采用隐性卡尔曼滤波器的自适应子结构试验方法

在传统子结构拟动力试验基础上,提出采用隐性卡尔曼滤波器的自适应子结构试验方法,以减小由于数值子结构中相应构件的恢复力模型误差所带来的不利影响。在子结构试验过程中,在线识别试验子结构模型参数,实时更新数值子结构中相应构件的恢复力模型参数。快速准确的恢复力模型在线识别方法成为自适应拟动力子结构试验的关键,将试验子结构恢复力模型的模型参数作为试验子结构系统状态变量的一部分,采用隐性卡尔曼滤波器在线识别其模型参数。通过数值仿真检验采用隐性卡尔曼滤波器在线识别的自适应子结构试验方法性能。结果表明:所提出的自适应子结构试验方法具有很好的精度和较快的识别速度,试验结果较传统子结构试验结果有较大改善。

容积卡尔曼滤波器的Bouc-Wen模型在线参数识别

非线性滞回模型具有强烈的非线性特征,瞬时输入与加载历史路径影响模型参数的在线识别精度。以非线性Bouc-Wen模型为例,采用容积卡尔曼滤波器与隐性卡尔曼滤波器分别识别模型参数,对比分析两种滤波器的识别精度和计算效率。结果表明,容积卡尔曼滤波器识别Bouc-Wen模型参数k、γ、n的相对误差分别比隐性卡尔曼滤波器降低了0.73%、1.95%和2.10%,计算时间相比隐性卡尔曼滤波器减少了0.95 s。在模型参数的识别精度和计算效率上容积卡尔曼滤波器优于隐性卡尔曼滤波器,适用于非线性模型的在线参数识别。

卡尔曼滤波器在GPS信号跟踪中的应用

遥测信号处理是飞行试验中的重要环节,直接影响到实时监控的质量,其中GPS信号的处理具有很重要的作用。为了保证遥测信号的可靠处理,本文针对高动态遥测信号的处理,提出EKF与UKF在GPS载波频率跟踪中的应用进行研究。介绍了基于卡尔曼滤波器的跟踪模型,并在此基础上设计了EKF和UKF在载波频率跟踪的模型。仿真结果说明本文建立的EKF与UKF模型能够很好对高动态GPS信号进行跟踪。

一种基于UKF滤波器的卫星定位算法

针对基于通用最小二乘迭代法的卫星定位解算方法在定位精度和鲁棒性等方面的不足,提出了一种基于UKF(Unscented Kalman Filter)滤波器的卫星定位解算方法。该方法直接利用GPS接收机测得的伪距和多普勒频移作为观测量,对接收机的位置和速度进行估计。经过工程上的实际验证表明:与基于通用的最小二乘迭代法的卫星定位解算方法相比,所提出的基于UKF滤波器的卫星定位解算方法的定位结果有更高的精度和更强的鲁棒性。

基于非线性预测滤波和UKF的状态估计方法

非线性系统存在建模误差时,UKF的状态估计误差较大,为了提高UKF对非线性系统的状态估计能力,本文将非线性预测滤波(NPF)方法和UKF相结合,提出了一种改进的UKF。首先应用NPF求得模型误差值,得到非线性系统的修正模型,将模型离散化再应用UKF进行状态估计。在仿真实验中分别应用单纯的UKF和改进后的UKF对一个存在模型误差的非线性系统进行状态估计,对它们的估计结果进行了比较和分析,结果表明结合NPF的UKF能够提高非线性系统状态估计的精度。

迭代平方根UKF

针对无迹卡尔曼滤波器(UKF)测量更新方法的不足,提出了一种对UKF进行迭代测量更新的方法,用于提高非线性系统状态估计的近似精度.利用平方根UKF算法确保了迭代UKF的数值稳定性.理论分析与实验结果表明,迭代平方根UKF算法不仅具有无需计算雅可比矩阵的优点,而且具有较高的非线性近似精度、较强的数值稳定性和较高的运算效率;在相同数量级运算时间的条件下,其估计性能明显优于扩展卡尔曼滤波器(extended Kalman filter,EKF)、UKF和迭代UKF等非线性滤波器.

