基于指数加权平均的GNSS/SINS组合导航系统Sage-Husa自适应卡尔曼滤波算法

测量噪声异常会导致GNSS/SINS组合导航系统滤波精度下降,甚至滤波发散。为解决该问题,首先提出适用于组合导航系统的Sage-Husa自适应卡尔曼滤波方法SHAKF;然后根据滤波新息协方差的理论估计值及实际估计值构建控制因子,提出测量噪声均方差突变起始时刻及结束时刻的检测方法,构建基于指数函数变化规律的遗忘因子,进而提出基于指数加权平均的Sage-Husa自适应卡尔曼滤波方法EWASHAKF;最后将EWASHAKF应用于GNSS/SINS组合导航系统,并进行仿真实验。结果表明,相对于SHAKF,EWASHAKF能够准确地跟踪测量噪声均方差的各种变化,进而提高组合导航系统的滤波精度。

组合导航系统卡尔曼滤波衰减因子自适应估计算法研究

提出了一种衰减记忆卡尔曼滤波中衰减因子的自适应估计方法 ,并在 GPS/SINS组合导航系统中进行了计算仿真。仿真结果表明 :该算法能够较好地估计出衰减因子的大小 ,有效地抑制滤波发散 。

GPS动态定位中自适应卡尔曼滤波模型的建立及其算法研究

采用描述机动载体运动的“当前”统计模型，建立了一种新的GPS动态定位自适应卡尔曼滤波模型。为了进一步提高滤波器的动态性能，提出一种改进的自适应滤波算法，大大提高了GPS动态定位卡尔曼滤波器的跟踪能力，改善了滤波效果。计算机仿真结果验证了该算法的有效性。

基于自适应无迹卡尔曼滤波算法的多股螺旋弹簧动态响应模型参数辨识和分析

针对传统方法在辨识多股螺旋弹簧(以下简称多股簧)非线性响应模型参数时效率较低、精度较差的问题,提出带噪声统计估计器的自适应无迹卡尔曼滤波(AUKF)算法。该算法通过对多股簧试验数据中的量测(过程)噪声进行递推和估计,能够确保非线性模型参数辨识的收敛性;结合多股簧动态试验对该算法进行检验。研究结果表明:即使在量测噪声级别较高的情况下,AUKF算法也可以准确地求出多股簧的动力学模型参数;在预测多股簧动态响应过程中,若预测振幅和参数辨识所用振幅相差太大则会导致较大的预测误差;当加载速度变化时,多股簧动力学模型中的迟滞部分参数基本不变,但0阶非线性刚度系数和非线性放大因子变化较大。

基于自适应卡尔曼滤波的多目标跟踪算法

在视频的多目标跟踪任务中,卡尔曼滤波器性能受硬件噪声以及光线等环境噪声干扰较大,导致滤波性能下降甚至发散,严重影响目标跟踪精度。针对这一问题,在检测端不变的情况下,对跟踪算法中的卡尔曼滤波器进行改进。首先,通过实时监测跟踪过程中滤波器观测值和估计值的动态变化,提取新息或残差;然后,利用新息协方差对观测噪声统计特性进行自适应估计,进而调整卡尔曼滤波增益;并通过数值仿真表明所提方法能有效降低噪声,获得更好跟踪效果。最后,基于YOLOv3算法检测结果进行实验验证,结果表明在多目标跟踪(MOT16)数据集上,相较于传统卡尔曼滤波设计,所提自适应卡尔曼滤波在多目标跟踪任务中的精度、标号(ID)相关指标(IDF1,IDP)等指标均有所提升。

直角坐标系下的水下被动目标跟踪自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散,导致滤波精度很差的情况,文章中提出了一种直角坐标系下自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测模型的线性化误差,削减系统的观测误差,并对其滤波理论及其算法进行了研究和仿真,结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。

