基于自适应Kalman滤波的物联网异常节点位置识别研究

针对物联网异常节点识别结果不准确和时间较长等问题,文章提出一种基于自适应Kalman滤波的物联网异常节点位置识别方法。分析物联网中节点的空间分布情况,组建物联网各个节点之间的通信信道传输模型,引入载波调制方估计各个通信信道特征参量取值,通过自适应Kalman滤波提取异常节点的特征参量,对全部异常特征参量进行融合和过滤处理。分析处理结果,采用特征模糊聚类对物联网异常节点位置识别。通过实验对比可知,所提方法可以高效率高精度完成物联网异常节点位置识别。

一种基于软卡方检测的自适应Kalman滤波方法

在传统Kalman滤波中,卡方检测方法简单地将量测划分为正常和异常两种,针对其不足之处,改进并提出了一种新的软卡方检测方法。新方法根据卡方检测结果构造连续变化的量测,利用权重系数,充分挖掘处于正常值与异常值之间的可疑量测新息,同时还将该方法推广成多维量测的多分量卡方检测形式,建立了全面完整的软卡方检测Kalman滤波量测更新方程。最后,通过惯导/卫导组合导航仿真,验证了软卡方检测Kalman滤波的优势:无需任何参数调整且具有比Sage-Husa自适应滤波更小的统计误差波动。

一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测算法

针对当前的山体滑坡监测技术监测精度低、实时性差、自动化程度低的问题,提出了一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测技术。该技术使用抗差自适应Kalman滤波技术,对包括实时动态(RTK)载波相位差分定位数据、无人机摄影测量数据、土工带传感器数据在内的多源数据进行融合分析,将滑坡形变监测精度提高到了mm级。RTK技术和土工带传感器的使用克服了天气状况、植被覆盖对滑坡监测的影响。使用灰色预测理论对山体滑坡监测点进行形变预测,结合蠕变切线角判据,该技术实现了对山体滑坡预警等级的划分。仿真实验结果显示,该山体滑坡监测技术能够成功实现山体滑坡预测预警功能。

GNSS多系统PPP中强跟踪自适应Kalman滤波的应用

精密单点定位(precise point positioning, PPP)技术由于操作简单、定位精度高,现已广泛应用于许多领域。针对PPP解算过程中周围环境改变可能带来的观测噪声和多路径效应,传统滤波算法无法解决其导致的精度下降的问题,本文提出一种强跟踪自适应Kalman滤波(strong tracking adaptative Kalman filtering, SAKF)算法,通过引入渐消因子调整预测误差值,同时使用IGGⅢ函数方法重构测量噪声协方差,从而实现PPP解算。实验结果表明,在静态解算时,SAKF定位精度较传统算法提升约20%,在仿动态解算时,SAKF定位精度提升约55%~60%,同时具有更好的收敛稳定性。

基于自适应Kalman滤波算法的航空发动机可测参数及其偏离量估计

针对采用估计可测参数偏离量建立航空发动机机载自适应模型的方案中,可测参数偏离量估计的问题,引入了CA(Constant Acceleration)模型,建立了简化的可测参数状态方程和测量方程,采用自适应Kalman滤波算法直接估计可测参数,由估计出的可测参数与发动机非线性模型计算的额定值之差,获得可测参数偏离量。为解决因简化的状态模型系统误差较大,采用标准Kalman滤波会出现估计严重偏离真值的问题,分析了标准Kalman滤波准则和状态模型误差对滤波结果的影响,采用动态调整状态预报在滤波估计结果中权重的策略,给出了单因子自适应Kalman滤波算法准则及递推公式,使滤波估计准确。对不同的可测参数分别采取序列滤波的方法,减少了运算量。以仿真产生的发动机测量数据为例,对系统模型和所设计的算法进行验证,计算结果表明,所设计的滤波算法具有很快的收敛速度和计算速度,结果优于标准Kalman滤波算法,具有更好的估计精度和一定的工程应用价值。

