高斯和估计Kalman滤波在多平台空战对抗评估数据预处理中的应用

针对多平台空战对抗评估数据预处理中的过程积累误差问题进行研究。通过构建多平台空战对抗系统,分析不同平台间实时数据交互关系和相应的数据类型,采用最小二乘法和坐标变换实现不同平台间的时空配准,并对多平台空战对抗评估过程进行误差分析,将其状态误差和观测误差表示为高斯和形式,并选用Kalman滤波方法对过程积累误差进行滤波。实例仿真实验结果表明:经过滤波后的估计轨迹与真实轨迹之间的拟合效果较好,进一步完善了原有多平台空战对抗数据预处理过程。

基于渐进高斯滤波融合的多视角人体姿态估计

针对视觉遮挡引起的人体姿态估计(Human pose estimation, HPE)性能下降问题,提出基于渐进高斯滤波(Progressive Gaussian filtering, PGF)融合的人体姿态估计方法.首先,设计分层性能评估方法对多视觉量测进行分类处理,以适应视觉遮挡引起的量测不确定性问题.其次,构建分布式渐进贝叶斯滤波融合框架,以及设计一种分层分类融合估计方法来提升复杂量测融合的鲁棒性和准确性.特别地,针对量测统计特性变化问题,利用局部估计间的交互信息来引导渐进量测更新,从而隐式地补偿量测不确定性.最后,仿真与实验结果表明,相比于现有的方法,所提的人体姿态估计方法具有更高的准确性和鲁棒性.

基于肌电−惯性融合的人体运动估计:高斯滤波网络方法

本文研究了基于肌电(Electromyography,EMG)−惯性融合的人体运动估计问题,提出了一种序贯渐进高斯滤波网络(Sequential progressive Gaussian filtering network,SPGF-net)估计方法来形成肌电和惯性的互补性优势,以提高人体运动估计精度和稳定性.首先,利用卷积神经网络对观测数据进行特征提取,以及利用长短期记忆(Long short-term memory,LSTM)网络模型来学习噪声统计特性和量测模型.其次,采用序贯融合的方式融合异构传感器量测特征,以建立高斯滤波与深度学习相结合的网络模型来实现人体运动估计.特别地,引入渐进量测更新对网络量测特征的不确定性进行补偿.最后,通过实验结果表明,相比于现有的卡尔曼滤波网络,该融合方法在上肢关节角度估计中的均方根误差(Root mean square error,RMSE)下降了13.8%,相关系数(R^(2))提高了4.36%.

最大相关熵准则下改进扩展卡尔曼滤波的车辆状态估计

针对传统卡尔曼滤波在非高斯环境下对车辆状态估计鲁棒性和精度差的问题,提出最大相关熵准则(MCC)下改进自适应迭代扩展卡尔曼(AIEKF)滤波算法(MC-AIEKF),建立横-纵耦合的三自由度车辆模型,利用易测得的车载传感器信息设计了包含横摆角速度、质心侧偏角、纵向车速的状态观测器。在双移线和正弦扫频输入工况下通过Simulink/CarSim仿真试验平台对提出的算法进行了验证。结果表明,在非高斯环境下,相比于扩展卡尔曼滤波(EKF)和AIEKF,MC-AIEKF算法估计精度高,鲁棒性好,在实际的车辆状态估计中MC-AIEKF具有更强的适用性。

非高斯环境下基于最大相关熵的平滑估计器设计

针对Kalman平滑估计器在非高斯噪声环境下性能衰退问题,本文提出了一种基于最大相关熵准则作为最优估计标准的平滑估计方法,将其应用于固定滞后问题的状态估计,称之为固定滞后最大相关熵平滑估计器(FLMCS).首先,使用矩阵变换,给出最大相关熵Kalman滤波器的另一种形式;然后,以此为基础,通过引入新的状态变量来增广系统,并推导出所提平滑估计器的在线迭代方程;进一步比较平滑前后状态估计误差协方差,从理论上分析算法性能改进效果;最后,通过算例仿真验证所提平滑估计器在非高斯噪声干扰下的有效性和优越性.

