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。

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。

优化电池模型的自适应Sigma卡尔曼荷电状态估算

采用数学模型法对磷酸铁锂电池进行非线性建模,优化了状态模型及观测模型。模型考虑了充放电倍率、温度、老化循环寿命等因素,对电池松弛效应及极化现象影响进行建模补偿,提高了电池建模的准确度,降低了不同条件下因电池模型造成电池荷电状态(SOC)估算的误差影响。在电池模型参数辨识基础上,提出采样自适应Sigma卡尔曼算法构建SOC估算模型,按照非线性模型对状态变量的分布构建Sigma采样序列,采用模型输出残差更新噪声协方差,赋予Sigma采样序列最优估计及噪声的权值,并实现误差量的实时更新,降低计算复杂度。通过持续大电流、间断电流、变电流放电及充电实验条件下的SOC估算对比实验,验证了自适应Sigma卡尔曼算法快速收敛性,数学描述更准确,具备较高的SOC的观测准确度。

复杂环境下基于自适应卡尔曼滤波的时间比对跟踪算法

在雷达、车载等动态协同组网系统中,高精度时间同步是该系统正常工作的基本条件。但是在动态组网系统或者低截获场景下,时间比对信号强度弱,并处于动态场景,此时时间同步系统鲁棒性差、同步精度低。因此,需要提高时间同步系统在复杂的动态组网系统下的时间同步精度。调制解调器是双向时间比对系统的核心设备,而跟踪环路是其中关键部分。复杂场景下跟踪环路很容易失锁,为了提高跟踪环路鲁棒性,该文提出一种基于自适应卡尔曼滤波(AKF)的跟踪算法。该算法引入自适应因子来调节系统噪声协方差矩阵,从而应对外部变化的输入信号。试验结果显示,与传统锁相环跟踪环路(PLL)和标准卡尔曼滤波跟踪环相比,在弱信号和动态信号同时存在时该算法跟踪鲁棒性和自适应性更好,并且算法复杂度不高。该算法对于提高动态协同组网系统的时间同步精度具有重要意义。

基于Zernike多项式的自适应包裹卡尔曼相位解缠

为了在噪声干扰下准确提取干涉图中的相位信息,提出了一种基于Zernike多项式拟合的自适应包裹卡尔曼滤波相位解缠算法。该方法将相位图建模为Zernike多项式的线性拟合,采用相位图二次差分加权策略的包裹卡尔曼滤波器准确计算拟合系数,利用预测值和量测值的新息自适应地调整量测噪声协方差矩阵且无需根据干涉图设置不同的观测噪声。实验仿真和实测结果表明,所提方法能够有效地处理干涉条纹中的噪声,并能准确地恢复出相位信息,对于受噪声干扰的干涉图的相位解缠性能优于最小二乘算法和Kalman算法,具有鲁棒性好、无需预滤波和人工干预的优点。

渐消卡尔曼滤波器的最佳自适应算法及其应用

本文依据卡尔曼滤波器在使用最佳增益时,其余差序列互不相关的性质,开发了一种新的渐消滤波算法。该算法根据对象输出,在线自适应地调整遗忘因子,从而使滤波器在对象模型存在误差或对象受到外扰时,仍收敛并保持最佳性。该算法已应用于造纸机控制,取得较好效果。

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 。

一种带速度观测量的GPS动态定位自适应卡尔曼滤波算法

提出了一种应用于 GPS动态定位滤波的自适应卡尔曼滤波算法 ,此自适应滤波器算法简单 ,与常规滤波器相比 ,可实现快速有效地提高 GPS定位精度。

一种自适应滤波与干扰观测器相结合的大型舰船状态估计算法

为满足航母等大型舰船目标的状态估计要求,提出一种由非线性干扰观测器和强跟踪容积卡尔曼滤波算法融合形成的交互多模型强补偿容积卡尔曼滤波算法。引入非线性干扰观测器,完成由外界不确定因素引起的干扰总量的估计,并对观测器稳定性进行证明。使用估计的干扰值实时修正强跟踪容积卡尔曼滤波的过程参数,最终形成交互多模型强补偿容积卡尔曼滤波算法,完成对目标状态相对准确的估计。研究结果表明:新提出的滤波算法能够较为准确地完成对目标状态的估计,与变结构多模型粒子滤波算法、变结构多模型无迹卡尔曼滤波算法和交互多模型强跟踪容积卡尔曼滤波算法相比,在目标位置和速度估计上具有更高的估计精度。

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。

基于抗差自适应CKF的水下重力匹配导航SITAN算法

为提高水下重力匹配算法的定位精度和稳健性,将容积卡尔曼滤波应用到水下重力匹配惯性导航中,同时引入抗差估计和自适应因子,提出了基于抗差自适应容积卡尔曼滤波的水下重力匹配导航SITAN算法。利用重力异常模型数据开展仿真实验,结果表明,所提算法能有效修正惯导整体航迹,在观测值未加入粗差的情况下较普通容积卡尔曼滤波算法提高了76%的导航定位精度,在观测值加入30 mGal粗差的情况下,提高了88%的导航定位精度。该研究成果可为后续水下重力匹配导航算法的理论研究及工程实践提供一定的数据支撑。

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。

适应性卡尔曼滤波算法在汽车检测中的应用

在汽车行驶系间隙与制动性能一体化检测中,为保证检测数据的高精度,单纯从硬件角度出发考虑构成高信噪比的检测系统是不够的,还必须加强对动态数据的处理。我们可采用动态数据在线处理的适应性卡尔曼滤波算法,从而在测量值的基础上获得信息信号的最优线性估值,进一步提高信噪比。