基于自适应kalman滤波的机器人6DOF无标定视觉定位

机器人的强耦合和强非线性使得6自由度视觉定位成为机器人视觉伺服领域的一个热点和难点问题。提出了一种基于自适应kalman滤波的机器人无标定6自由度视觉定位方法。首先利用图像的全局特征描述子—图像矩设计了一组图像矩组并以它的变化来表征摄像机与目标之间的相对平动与转动。在不标定摄像机与机器人坐标变换关系的情况下,应用自适应kalman滤波器来在线估计图像雅可比矩阵,并在此基础上设计视觉控制律从而计算出机器人的运动控制量,最后在MATLAB环境下建立了眼固定机器人无标定6自由度视觉定位Simulink模型,实现了机器人6自由度视觉定位。仿真实验结果表明,在噪声的统计特性不完全已知的情况下,所设计的自适应kalman滤波器能使6自由度机器人到达期望的位置,且定位精度高。

拖曳阵阵形估计的自适应Kalman滤波算法

柔性拖曳阵在水下拖动时受拖船拖动及海流等的扰动,因此拖曳阵的阵形估计问题是个存在未知输入的系统状态估计问题。文中采用了一个自适应的KALMAN滤波算法来解决这一问题。自适应Kalman滤波器包括两部分:一部分是没有输入的Kalman滤波,另一部分是自适应加权的Kalman滤波用于估计快时变的余量偏差。在迭代的每一步,均利用M-估计器和Huber函数相结合构造作为更新偏差函数的遗忘因子。数值仿真与海试结果表明,该方法比传统的状态估计方法估计效果好。

基于自适应Kalman滤波的输油管道状态估计

通过离散化输油管道瞬变流动控制方程,基于扩展Kalman滤波方法,用带有未知时变噪声统计的虚拟噪声补偿线性化模型误差,构造了鲁棒自适应Kalman滤波器,以进出口压力及站间测量点为系统的输入与输出向量,对输油管道进行状态估计,并将状态估计结果与实际运行采集数据进行对比。结果表明,该滤波器迭代收敛速度较快,其误差控制在3%以内。

基于BP神经网络的自主定轨自适应Kalman滤波算法

针对Sage-Husa自适应滤波方法存在的窗函数开窗大小选择问题,提出一种基于BP神经网络学习估计系统协方差矩阵的自适应Kalman滤波算法。该算法以Kalman滤波预测残差向量作为网络输入,通过网络分段离线学习确定预测残差向量与预测残差协方差矩阵间的非线性关系,自适应地估计Kalman滤波系统协方差矩阵。将其应用到自主定轨系统,仿真结果表明利用本文算法自主定轨60天星座平均URE误差小于1.9米,且能够快速跟踪到系统噪声的突变,较Kalman滤波方法和Sage-Husa自适应滤波方法具有更好的性能。

使用遗传算法的自适应Kalman滤波器

基于Magill的Kalman滤波器池结构 ,设计了使用遗传算法的自适应Kalman滤波器 ,给出了离线和在线两种实现方案 .离线方案以辨识滤波参数为主要目的 ,进而可以对状态进行较准确的事后估计 ;在线方案以实时地对状态进行估计为目的 .对滤波参数寻优使用具有良好性能的浮点数编码遗传算法 ,该算法与二进制编码遗传算法相比收敛速度更快、搜索全局最优的能力更强 .

自适应Kalman滤波器在水下被动目标跟踪中的应用

在水下被动目标跟踪系统中 ,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差。提出了一种修正极坐标系下的自适应卡尔曼滤波算法 ,对虚拟噪声进行估计 ,动态补偿模型线性化误差 ,消减系统的观测误差 ,对其滤波理论及算法进行了研究和仿真。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。

多普勒测速声呐的自适应Kalman滤波算法

针对小型自主水下无人潜器的运动特点,设计了一种加速度信息辅助的自适应Kalman滤波器,用于多普勒测速声呐的数据处理.首先基于时间序列分析法,建立了多普勒测速声呐噪声信号的AR模型,并根据当前统计模型设计了多普勒测速声呐Kalman滤波方程.然后针对滤波方程特点,设计了基于S面的自适应Kalman滤波器.实验结果表明,在已知加速度先验信息的条件下,基于S面的自适应Kalman滤波器能够根据小型水下机器人的运动特点实时调整滤波参数,滤波精度优于0.04m/s,且能够有效消除时间延迟,为小型水下机器人控制系统提供准确及时的速度信息.

