降监测数据的特点,结合Kalman滤波算法、BP神经网络模型以及AR自回归模型在数据降噪、数据预测中的优势,提出并构建了一种新的基于Kalman滤波的BP-AR沉降预测模型。该组合预测模型实现建筑物变形预测的主要步骤为:首先,通过Kalman滤波算法对原始观测数据进行降噪,消除随机噪声误差对观测数据的影响;其次,通过BP神经网络模型对降噪后序列进行建模与预测;最后使用AR模型对预测残差进行建模与预测。通过实际建筑物沉降监测数据对本文提出的组合预测模型进行验证,结果表明相较于BP神经网络模型与BP-AR模型,本文提出的组合预测模型的预测精度更高,有效降低了噪声影响,具有较高的优越性。