基于UKF的无线传感器异步数据融合优化算法

提出了一种基于无迹卡尔曼滤波(UKF)的无线传感器异步数据融合算法,利用RNAT机制识别无线传感器网络中的冗余节点,构造数据冗余树来实现冗余数据的去除。根据重复数据消除的结果,在每个传感器检测范围半径相等的环境下,采用四圆定位法,任意选择2个检测目标信息的节点,计算2个圆形检测区域边界的交点,根据迭代法找到并近似目标。设定了不同传感器的原始传感器相互独立、同一传感器不同原始量测量值相互独立的前提条件,计算出各通道的测量值,利用未测量卡尔曼滤波器以滤波的形式更新测量值,引入卡尔曼滤波增益矩阵,并结合异步数据定位结果实现数据融合。实验结果表明,融合后的数据利用率高于现有结果,算法耗时短、能耗低,且具有较高的数据融合精度,整个融合的准确率在90%以上。

UKF在GPS/INS组合导航系统中的应用

扩展卡尔曼滤波(EKF)是GPS/INS组合导航系统工程实现中常用的一种数据融合方式。但EKF线性化误差在一定程度上影响了GPS/INS组合导航系统精度的提高。Unscented卡尔曼滤波器(UKF)是一种非线性滤波器,它能有效地减小线性化误差对GPS/INS组合导航系统精度的影响。基于四元数法建立了GPS/INS组合导航系统的非线性误差方程模型;最后通过数字仿真验证了UKF组合导航系统应用中的性能。

UKF算法在星载GPS低轨卫星定轨中的应用

对于扩展卡尔曼滤波在非线性系统中由于线性化过程引入了线性化误差,从而导致滤波器性能下降甚至造成滤波发散的情况,利用Unscented卡尔曼滤波器对非线性系统进行直接滤波,该方法无需对非线性系统进行线性化,避免了线性化误差。并将该算法用于星载GPS低轨卫星定轨中,建立了仿真模型,在初始条件相同的情况下,与EKF算法仿真结果相比较,结果表明在一定观测噪声水平下,UKF定轨结果更准确,定轨精度更高。

基于UKF的GNSS高动态载波跟踪环路设计与性能分析

对高动态环境下的全球卫星导航系统（GNSS）载波信号跟踪方法进行了研究，提出了一种基于无迹卡尔曼滤波器（UKF）的开环载波跟踪方法。此方法采用四维相位估计模型提高跟踪精度，同时对估计值进行开环补偿以减少滤波器估计滞后性，并能够消除BPSK相位翻转对UKF造成的不良影响。通过模拟高动态运动下的GPS接收信号，从跟踪精度、失锁概率和误码概率三个方面，与基于UKF的闭环载波跟踪结构的环路性能进行了比较。结果表明，基于UKF的开环跟踪方法可显著提高相位跟踪精度，误差仅为基于UKF的闭环结构的50％，并具有更强的收敛性，可以降低环路失锁率，同时误码率提升1．5dB。

钢筋混凝土结构的模型更新混合试验方法

当结构在极端荷载作用下进入强非线性时,混合试验数值子结构是否能够准确模拟结构的强非线性成为关注焦点。模型更新从本构模型参数准确性的角度出发,提出了在线更新数值子结构本构模型参数的概念。由于构件本构模型与截面本构模型具有一定局限性,现有构件、截面本构模型更新的混合试验很难满足大型复杂结构的需求。作者从材料层次出发,采用混凝土本构模型参数的识别方法,并将其应用于钢筋混凝土结构的在线更新混合试验中。通过完成平面混凝土框架3种工况的混合试验,对混凝土材料本构参数识别方法和在线模型更新混合试验进行了验证。试验结果表明该参数识别方法具有较好的收敛速度和稳定性;混凝土本构模型参数的在线更新提高了数值子结构的准确性,进而提高了混合试验的可靠性。