基于自适应Kalman滤波的平面阵列电容成像

针对平面阵列电极边缘电场和病态特性严重影响电容图像重建质量的问题,提出了一种改进的自适应Kalman滤波图像重建算法来同时减小电容及介电常数矩阵的噪声,在构建引入噪声的平面阵列电容成像状态模型的基础上,利用极大似然准则来对介电常数矩阵噪声方差阵进行在线估计及实时修正,并且通过对系统误差协方差矩阵进行动态加权的方法来对此算法的收敛速度进行优化.通过一种复合材料结构件进行缺陷检测实验,结果表明与LBP, TR正则化及Kalman滤波算法相比,自适应Kalman滤波算法图像误差最高可降低约20%,图像相关系数高达0.79,收敛速度提升约15%,说明自适应Kalman滤波算法对提升重建图像质量的有效性.此研究对提高平面阵列电容成像的量化精度有着重要意义.

混合式自适应Kalman滤波算法

采用虚拟噪声补偿模型误差和有偏的噪声方差估值器、滤波器收敛性判据相结合的方法来解决自适应Kalman滤波发散的问题。首先若模型不准确,则引入虚拟噪声对模型误差进行虚拟补偿,然后采用有偏的噪声方差估值器、滤波器收敛性判据对噪声方差估计值进行监控,阻止滤波器发散。采用混合式自适应Kalman滤波算法对Gill公司的风向风速仪实时采集的数据进行处理,实验结果表明,该方法能有效的提高性能、抑制滤波发散,具有较强的实用性、自适应能力。

抗差自适应Kalman滤波在动态变形监测中的应用研究

抗差自适应Kalman滤波算法中,抗差等价权矩阵和自适应因子的计算,要求观测信息具有多余观测量且准确可靠,但在动态变形监测应用中,通常滤波观测值仅为三维坐标且存在较强噪声和粗差的影响。为此,先对该算法中的自适应因子和抗差等价权矩阵的计算进行研究和改进,然后计算了某高速公路边坡的GPS动态监测数据。结果表明,抗差自适应Kalman滤波能够有效地抵制动态变形监测中观测值异常的影响。

高铁变形分析中自适应Kalman滤波算法应用研究

针对Kalman滤波由于模型误差引起发散的问题,介绍了一种新的基于指数加权衰减记忆自适应Kalman滤波。基于MATLAB编程实现模型的建立并运用该模型对高速铁路沉降变形进行分析与预测,通过工程实例验证了自适应Kalman滤波抑制滤波发散的有效性。

抗野值自适应Kalman滤波在无人机测风数据处理中的应用

针对无人机风场测量值含连续野值较多,且其噪声统计先验知识不足的问题,运用一种抗野值自适应Kalman滤波算法来提高其测风精度。在对模糊自适应Kalman滤波算法分析的基础上,该算法将一个压缩影响函数加权于滤波方程的新息上,根据新息的方差和均值变化自适应调整修正权值,使修正后的新息序列能够保持原有性质。相关分析结果表明,该算法能有效地克服较大野值和成片野值对滤波的不利影响,保证滤波精度,适用于无人机风场测量。

基于自适应Kalman滤波的交通流量监测算法

提出一种基于车载无线通信模块的交通流监测原型系统,该系统将行驶中载有无线通信模块的车辆视为移动检测节点,以很小的代价实现对交通信息的获取。在此基础上提出一个具体应用:利用基站对道路上载有通信模块车辆的检测,结合设计的基于结果反馈的自适应Kalman滤波算法,及时准确地完成对路段上交通流量的检测。此外,还基于元胞自动机理论搭建了仿真平台,并验证了算法的有效性。

基于小波变换的自适应Kalman滤波算法研究

针对组合导航系统中Kalman滤波在实际工程应用中的不足,以惯性/卫星组合导航系统为背景,提出小波变换技术对量测噪声方差阵进行直接调控的滤波算法。介绍Kalman滤波原理,根据小波变换在时域和频域都有良好的局部化性质,检测量测噪声的变化,实时调整自适应因子,间接改变Kalman滤波器的当前观测和过去信息的比例关系。仿真结果表明:该算法对噪声干扰有较强的自适应性,能有效抑制滤波发散,提高系统的精度和鲁棒性。

基于自适应Kalman滤波的BP神经网络在导航中的应用

针对传统BP神经网络的缺点,使用自适应Kalman滤波训练神经网络隐含层与输出层的连接权。与传统BP算法相比,该方法提高了BP神经网络的计算精度,增强了泛化能力。导航数据的计算结果证明该方法是一种改进训练连接权的有效方法。