强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器(STF)的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波(SRCKF)算法.利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF.基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF.该算法兼具STF与自适应SRCKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能.仿真验证了所建算法的有效性.

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降,通过构建强跟踪滤波器(strong tracking filter,STF)可以提升滤波算法的自适应性,但是构建STF时存在理论推导复杂、求解计算量大等局限和不足,针对上述问题,在平方根容积卡尔曼滤波(square-root cubature Kalman filter,SRCKF)的基础上,提出一种基于修正的自适应SRCKF算法。该算法通过设置判定门限和修正准则,直接对状态预测值或滤波增益进行修正以平衡先验的预测值和后验反馈的量测值在滤波中所占的比重,进而减小状态估计误差。仿真结果表明,所提算法具有在目标状态突变和量测非线性时的良好滤波性能和数值稳定性,同时相比较需要计算渐消因子的STF算法,该算法在计算量和收敛速度上具有优势。

基于新型自适应平方根容积卡尔曼滤波的RSOP均衡算法

针对相干光通信系统中,传统容积卡尔曼滤波(CKF)算法和平方根容积卡尔曼滤波(SCKF)算法对偏振态旋转(RSOP)均衡存在鲁棒性不足、泛化性弱等问题,提出了一种新型的自适应SCKF算法,以实现对RSOP的跟踪补偿。该算法通过引入平方根因子直接对过程噪声协方差矩阵的平方根进行自适应更新,避免了正定分解。同时引入残差判决检测机制,对当前时刻残差值与滑窗内残差均值进行比较,将比较结果作为是否进行自适应更新的判断条件,以提升算法运行速度。仿真结果表明,所提算法在RSOP方位角变化速率为40 Mrad/s时,误码率性能满足开销为7%的前向纠错阈值条件,且相对于CKF和SCKF算法,所提算法在不同调优参量初始值下均能稳定运行。所提算法能够快速跟踪补偿RSOP,即便在初始条件不理想的情况也能稳定运行,具有鲁棒性强的优点。

含未知输入非线性系统的扩展平方根容积卡尔曼滤波算法

针对工程实际应用中存在的未知输入会导致经典的非线性滤波器状态估计精度下降甚至滤波发散的问题,提出了一种基于最小方差无偏估计(minimum variance unbiased estimation,MVUE)准则的扩展平方根容积卡尔曼滤波(extended square-root cubature Kalman filter,ESRCKF)算法。首先,结合上一时刻未知输入估计值对状态一步预测值进行修正,得到含未知输入条件下的状态预测值。其次,设计新息并采用加权最小二乘(weighted least squares,WLS)法获取当前时刻未知输入的无偏估计。最后,通过最小化协方差矩阵的迹,同时采用拉格朗日乘子法和舒尔补引理得到系统状态的最小方差无偏估计。仿真结果表明,相比于现有的非线性滤波算法,ESRCKF算法提高了在处理含未知输入非线性系统时的状态估计精度,并能同时实现系统状态和未知输入的最优估计,验证了该算法的有效性。

基于平方根容积卡尔曼滤波的永磁同步电机状态估计

针对使用容积卡尔曼滤波算法(Cubature Kalman Filter,CKF)在复杂非线性状态估计时存在的误差较大、运算速度慢等问题,引入一款改进后的平方根容积卡尔曼滤波算法(Square-Root Cubature Kalman Filter,SRCKF)。建立非线性系统线性化模型和电机数学模型,引入SRCKF实现对转速和转子位置的状态估计,在Matlab/Simulink环境下对SRCKF和CKF两种算法进行仿真。结果表明:平方根容积卡尔曼滤波大大降低了电机在状态估计时的运行速度和估计误差,提高了估计精度,系统更加稳定。

基于平方根容积卡尔曼滤波的核反应堆功率H_(∞)控制

核反应堆的负荷跟踪控制是核电站灵活调峰、具有应用价值的基础之一.根据反应堆中子动力学、热工水力、反应性方程等数学模型构建了反应堆的平方根容积卡尔曼滤波器(Square-root Cubature Kalman Filter,SCKF),对反应堆状态反馈问题中部分状态量无法量测或估计精度不足的问题加以解决,结合离散H_(∞)性能指标设计了基于SCKF的反应堆功率H_(∞)控制器,并与基于经典卡尔曼滤波器(Kalman Filter,KF)的反应堆功率H_(∞)控制器进行了同工况数值仿真对比.仿真结果表明,基于SCKF的功率控制器具有较好的负荷跟踪性能,能够根据期望跟踪目标调节反应堆功率水平;由于SCKF对非线性系统模型相比于KF具有更高的状态估计精度,基于SCKF的功率控制器相比基于KF的功率控制器具有更优的控制效果.

