一种限定记忆的自适应扩展Kalman滤波器

为解决扩展卡尔曼滤波器(EKF)鲁棒性差,且无法实时精确跟踪系统突变状态的问题,研究一种基于限定记忆滤波的自适应EKF算法。算法将EKF与限定记忆滤波器相融合,减小旧量测数据对滤波效果的影响,提高估计精度;引入自适应因子与渐消因子,通过实时调节新旧滤波增益阵以及预测状态值,精确地跟踪系统突变状态。仿真实例表明,强跟踪算法与经典EKF算法相比,自适应EKF算法鲁棒性好,滤波精度高,能够有效地跟踪系统突变状态。

具有控制项的限定记忆卡尔曼滤波器

在已有的限定记忆卡尔曼滤波器的基础上 ,将确定性先验信息作为控制项加以应用 ,推导出了完整的限定记忆卡尔曼滤波公式 ,从而在记忆长度确定的情况下 ,有效地减小了模型不准的误差 ,降低了滤波总误差。

基于限定记忆随机加权扩展卡尔曼滤波的车辆状态估计

为了降低车辆状态估计过程中历史量测数据误差的影响,提出一种限定记忆随机加权扩展卡尔曼滤波(LMRWEKF)算法.首先,建立三自由度非线性车辆动力学模型;其次,将限定记忆滤波与扩展卡尔曼滤波融合,构成限定记忆扩展卡尔曼滤波;然后,依据随机加权理论,设计服从狄利克雷分布的加权系数来进一步提高滤波估计精度;最后,建立Carsim与Matlab/Simulink联合仿真平台,并进行了高附着系数和低附着系数2种不同工况下的仿真实验.结果表明:相比于标准扩展卡尔曼滤波(EKF)算法,高附着路面仿真工况下,基于LMRWEKF算法估计得到的横摆角速度、质心侧偏角和纵向速度的均方根误差分别降低了60.23%、19.63%、91.57%;低附着路面仿真工况下,基于LMRWEKF算法估计得到的横摆角速度、质心侧偏角和纵向速度的均方根误差分别降低了59.38%、13.92%、94.20%.所提出的LMRWEKF算法能有效抑制噪声波动,提高估计精度.

带有状态噪声的限定记忆卡尔曼滤波方法

在已有限定记忆卡尔曼滤波方法的基础上 ,引入状态噪声 ,并推导了新的限定记忆卡尔曼滤波公式。从而降低了记忆长度的选取难度 。

有限记忆量测噪声在线估计的Kalman改进算法

针对有限记忆量测噪声在线估计算法中,新息残差序列对渐变噪声的统计滞后问题,提出了一种新息变化率构建算法.该算法利用当前统计周期内新息绝对值的均值与前一统计周期内新息均值的绝对值构造新息变化率,并在此基础上提出了利用新息变化率作为量测噪声估计阵修正因子的改进算法.仿真比较了在无噪声变化、噪声突变与噪声渐变3种不同情况下,算法改进前后的滤波效果.仿真结果表明,该算法在保留对突变噪声有效检测的同时,提高了对渐变噪声的检测速度,从而提高了有限记忆量测噪声在线估计算法对量测噪声阵的计算精度.

基于衰减记忆法滤波的多假设跟踪算法

本文在讨论多假设跟踪算法原理的基础上,分析了影响其跟踪精度的关键——Kalman滤波,我们提出用衰减记忆法卡尔曼滤波代替原标准卡尔曼滤波,并采用计算机仿真实验对比的方法研究了改进的多假设跟踪算法的效果。实验结果表明改进后的算法能有效地抑制滤波器的发散,提高航迹预测精度,在不增加系统运算时间的前提下,使得多假设跟踪算法的性能得到了很大的提高。