机械臂外力的时延强跟踪Kalman估计与自学习控制

为了提高机械臂与环境交互过程中的接触力估计精度和关节控制精度,提出了基于时延强跟踪Kalman滤波的接触力估计方法和基于熵-自学习控制网络的关节角位置控制方法。建立了机械臂系统的关节驱动模型和动力学模型;基于时延估计理论,建立了4自由度机械臂系统的时延模型;在Kalman滤波中引入了渐消因子,使估计残差强行正交,从而提出了基于时延强跟踪Kalman的接触力估计方法。以接触力误差和关节位置误差为输入,以关节力矩为输出构建了自学习控制网络,并提出使用熵聚类确定网络结构和参数,从而设计了熵-自学习控制网络。经仿真验证,基于时延强跟踪Kalman的估计误差区间分布小于标准Kalman和文献[12]柔顺控制,且分布密度在0误差处极高;熵-自学习控制网络对期望轨迹的绝对跟踪误差和收敛时间远小于自学习控制网络和变阻抗阻尼控制。仿真结果验证了本文接触力估计方法和角位置控制方法的优越性。

非高斯噪声下基于CKMC-CKF的发电机动态状态估计

准确的动态状态估计对于电力系统实时运行状态的监测至关重要。针对同步发电机中非高斯噪声导致状态估计器性能下降的实际情况,提出一种基于基于柯西核最大相关熵(Cauchy kernel maximum correntropy, CKMC)的容积卡尔曼滤波(cubature KF,CKF)算法(简称CKMC-CKF算法)。首先,建立CKMC目标函数,采用2种加权局部相似度来更新噪声协方差矩阵,从而降低不良数据的权重;其次,利用线性化回归方程统一目标函数中的状态和测量误差,并通过定点迭代法获得最佳估计状态。最后,以IEEE 39节点系统为算例分析验证所提出方法的有效性。与CKF和最大熵CKF相比,CKMC-CKF在非高斯噪声环境下具有更好的估计精度和更强的鲁棒性。

测量丢失下时滞惯性系统故障估计的优化鲁棒Kalman滤波

针对具有状态定常时滞、测量丢失、执行器故障和噪声测量偏差的惯性系统,提出一种基于白鲸优化算法的优化鲁棒扩展Kalman滤波器。首先,视执行器故障为系统的附加状态变量,建立增广时滞系统。其次,设计鲁棒扩展Kalman滤波器。给出鲁棒上界,降低非线性状态项和非线性状态时滞项的线性化误差;考虑测量丢失环节对滤波精度的影响,在滤波器中引入调节系数降低估计误差。最后,考虑噪声真实值和测量值可能存在的偏差,基于白鲸优化算法优化噪声测量值的协方差矩阵,降低噪声测量偏差对滤波性能的影响。仿真结果表明,相较于基于鲸鱼优化算法和基于灰狼优化算法的优化鲁棒扩展Kalman滤波器,所提方法对状态变量估计的均方根误差分别平均降低了50.2%和67.2%,执行器故障估计的均方根误差分别降低了12.8%和35.4%;状态估计误差均值分别平均降低了21.2%和31.4%,执行器故障估计均值分别降低了9.3%和16.9%,验证了所提方法的有效性。

基于序贯自适应误差状态Kalman滤波的MARG姿态估计算法

在由磁传感器、加速度计和陀螺仪(MARG)组合的航姿参考系统中,加速度计和磁传感器易受线性加速度和软硬磁干扰影响,从而降低系统姿态估计精度。针对上述问题,提出一种基于欧拉角误差的序贯自适应误差状态Kalman滤波算法,用于抗干扰的MARG姿态估计。通过建立基于欧拉角误差的线性系统误差模型,避免了基于四元数或欧拉角的MARG姿态估计算法中存在的非线性问题;同时,采用序贯Sage-Husa自适应算法,通过欧拉角误差量测值实时估计量测噪声参数,抑制线性加速度和软硬磁干扰对倾角和航向角估计精度的影响。为验证所提算法有效性,进行了抗干扰实验。实验结果表明,相比无序贯自适应误差状态Kalman滤波算法,所提算法的航向角估计最大误差降低了94%以上,倾角估计最大误差降低了20%以上,提高了系统姿态估计精度,同时具有强鲁棒性。

基于粒子滤波和滑动平均扩展Kalman滤波的多径估计算法

多径干扰是高精度定位的主要误差源,估计多径参数对消除多径误差,提高导航系统定位精度具有重要意义。针对扩展Kalman滤波(EKF)在进行多径参数估计时,存在对初值敏感,估计结果在真值附近具有较大波动的缺点,该文提出一种基于粒子滤波(PF)和滑动平均EKF的多径估计算法。该算法首先利用PF得到多径参数的粗略估计值,并将该值作为EKF的初始估计值,以克服EKF对初值敏感的问题。接着对EKF的估计结果进行滑动平均,并将平均后的滤波结果作为多径参数的估计结果。仿真结果表明,改进后的多径估计算法可有效降低估计结果的波动幅度,同时解决了EKF对初值敏感的问题。