基于改进的自适应平方根容积卡尔曼滤波相对导航算法

针对无人机编队飞行时由于目标建模的不确定性导致相对导航滤波算法精度降低甚至出现滤波发散的问题,提出了一种自适应平方根容积卡尔曼滤波算法。首先,建立了无人机双机编队时的相对导航模型。然后,基于新息的自适应修正准则,对滤波状态预测量进行修正,进行了基于自适应修正的平方根容积卡尔曼滤波相对导航算法设计。最后,开展了仿真计算与结果分析。仿真结果表明,该算法具有较好的滤波精度和稳定性,且当目标运动状态与模型不匹配时,该算法与平方根容积卡尔曼滤波算法相比有更好的滤波性能。

基于平方根容积卡尔曼滤波的路面附着系数估计

针对车辆主动安全系统中路面附着系数这一关键参数的估计问题,建立了融合Dugoff轮胎模型的三自由度车辆动力学模型,基于平方根容积卡尔曼滤波(SCKF)思想设计了路面附着系数估计器,该方法将正交三角分解法引入容积卡尔曼滤波(CKF)算法,避免了CKF中对协方差矩阵的开方操作,提高了算法的稳定性。利用MATLAB与CarSim联合仿真平台在不同路面条件下进行了多工况仿真验证,并将所提出算法与CKF算法进行对比,结果表明,SCKF算法的鲁棒性较高,估计精度高于CKF算法的估计精度,可以满足车辆主动安全系统的要求。

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical,CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF-STF)算法和交互式多模型(interacting multiple-model,IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM-SCKF算法,实时性有明显改善。

基于GPR模型的自适应平方根容积卡尔曼滤波算法

与传统算法一样,动态系统的参数化模型(含噪声统计特性)未知或不够准确易导致容积卡尔曼滤波(CKF)效果严重下降,甚至滤波结果发散。为此,利用高斯过程回归(GPR)方法对训练数据进行学习,得到动态系统的状态转移GPR模型和量测GPR模型以及噪声统计特性,用以替代或增强原有动态系统模型,并将其融入到平方根容积卡尔曼滤波(SRCKF)中,分别提出了无模型高斯过程SRCKF(MFGP-SRCKF)和模型增强高斯过程SRCKF(MEGP-SRCKF)两种算法。仿真结果表明:这两种新的自适应滤波算法提高了动态系统模型精度,且实时自适应调整噪声的协方差,克服了传统算法滤波性能易受系统模型限制的问题;与MFGP-SRCKF相比,在给定一个不够准确的参数化模型,且有限的训练数据未能遍布估计状态空间的情况下,MEGP-SRCKF具备更高的滤波精度。

基于平方根容积卡尔曼滤波的发电机动态状态估计

发电机动态状态估计是电力系统动态安全分析的重要内容。针对容积卡尔曼滤波(CKF)在迭代中协方差阵不对称或非正定导致的估计精度下降甚至滤波发散问题,利用平方根滤波(SRF)能确保协方差阵非负定和数值稳定性方面的优势,提出基于平方根容积卡尔曼滤波(SRCKF)的发电机动态状态估计方法,并给出了计算步骤。最后,利用仿真系统和实际系统比较了SRCKF、CKF和无迹卡尔曼滤波(UKF)三种算法的估计性能,证明了SRCKF算法能够解决CKF滤波中因协方差阵非正定导致的滤波发散问题;同时SRCKF算法在计算效率、滤波精度和数值稳定性方面均优于CKF和UKF算法。

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法——自适应平方根无迹卡尔曼滤波(NASRUKF)方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波(SRUKF)算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。

平方根容积卡尔曼滤波概率假设密度算法在移动机器人同时定位与地图构建中的应用

针对杂波环境或数据关联模糊环境下移动机器人同时定位与地图构建(SLAM)的问题,本文提出平方根容积卡尔曼滤波概率假设密度(SRCKF-PHD)SLAM算法,该算法的主要特点在于:1)采用容积规则方法计算非线性函数高斯权重积分以及机器人位姿粒子权重,达到改善位姿估计性能的目的;2)在高斯混合概率假设密度更新过程中,将平方根容积卡尔曼滤波应用于高斯项权重更新及观测似然计算中,保证了协方差矩阵的对称性和半正定性,提高了地图估计的精度和稳定性.通过仿真实验及CarPark数据集,将提出算法与RB-PHD-SLAM算法进行对比,结果表明该算法对机器人位姿估计精度及地图估计精度的提高是有效的.

