可观非可控随机系统的自校正Kalman滤波器

应用白噪声估值器，对ＡＲＭＡ新息模型的在线辨识，可简单的实现自校正滤波器，仿真 例子证明了方法的有效性。

带输入估计的自校正Kalman滤波器及其应用

对于带未知常的输入和带未知噪声统计的离散时间定常系统,本文用现代时间序列分析方法,基于ARMAX新息模型,提出了一种新的带输入估计的自校正Kalman滤波器。作为一个应用例子,提出了带输入估计的自校正α-β-γ跟踪滤波器,仿真结果说明了其有效性。

基于修正频域滤波器的信号波形畸变校正方法

针对窄脉冲信号经过放大、变频等模拟器件发生波形畸变问题,提出一种基于修正频域滤波器的信号波形畸变校正方法。传统校正方法仅利用有效带宽内信号进行校正,校正后脉冲时域性能较差。为提高校正精度,保证信号时域波形特性,本文利用有效带宽及带外部分高频区域频率响应求解信号波形畸变校正滤波器;但带外频段校正滤波器频谱起伏波动较大,并伴随较多尖峰、毛刺,无法直接用于求解校正滤波器系数。本文对幅频和相频响应校正曲线进行中值滤波后,进行多项式拟合,通过优化求解校正滤波器阶数和系数获得良好的波形校正性能。最后,通过实测数据处理验证了本文方法的有效性。

两传感器自校正信息融合Kalman滤波器

用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,对含有未知模型参数和噪声方差的两传感器线性离散随机系统,提出了自校正信息融合Kalman滤波器。它具有渐近最优性。一个仿真例子说明了其有效性。

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.

自校正分布式观测融合Kalman滤波器

对于带未知噪声统计和带具有相同右因子的观测阵的多传感器系统,应用加权最小二乘(WLS)法可得到一个等价的融合观测方程。该文应用现代时间序列分析方法,基于新息模型参数的在线辨识,可估计未知噪声方差,进而提出了自校正加权观测融合Kalman滤波器。在新息模型参数估计是一致的和观测数据是有界的假设下,该文证明了自校正Kalman滤波器收敛于当噪声统计已知时的全局最优融合Kalman滤波器,因而它具有渐近全局最优性。最后给出了一个4传感器跟踪系统的仿真例子并验证了其有效性。

自校正解耦融合Kalman滤波器及其收敛性

对带未知噪声统计的多传感器系统,提出了基于相关方法的噪声统计在线估值器,进而提出了自校正Riccati方程和自校正Lyapunov方程。在按分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦融合Kalman滤波器,并用动态误差系统分析(DESA)方法证明了它收敛于最优分量解耦融合稳态Kalman滤波器,因而具有渐近最优性,它的精度比每个局部自校正Kalman滤波器精度高,且算法简单,便于实时应用。一个目标跟踪系统的仿真例子说明了其有效性。

带相关噪声系统的自校正观测融合Kalman滤波器

对于带有相关噪声和未知噪声统计的多传感器线性离散定常随机系统,利用相关方法,提出了噪声统计信息的在线估计器。基于ARMA新息模型,提出了自校正加权观测融合Kalman滤波器,避免了求解Lyapunov和Riccati方程,减少了计算负担,适于实时应用。利用动态误差系统分析(DESA)方法,严格证明了提出的自校正融合滤波器以概率1或按实现收敛于相应的最优融合滤波器,即具有渐近全局最优性。一个3传感器系统的仿真例子说明其有效性。

带相关观测噪声系统的自校正观测融合Kalman滤波器

对于带有相关观测噪声、未知噪声统计、不同观测阵带有相同右因子的多传感器线性离散定常随机系统,利用相关方法,提出了噪声统计信息的在线辨识器。基于ARMA新息模型,提出了自校正加权观测融合Kalman滤波器,避免了求解Lyapunov和Riccati方程,减少了计算负担,适于实时应用。利用动态误差系统分析(DESA)方法,严格证明了提出的自校正融合滤波器以概率1或按实现收敛于相应的最优融合滤波器,即具有渐近全局最优性。一个3传感器跟踪系统的仿真例子说明其有效性。

多传感器ARMA信号自校正分布式融合Kalman滤波器

对含未知模型参数和未知噪声方差的多传感器自回归滑动平均(ARMA)信号,应用递推辅助变量(RIV)算法得到局部模型参数估值器。用相关方法得到局部噪声方差估值器,然后用取局部估值器的平均得到信息融合估值器。将这些融合估值器代入ARMA信号的全局最优分布式融合Kalman滤波器,提出了一种自校正分布式融合Kalman滤波器。用动态误差分析方法证明了它收敛于全局最优分布式Kalman滤波器,因而它具有渐近全局最优性。一个目标位置跟踪系统仿真例子说明了其有效性。

含未知参数的自校正融合Kalman滤波器及其收敛性

对于带未知模型参数和噪声方差的多传感器系统,基于分量按标量加权最优融合准则,提出了自校正解耦融合Kalman滤波器,并应用动态误差系统分析(Dynamic error system analysis,DESA)方法证明了它的收敛性.作为在信号处理中的应用,对带有色和白色观测噪声的多传感器多维自回归(Autoregressive,AR)信号,分别提出了AR信号模型参数估计的多维和多重偏差补偿递推最小二乘(Bias compensated recursive least-squares,BCRLS)算法,证明了两种算法的等价性,并且用DESA方法证明了它们的收敛性.在此基础上提出了AR信号的自校正融合Kalman滤波器,它具有渐近最优性.仿真例子说明了其有效性.