基于渐消记忆自适应滤波的船舶动力定位算法仿真（英文）

由于船舶在海上运动的复杂性和非线性,精确的船舶动力定位系统数学模型难以建立。为了实现有效的动力定位控制,需要应用一定的状态估计滤波算法得到所需的船舶运动低频信号。采用常规的Kalman滤波,状态变量的新测量值对预测值的修正作用下降,旧测量值的影响随着计算步数的累积而相对提高,这是引起滤波发散的主要原因之一。文章针对船舶动力定位系统中使用常规的Kalman滤波而存在的模型不精确、不能准确表达系统噪声和测量噪声等问题,采用渐消记忆自适应滤波估算低频运动信息,在状态估计算法中引入渐消记忆因子,减小旧测量值对状态估计值的影响权重,从而增大新测量值的作用;并根据滤波发散判断准则,选择适当的渐消记忆因子值来抑制滤波器的发散,使控制器输出较为平稳,从而降低推力系统不必要的能耗。仿真实验表明,所设计的自适应滤波器的收敛性、跟踪性优于常规的Kalman滤波,有效地提高了系统的定位精度和稳定性。

U-D分解渐消记忆滤波神经网络控制器在船舶操纵中的应用

针对前馈网络BP算法所存在的收敛速度慢且常遇局部极小值等缺陷 ,提出一种基于U D分解的渐消记忆推广Kalman滤波学习新方法。与EKF相比 ,该方法不仅大大加快了学习收敛速度、数值稳定性好 ,而且比BP算法需较少学习次数和隐节点数 ,学习效果也更好。将这种学习算法应用在船舶操纵的神经网络控制器中 ,仿真结果表明该方法是提高网络学习速度、改善学习效果的一种有效方法 ,可有效解决非线性系统的控制问题。

带随机限定记忆模型的最优线性滤波

本文用对象输出信号的N个记忆量来构成随机限定记忆模型,去代替卡尔曼滤波器中所使用的对象状态方程模型,作为一步最优预测的依据。在此基础上推导出离散系统的最小均方误差的滤波公式组。在不能获得精确的对象状态方程的情况下,可用本文提出的滤波方法对对象的状态变量作出估计。

基于多重渐消因子的自适应卡尔曼滤波器

现有计算渐消因子的自适应卡尔曼滤波器得到的通常是标量渐消因子,从而导致各滤波通道具有相同的调节能力,不利于提高滤波精度。针对该问题,提出了一种利用估计均方误差和新息协方差估计值来计算多重渐消因子的方法,通过一组并行工作的基于限定记忆指数加权的新息协方差估值器来计算渐消因子,并根据估计均方误差把渐消因子分配给各滤波通道,从而提高自适应卡尔曼滤波器整体性能,仿真结果证明了所提方法的有效性。

一种新的线性最优滤波器的设计与研究

针对一类未知机动目标设计了一种线性最优滤波器。该滤波器采用有限记忆模型作为滤波模型,模型参数用动态最小二乘方法辨识得到。由此得到的滤波器称为基于辨识有限记忆模型的线性最优滤波器。有限记忆模型克服了时间多项式模型(如CV模型、CA模型、Singer模型等)对目标物理特性的依赖性,它从目标运动轨迹入手对目标运动特性进行描述,更适合于战场未知目标的跟踪滤波。通过原理分析和Monte Carlo仿真实验验证了该滤波方法的有效性,并且和Kalman滤波方法进行了比较。

基于极大似然估计的新息自适应滤波算法

针对噪声统计信息未知或时变情况下常规卡尔曼滤波估计精度下降甚至发散的问题,提出了一种基于极大似然估计的新息自适应滤波算法。算法对基于极大似然估计的常规新息协方差估值器进行限定记忆指数衰减加权修正,增加滑动窗口内新近新息协方差序列的利用权重;根据新息自适应原理,利用新息协方差估计值直接计算滤波增益矩阵,加快滤波器收敛速度的同时提高了滤波算法的估计精度。算法应用于捷联惯性导航系统/全球定位系统(SINS/GPS)组合导航系统,仿真实验表明:在噪声统计信息未知或时变情况下,算法具有更强的鲁棒性以及更高的滤波精度。