分布式驱动电动汽车的平方根容积卡尔曼滤波状态观测

针对车辆动力学系统状态估计的非线性问题,引入非线性动态Dugoff轮胎模型来构建包括纵向、侧向、横摆和侧倾等8自由度的非线性车辆动力学状态估计系统.在融合车载多传感器信息的基础上设计了车辆动力学的平方根容积卡尔曼非线性滤波状态观测器,对质心侧偏角、轮胎侧向力等关键状态进行观测.在Matlab/Simulink环境中搭建了Simulink-Carsim分布式驱动电动汽车系统状态估计联合仿真平台,采用双移线工况对观测器的可行性和有效性进行仿真验证.结果表明:传统的扩展式卡尔曼滤波状态观测器在车辆经历高侧向加速度过程中的观测值大幅偏离车辆运行状态的真实值,而设计的平方根容积卡尔曼非线性滤波状态观测器在整个双移线仿真工况下观测结果平稳,能实时反映车辆动力学系统的真实非线性运行状态,具有更小的观测误差和更高的观测精度.

强跟踪平方根容积卡尔曼滤波SLAM算法

针对移动机器人在状态突变时同步定位与地图构建精度下降的问题,提出了强跟踪平方根容积卡尔曼滤波SLAM算法(STF-SRCKF-SLAM)。该算法首先根据移动机器人的运动学模型和观测模型进行预测,然后通过直接传播误差协方差矩阵的平方根因子进行更新,使计算复杂度大大降低。同时在预测和更新过程中引入时变渐消因子,实时调整相应数据权值,达到提高机器人定位精度的目的。仿真实验结果表明,相比容积卡尔曼滤波SLAM算法(CKF-SLAM)、平方根容积卡尔曼滤波SLAM算法(SRCKF-SALM),STF-SRCKF-SLAM算法均方根误差降低了26.25%和13.8%,运行时间减少了1.83%和1.21%,表明该算法在SLAM性能上更优。

基于四元数平方根容积卡尔曼滤波的姿态估计

针对飞行器姿态确定中乘性扩展卡尔曼滤波(MEKF,Multiplicative Extend-ed Kalman Filter)在较大初始姿态误差角情况下存在估计精度低及收敛速度慢的问题,提出了一种四元数平方根容积卡尔曼滤波(QSCKF,Quaternion Square-root Cubature Kalman Filter)算法.在推导姿态确定系统四元数非线性误差模型的基础上,采用容积数值积分理论来计算非线性函数的均值与方差,同时使用平方根的形式来提高数值稳定性;针对四元数规范化问题,采用拉格朗日代价函数法求解四元数加权均值.仿真结果表明:在初始姿态误差较大的情况下,该算法相比较于MEKF以及无迹四元数估计法(USQUE,Unscented Quaternion Estimator),估计精度高且收敛速度快,滤波稳定性好,同时估计时间比USQUE缩短了1/3.

基于5阶降维平方根-容积卡尔曼滤波的动基座对准应用研究

为提高动基座下捷联惯导系统的对准精度、数值稳定性和减小计算量,将5阶容积卡尔曼滤波(CKF)、降维算法、多次离散和平方根(SR)滤波结合起来,形成5阶降维SR-CKF非线性对准方案。为减小5阶CKF的计算量,建立非线性-线性分离的系统模型,引入降维算法;为提高1阶龙格-库塔法的逼近精度,设计多次离散和时间更新的滤波框架;为提高数值稳定性,推导了5阶降维SR-CKF;比较常规3阶SR-CKF、5阶CKF和5阶降维SR-CKF的各项特性。实车动基座对准实验结果表明:该方案对准精度高、数值稳定性强、计算量小,满足应用需要。

强跟踪平方根容积卡尔曼滤波和自回归模型融合的故障预测

为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.

平方根求容积卡尔曼滤波的组合导航算法

以全球定位系统与航位推算(GPS/DR)相结合的组合导航系统为研究对象。为解决在GPS/DR组合导航研究中传统扩展卡尔曼滤波(EKF)算法的滤波精度和稳定性差问题,引入了平方根求容积卡尔曼滤波算法。作为一类sigma点滤波方法,SCKF有效避免了EKF计算雅可比矩阵,提高了估计精度。仿真结果表明,对于船用GPS/DR组合导航问题,该算法能获得更好的性能指标,更符合实际船用组合导航要求。

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(autonomous underwater vehicle,AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(strong tracking square root cubature kalman filter,STFSRCKF)的纯方位目标运动分析算法;该算法在滤波过程中,利用平方根容积卡尔曼滤波器(square root cubature kalman filter,SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(strong tracking filter,STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差;通过仿真分析,比较了扩展卡尔曼滤波器(extended kalman filter,EKF)、无迹卡尔曼滤波器(unscented kalman filter,UKF)、平方根容积卡尔曼滤波器(square-root cubature kalman filter,SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。