基于Riccati方程的自校正解耦融合Kalman滤波器

对于带未知噪声方差的多传感器系统,用相关方法给出了噪声方差的在线估值器,进而基于Riccati方程和按分量标量加权最优融合规则,提出了自校正分量解耦信息融合Kalman滤波器.用动态误差系统分析方法证明了自校正融合Kalman滤波器按实现收敛于最优融合Kalman滤波器,因而具有渐近最优性.一个3传感器跟踪系统的仿真例子说明了其有效性.

广义系统信息融合稳态与自校正满阶Kalman滤波器

基于线性最小方差标量加权融合算法和射影理论,对带多个传感器和带相关噪声的广义系统,提出了分布式标量加权融合稳态满阶Kalman滤波器.推得了任两个传感器子系统之间的稳态满阶滤波误差互协方差阵,其解可任选初值离线迭代计算.所提出的稳态融合滤波器避免了每时刻计算协方差阵和融合权重,减小了在线计算负担.当系统含有未知模型参数时,基于递推增广最小二乘算法和标量加权融合算法,提出了一种两段融合自校正状态滤波器.其中第1段融合获得未知参数的融合估计;第2段融合获得分布式自校正融合状态滤波器.与局部估计和加权平均融合估计相比,所提出的标量加权融合参数估计和自校正状态估计都具有更高的精度.仿真研究验证了其有效性.

基于遇卡识别的改进Kalman滤波器模型-加速度校正方法

由于FMI成像测井仪器在井下做复杂的非匀速运动,导致成像图像出现严重的畸变现象,需要通过加速校正来恢复采样数据对应的真实深度。针对传统Kalman滤波器模型-加速度校正方法对'遇卡区域'适应性较差的现象,首先对仪器在井下的运动状态进行分析,识别出仪器的遇卡区域,然后利用遇卡识别结果对传统的Kalman滤波器数学模型进行改进,首次考虑了仪器相邻遇卡现象的叠加情况。结果表明:改进后的方法不仅有效地解决了'粘滞滑动区域'的锯齿现象,而且较好地消除了'遇卡区域'的压缩拉伸现象,恢复了地层的原貌。该方法不仅适用于FMI成像测井,同样适用于其他成像测井系列,尤其有助于改善国产成像仪器图像的质量,具有推广应用价值。

自校正标量加权信息融合Kalman滤波器

对含未知噪声统计的多传感器系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识和求解相关函数矩阵方程组,可在线估计噪声统计,进而在按标量加权线性最小方差最优信息融合准则下,提出了自校正标量加权信息融合Kalman滤波器。它具有渐近最优性,且比每个局部自校正Kalman滤波器精度高,算法简单,便于实时应用。一个目标跟踪系统的仿真例子说明了其有效性。

一种抗野值的Kalman滤波器

在目标跟踪系统中,由于杂波的存在,往往使跟踪检测数据中含有大量、成片的野值,造成系统跟踪精度下降。本文通过对检测数据中新息特性的分析,给出了检测数据中野值的判定方法,通过重新构造状态估计来消除野值的影响。仿真结果证明了该方法可有效的剔除野值,提高跟踪系统的跟踪精度。

H_∞鲁棒滤波器与Kalman滤波器的对比

通常Kalman滤波技术应用得比较广泛 ,然而在系统模型和噪声统计特性存在不确定性的条件下 ,Kalman滤波的应用就受到了一些限制。H∞ 滤波可有效地解决Kalman滤波所遇到的问题 ,不仅估计精度高 ,而且还具有鲁棒性。简要介绍了H∞ 滤波技术和Kalman滤波技术 ,设计了H∞ 鲁棒滤波器和Kalman滤波器 ,并分 3方面对二者的性能进行了比较分析。

基于扩展Kalman滤波器的PMSM高性能控制系统

扩展Kalman滤波器考虑了系统噪声和测量噪声的影响,是一种基于最优控制理论的非线性估计方法。本文提出一种新型的用于永磁同步电机(PMSM)的基于扩展Kalman滤波器(EKF)的状态观测器,可以把有限精度的光电码盘信号的量化误差考虑为测量噪声,从而可以精确观测转子位置和转子转速。电机不需要知道转子初始位置就可以起动。该状态观测器还可以观测负载转矩,利用观测的负载转矩形成对给定转矩的前馈补偿,可以大大改善负载转矩波动过程中的转速控制性能。在轻负载时永磁同步电机定子电流较小,因此电流测量过程中的噪声和干扰对系统性能的影响就非常明显。Kalman滤波器可以有效消除电流测量值中的干扰和测量噪声,提高系统在轻载时的性能。仿真和实验结果验证了该系统的性能。

应用Kalman滤波器提高机抖激光陀螺姿态测量系统瞬时精度的方法

机械抖动激光陀螺输出的原始数据不仅包含了外界的惯性输入的角速率信息,还包含了抖动信号的角速率信息,通常使用线性相位FIR滤波器去除机械抖动信号,信号经滤波后其所有频率成分都将产生一定时间的延迟,这将对由机抖陀螺组成的高精度实时姿态测量系统造成影响。本文提出了一种基于姿态角运动跟踪预测模型和Kalm an预测的姿态测量滤波延迟补偿方法。实验结果表明,本方法能有效估计并预测运动载体的姿态运动,补偿由于FIR滤波器时间延迟带来的不利影响,提高姿态测量系统的实时性和瞬时精度。

Kalman滤波器在长输管道泄漏诊断中的应用

本文采用带时变噪声估计器的推广Kalman滤波方法,对长输管道的状态进行估计,并在此基础上,采用一定的诊断机制,实现对长输管道的泄漏诊断。实验结果表明,这种方法是有效的。