一种新的针对模型误差所致滤波发散的补偿方法

系统模型误差是导致卡尔曼滤波发散的一个很重要的原因,分析了衰减记忆法和限定记忆法两种对模型误差所致滤波发散的补偿方法,通过引入阈值可以将这两种方法进行有机结合,给出了一种新的衰减限定记忆算法。算例分析验证了衰减限定记忆算法在抑制滤波发散方面具有比衰减记忆和限定记忆法更好的性能,并能自适应调整算法所需观测数据数目。

捷联式光纤陀螺罗经系统误差分析

对采用光纤陀螺的捷联式罗经系统进行了研究.提出了使用惯性组件旋转调制技术提高光纤陀螺捷联式罗经系统精度的方法,分析了罗经系统的误差特性.针对旋转组件的误差,在系统初始对准过程中,应用限定记忆的Kalman滤波进行状态估计,提高了对准精度.静止基座的初始对准仿真结果表明,航向失准角估计误差均方差为0.159°.

无陀螺惯性测量系统角速度估计算法

针对无陀螺惯性测量系统中角速度解算的难题,文中在分析目前常用角速度解算方案优缺点的基础上,根据Kalman状态估计理论,建立了新的不局限于某种加速度计配置方式的系统状态方程和观测方程模型,推导出了带控制项和系统干扰噪声的限定记忆Kalman状态估计公式,通过一种九加速度计配置方式,对该估计算法进行了仿真验证,仿真结果表明该算法能有效地提高角速度解算的精度,避免了其他角速度解算方案误差发散和小角度符号判断难题。

基于ASRUKF的锂离子电池SOC估算

电池荷电状态(SOC)估计对电池管理系统进行实时监控、策略控制和保障行车安全具有重要意义。为了能够提高模型辨识精度和SOC估算结果,在一阶RC电路模型的基础上,采用限定记忆递推最小二乘法(LMRLS)辨识模型参数,通过自适应平方根无迹卡尔曼滤波(ASRUKF)算法进行SOC估计,将结果与UKF算法的估算结果进行比较,结果表明ASRUKF算法具有更高的精度。

存在缺失值的ARFIMA模型的最大似然估计

利用状态空间模型中的Kalman滤波可以很好地解决时间序列模型的缺失数据问题。本文通过修改Kalman滤波递推公式解决了长记忆ARFIMA模型的缺失数据问题,得到存在缺失值的ARFIMA模型的最大似然估计。

最小二乘法在纯方位目标跟踪中的应用

从实际的工程应用入手,研究了被动纯方位目标跟踪中方位轨迹滤波算法。分析了目标方位变化情况,建立方位变化模型,采用限定记忆最小二乘法对方位轨迹进行滤波。仿真结果表明,该算法能够降低方位测量误差,是一种较好的工程实用算法。

气动参数在线辨识在火箭助推段制导中的应用

为减小气动参数扰动对火箭助推段的影响,提高制导精度,本文将火箭飞行过程中的气动参数扰动量视为摄动制导中的小扰动量,对传统摄动方程进行改进。采用扩展Kalman滤波方法对气动参数扰动量进行辨识,再利用限定记忆递推最小二乘法基于辨识结果进行预测,将预测结果用于下一阶段的摄动制导计算,构建了“辨识—预测—计算”迭代更新的在线辨识模型。本文设计的扩展Kalman滤波器辨识效果较好,收敛时间10 s左右,辨识精度10%以内。设计的结合气动参数在线辨识的摄动制导方案相对于传统方案,能有效降低终端状态偏差。Monte Carlo打靶结果表明改进摄动制导方案对偏差的鲁棒性增强,弹道收敛性更好。本文将气动参数在线辨识用于火箭助推段的摄动制导,降低了气动参数扰动对制导精度的影响,在一定程度上提高了摄动制导的性能,对工程实践具有参考作用。