面向无线传感器网络节点定位的自适应卡尔曼滤波算法收敛条件分析

分析了新息序列是有色噪声时自适应卡尔曼滤波算法(Adaptive Kal man Filter,AKF)的滤波效果,在范数意义下,证明了k时刻AKF算法中估计误差协方差矩阵和k时刻最优KF算法中估计误差协方差矩阵间距离与新息序列相关性成正比。利用上述结论,证明了所有AKF算法中估计误差协方差矩阵必逐渐远离1时刻最优KF算法中估计误差协方差矩阵。总结上述结论,发现AKF算法收敛条件可描述成以下几个等价命题:1)AKF算法中估计误差协方差矩阵与1时刻最优KF算法中估计误差协方差矩阵差有极限;2)k时刻AKF算法中估计误差协方差矩阵和k时刻最优KF算法中估计误差方差矩阵间距离极限是0;3)AKF算法渐进收敛于k时刻最优KF算法;4)AKF算法中新息序列渐进收敛于白噪声序列;5)k时刻AKF算法中滤波增益矩阵与k时刻最优KF算法中滤波增益矩阵间距离极限是0。上述理论为最终解决复杂环境下无线传感器网络节点定位问题奠定了基础。

基于改进自适应无迹卡尔曼滤波的国产民机导航数据滤波算法

针对国产民用飞机导航数据存在杂波不能准确测量的问题,提出一种基于改进自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法的导航数据滤波方法。将无迹卡尔曼滤波(unscented Kalman filter,UKF)与改进Sage-Husa次优无偏极大后验噪声估计器结合构造出改进AUKF,有效解决了在模型不确定或干扰信号统计特性不完全得知的情况下,滤波精度低甚至发散的问题,同时与维纳滤波器和小波阈值法滤波效果进行对比。选择ARJ21飞机实际运行的高度、经度及纬度数据进行仿真。结果表明:改进后的AUKF算法较其他滤波算法精度更高,有效提高了导航数据的可靠性。研究对提高国产民机导航定位精度具有重要意义。

基于自适应卡尔曼滤波器的神经网络算法

针对传统神经网络算法速度慢,容易陷入局部极值的缺点,提出将自适应卡尔曼滤波应用于人工神经网络的训练算法中。把前馈网络中的所有权值、阈值作为自适应卡尔曼滤波算法的状态,网络输出为算法的观测。仿真结果表明,该算法比BP算法在收敛速度方面有明显提高。

新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0.3194mm,相对百分误差降到1.42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。

基于自适应卡尔曼滤波的Meanshift跟踪算法

针对传统的Meanshift视频跟踪算法在跟踪目标存在背景干扰或者有遮挡情况下,目标跟踪不准确、丢失的问题,提出了一种基于自适应卡尔曼滤波的Meanshift跟踪算法(AKFMeanshift)。该算法在Meanshift算法的基础上结合自适应卡尔曼滤波,有效解决了系统噪声特性未知时,卡尔曼滤波发散的问题。通过滤波器预测目标在下一帧的中心位置,把该位置作为Meanshift迭代初始位置,最终实现跟踪。实验结果表明:提出的算法能够在系统噪声未知的情况下、存在遮挡的条件下对目标进行准确的跟踪。

基于自适应优化选择-抗差自适应卡尔曼滤波混合模型的GNSS+5G组合定位

PNT系统的构建是通信和导航领域的关键课题。发展能够兼容集成不同类型PNT手段,提供具备较好的弹性和环境适应性的综合PNT体系已成为当前刻不容缓的重要任务。5G和北斗系统的出现和发展,为PNT体系走向更综合、更弹性提供了新的思路。据此,本文提出了一种基于GNSS+5G组合数据的自适应优化选择-抗差自适应卡尔曼滤波(AOS-RAKF)算法,以实现城市复杂环境中的高精度定位估计。该算法主要由两个模块组成,即基于AOS的5G基站测量数据优化和基于AOS-RAKF算法的GNSS+5G组合定位。其中,基于AOS的5G基站测量数据优化模块通过自适应优化选择因子实现更好的观测数据重选。GNSS+5G组合定位模块利用优化后的5G数据和GNSS建立耦合结构模型,再利用RAKF方法实现移动车辆的高精度定位。半实物仿真测试结果表明,复杂城市环境下与使用原始测量数据的GNSS、单5G、传统的GNSS+5G组合定位相比,本文AOS-RAKF方法显著提高了定位精度。

Sage-Husa自适应卡尔曼滤波算法在SINS初始对准中的应用研究

Sage-Husa自适应卡尔曼滤波算法是解决系统模型发生变化的捷联惯导系统初始对准的一种有效工具,但对未知的系统噪声方差阵和观测噪声方差阵进行同时估计将会造成滤波发散.本文将在选择最佳遗忘因子的基础上,选取仅对观测噪声方差阵和均值进行估计的改造Sage-Husa自适应卡尔曼滤波算法进行捷联惯导系统的初始对准.计算机仿真试验结果表明:该方法在收敛速度和精度上都有很大改进.

