基于极大似然准则和最大期望算法的自适应UKF算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter,UKF)算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪声统计特性的在线估计.

基于极大后验估计和指数加权的自适应UKF滤波算法

针对传统Unscented卡尔曼滤波器(Unscented Kalman filter,UKF)在噪声先验统计未知时变情况下非线性滤波精度下降甚至发散的问题,设计了一种带噪声统计估计器的自适应UKF滤波算法.首先根据极大后验(Maximum a posterior,MAP)估计原理,推导出一种次优无偏MAP常值噪声统计估计器;接着在此基础之上,采用指数加权的方法,给出了时变噪声统计估计器的递推公式;最后对自适应UKF算法进行了性能分析.相比于传统UKF,该自适应UKF算法在噪声统计未知时变情况下不仅滤波依然收敛,滤波精度及稳定性显著提高,而且其具有应对噪声变化的自适应能力.仿真实例验证了其有效性.

自适应渐消UKF算法及其在仅测角被动定位中的应用

针对仅测角被动定位受多径、镜像和干扰源影响,噪声无法准确建模,传统EKF及其改进滤波算法容易发散的问题,将自适应渐消因子引入UKF算法中,调整滤波增益以及状态误差协方差矩阵,提出一种自适应渐消UKF算法,给出了具体的计算流程。仿真了不同雷达诱饵布置干扰下滤波算法的稳定性。仿真结果表明,与传统的EKF以及自适应渐消EKF算法相比,该算法收敛速度更快,稳定性更好。

基于DFFRLS和神经网络-ASRUKF算法的蓄电池SOC估计

以3.5 V/20 A·h的磷酸铁锂电池为研究对象,针对其荷电状态(SOC)在线估计问题,建立二阶戴维南(Thevenin)等效RC电路模型,结合BP神经网络、动态遗忘因子最小递推二乘(DFFRLS)法和自适应平方根无迹卡尔曼滤波(ASRUKF)算法提出一种SOC联合估计算法。采用BP神经网络代替多项式拟合开路电压-荷电状态(OCV-SOC)曲线,提高曲线拟合精度;通过DFFRLS在线辨识模型参数;结合ASRUKF算法进行SOC联合估计。研究表明提出的联合估计算法有效消除了因噪声协方差初值人为设定的误差并克服滤波发散导致状态协方差矩阵非半正定问题,达到获取最优SOC估计值的目的。在循环动态压力测试(DST)实验工况下,将联合估计算法与其他传统算法进行比较,结果表明提出的SOC联合估计算法具有更好的快速性、收敛性和精确性。