Kalman滤波器对混合高斯背景建模的改进

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标的问题,提出了一种基于Kalman滤波理论的改进混合高斯背景建模方法。利用Kalman滤波器的时域递归低通滤波特点,对混合高斯背景值进行了校正,同时对混合高斯背景更新方法进行了改进,与传统的混合高斯背景建模相比,该方法较好地消除了背景光照剧烈变化时误将背景检测为前景的现象,同时也能较好地消除背景噪声,提高了系统的可靠性和鲁棒性。

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Kalman滤波器的车辆振动速度估计

基于车辆悬架系统模型设计了Kalman滤波器,由测量的车身和车轮加速度信号估计振动速度。分析了过程噪声协方差不准确对速度估计效果的影响,然后讨论了基于预测滤波器的自适应Kalman滤波器。仿真结果表明:Kalman滤波器能够实时准确估计车辆振动速度;预设过程噪声协方差值不准确对车身速度估计影响较大,甚至可能使滤波器失效;自适应Kalman器能够修正过程噪声协方差不准确引起的估计误差,获得准确的车辆振动速度。

基于Kalman滤波原理的电力系统动态状态估计的研究综述

状态估计是现代EMS的重要组成部分,特别是动态状态估计,能实现实时运行状态的估计和预报功能。通过对动态估计算法Kalman滤波算法和国内外学者的一些改进算法的现状研究,分析了这些算法目前存在的主要问题。并基于此提出了Kalman滤波算法的新的改进措施,研究了方向和发展趋势。

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。

高斯粒子滤波器及其在非线性估计中的应用

为了解决非线性、非高斯系统估计问题,讨论了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。在符合高斯假设和一定的粒子数的情况下,谈算法可以获得近似最优解。与粒子滤波算法相比,其优点是不需要重采样步骤和不存在粒子退化现象。在滤波精度、运算时间等方面与扩展卡尔曼滤波、Unscented滤波、高斯厄米特滤波及一般的粒子滤波进行了比较分析,仿真结果表明该算法性能优于其他算法。

基于高斯和近似的扩展切片高斯混合滤波器及其在多径估计中的应用

全球卫星导航系统(Global navigation satellite system,GNSS)信号的多径估计问题实际上是条件线性状态空间模型下的状态估计问题.根据高斯和理论提出了适用于非高斯噪声环境的扩展切片高斯混合滤波(Extension of sliced Gaussian mixture filter,ESGMF)算法.该算法将非高斯噪声的状态概率密度函数(Probability density function,PDF)表示为高斯和的形式,将ESGMF通过一组并行的切片高斯混合滤波器(Sliced Gaussian mixture filter,SGMF)来实现.同时,在ESGMF算法中利用粒子滤波(Particle filter,PF)中重采样的思想对成指数增加的状态预测PDF的高斯混合个体进行约简,以提高贝叶斯推理的效率.该算法可以获得非高斯噪声下状态PDF的迭代解析表达式.最后,将ESGMF应用于GPS多径参数估计,仿真结果表明,ESGMF算法的估计精度优于基于PF和扩展卡尔曼滤波(Extended Kalman filter,EKF)的算法.

基于Kalman滤波的白噪声估计理论(英文)

应用Kalman滤波方法 ,首次提出了一种统一的和通用的白噪声估计理论 .它可统一处理线性离散时变和定常随机系统的输入白噪声和观测白噪声的滤波、平滑和预报问题 .提出了最优和稳态白噪声估值器 ,且提出了白噪声新息滤波器和Wiener滤波器 .它们可应用于石油勘探地震数据处理 ,且为解决状态和信号估计问题提供一种新工具 .两个仿真例子说明了其有效性 .

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Kalman滤波的自适应MIMO信道估计

给出了一种基于Kalman滤波的自适应MIMO信道估计方法,分析了算法的剩余误差能量随迭代次数增加的变化情况,对饱和MIMO系统和欠饱和MIMO系统,分别采用Kalman自适应MI MO信道估计方法和最大似然信道估计方法,进行了数值仿真和对比。从对比的结果来看,文中给出的Kalman自适应信道估计具有和最大似然信道估计相近的性能,而在饱和系统中,Kalman估计算法性能要略好一些。