神经网络算法在自适应卡尔曼滤波器中的应用

针对传统神经网络算法速度慢，容易陷入局部极值的缺点，提出将自适应卡尔曼滤波应用于人工神经网络的训练算法中。把前馈网络中的所有权值、阈值作为自适应卡尔曼滤波算法的状态，网络输出为算法的观测。仿真结果表明，该算法比BP算法在收敛速度方面有明显提高。

卡尔曼滤波器的自适应算法

通过对一维时不变线性系统的卡尔曼滤波器的理论分析，提出了一种估计并不断修正系统噪声方差Ｒ及观察噪声方差Ｑ的自适应算法。

基于遗传算法的电力系统自适应卡尔曼滤波动态状态估计

针对卡尔曼滤波动态状态估计中Holts'两参数均为常数,在电力系统运行状态变化时易产生较大的预测误差的不足,提出采用指数平滑法对参数进行动态调整。该方法在预测步中利用遗传算法来动态确定参数大小,实现了预测参数的自适应优化。最后,对IEEE14节点系统进行仿真计算,与传统方法进行比较,结果表明本文方法具有明显的优势。

基于自适应容积卡尔曼滤波的交互多模型算法

ADS-B航迹处理主要包括航迹数据滤波和滤波后数据可靠性的判断。飞机飞行运动复杂,而报文需要在飞行过程中向外界发送,此时报文会受到来自外界的影响和干扰,从而使航迹信息出现误差或丢失。为提高ADS-B航迹报文的准确性,文章采用了交互多模型滤波算法,将自适应容积卡尔曼滤波器作为交互多模型滤波算法的滤波器,并将当前统计模型作为交互多模型的子模型。仿真结果表明,论文改进的算法提高了滤波算法的滤波性能,相较于传统的交互多模型滤波算法具有更高的滤波精度。

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。

低复杂度自适应容积卡尔曼滤波算法

确定采样型滤波算法中的容积卡尔曼滤波(CKF)算法滤波性能优良,但是却难以克服目标模型不确定性或者目标状态突变带来的影响。构造强跟踪CKF能有效改善算法的自适应性,但是在求解渐消因子时大大增加了计算量。为此,提出一种低复杂度自适应CKF算法,通过设立基于新息的自适应修正判决准则和修正方式,直接对状态预测值进行修正,使滤波算法能及时跟上目标真实状态,以提高滤波精度。使用浮点操作数计算并分析了CKF算法、强跟踪CKF算法及所提算法的复杂度,同时将3种算法应用在建模不准确的目标跟踪中,并进行仿真验证。仿真结果表明:在目标建模不匹配的情况下,低复杂度自适应CKF算法和强跟踪CKF算法都能保持较好的滤波精度和数值稳定性,同时所提算法在算法复杂度上有明显改善。

自适应卡尔曼滤波与PSO-GA-BP算法的机器人误差补偿

采用七轴机器人设备夹持激光器的方式对某型号发射筒进行切割开孔加工。在加工过程中,因轨迹精度和绝对定位精度较低,容易对型号产品发射筒产生损伤和误差切割等问题,运用D-H算法建立七轴机器人理想模型,运用正逆运动学数值算法对理想模型进行验证,运用理想模型的理论位姿参数和激光跟踪仪的测量位姿参数基于Sage-Husa自适应卡尔曼滤波求解七轴机器人真实位姿坐标信息,得到理想位姿参数和真实位姿坐标信息的关节误差,然后结合粒子群优化-遗传算法-BP神经网络联合算法对七轴机器人建立误差预测模型,采用七轴机器人理论位姿参数作为输入样本,真实位姿与理论位姿的各关节角度差作为输出样本,通过库卡机器人Workvisual 5.0软件按照模型输出值对七轴机器人的各关节角度值进行补偿。经过仿真实验和加工,各关节误差补偿后的七轴机器人轨迹误差和绝对定位误差减小72%,满足工艺要求。