基于模型更新的子结构拟静力混合试验方法

为解决传统拟静力试验无法获得整体结构真实抗震性能的问题,提出基于模型更新的子结构拟静力混合试验方法。将子结构概念与模型更新技术引入到拟静力试验中,利用参数估计方法优化数值模型参数以降低数值模型误差,通过对模型参数更新后的整体结构数值模型拟静力分析得到整体结构反应。分析在线及离线参数识别和模型更新策略,给出基于统计的隐性卡尔曼滤波器(UKF)模型更新方法。结果表明,基于统计的UKF模型更新方法可以有效提高参数识别精度,采用参数最终统计值离线更新的拟静力试验结果与参考解吻合良好。

钢筋混凝土结构材料本构模型参数的在线识别

为保证子结构拟动力试验中数值子结构的可靠性,模型参数在线识别与更新方法逐渐受到关注。对于钢筋混凝土结构,当采用纤维模型建立数值子结构时,混凝土材料本构模型参数的选择具有较大不确定性。因此,该文提出了基于隐性卡尔曼滤波器在线识别混凝土材料本构模型参数的方法。首先,对材料本构模型参数进行分类,定义了本构参数与非本构参数,提出了约束混凝土与非约束混凝土的一致本构方程。然后,针对观测量为混凝土应力的情况进行数值仿真分析,验证了此方法的可行性。最后,通过修改Open Sees源代码,实现了此方法在观测量为构件恢复力情况下的应用。研究结果表明该文提出的方法具有较好的稳定性与较高的精度,从而在很大程度上提高了数值模型的可靠性。

一种基于AMPF和FastSLAM的复合SLAM算法

为了改进快速同时定位和地图创建(FastSLAM)算法的粒子集性能、提高估计精度,提出基于AMPF和FastSLAM的复合SLAM算法.将辅助边缘粒子滤波器(AMPF)与FastSLAM架构相结合,用AMPF估计机器人位姿,单个粒子的位姿提议分布用无轨迹卡尔曼滤波估计.设计与AMPF和FastSLAM架构均兼容的采样方法和粒子数据结构,在FastSLAM框架下用扩展卡尔曼滤波递归估计地图.实验表明,该算法的粒子集性能比FastSLAM2.0算法好,并且它的位姿估计精度高于FastSLAM2.0算法.此外,粒子数较少时,该算法的估计精度较高,从而可适当减少粒子数目来提高算法的计算效率.

在线数值模拟方法在防屈曲支撑-钢筋混凝土框架结构中的应用

在线数值模拟方法是一种基于模型更新的混合试验方法。在该方法中,建立整体结构数值模型和物理子结构的数值模型,分别用于结构整体分析和本构模型参数估计,且两套模型具有相同的本构关系。在线数值模拟方法中,结构响应由结构整体分析得到,边界条件自然得到满足;数值模型的本构参数不断根据试验数据在线修正,建模可靠性得到了改善。为验证在线数值模拟方法在复杂建筑结构中应用的可行性,以隐性卡尔曼滤波器(UKF)为参数估计方法,以钢材和混凝土本构模型参数为待估计量,完成了具有不完整边界条件的防屈曲支撑-钢筋混凝土框架结构的虚拟混合试验。结果表明,在线数值模拟方法削弱了边界条件的影响,提高了混合试验的模拟精度;UKF方法在多构件多本构模型参数同时估计时具有较高的精度和计算效率;在每一积分步内,在线数值模拟方法平均计算耗时0.67s,远小于加载耗时,验证了在线数值模拟方法在复杂结构试验中的适用性。

基于改进的自组织神经网络的基因剪切位点的识别

为提高基因序列中剪切位点的识别率,将无先导卡尔曼滤波器(UKF)和自组织神经网络(SOFM)相结合,给出一种非线性高维数据的聚类算法。利用无先导变换(UT)参数化SOFM邻域宽度函数的均值和方差,并采用UKF进行预测,完成SOFM参数的自适应过程。该算法用于基因剪切位点的识别结果表明:较SOFM与EKF参数自适应方法,该算法识别精度较高,验证了其有效性和可行性。