卡尔曼滤波下多源传感器数据互补-加权迭代融合算法

因多源传感器在数据融合过程中,受自身数据差异性影响较大,导致最终的融合结果精准度较低。为此,在卡尔曼滤波算法的基础上,针对多源传感器数据提出一种互补-加权迭代融合算法。建立多源传感器观测模型,找出数据融合过程中的最优加权系数。在多源传感器组合系统中引入卡尔曼滤波算法,结合互补-加权迭代融合算法,建立预测方程、状态方程、滤波互补因子以及估计均方误差方程,实现多源传感器的数据融合。实验结果表明,所提算法可以精准找出最优加权系数,观测误差始终在0.6 m以下,可以实现数据的精准融合。

基于最大相关熵卡尔曼滤波的UWB室内定位算法

随着无线通信技术的不断发展,室内定位技术逐渐成为关注的热点。然而,在复杂的室内环境中,如非高斯噪声等条件下,传统的超宽带(ultra wide band,UWB)定位算法往往存在定位精度低、鲁棒性差等问题。该算法将最大相关熵准则引入卡尔曼滤波(Kalman filter,KF)算法的代价函数中,并对测量噪声进行建模,因此能够给异常量测值分配较小的权重以减轻其对于状态估计的影响,相对于传统的卡尔曼滤波算法具有更强的鲁棒性。在仿真实验中,采用了多个基站对运动目标进行定位,结果表明,非高斯环境下,相比于卡尔曼滤波和无迹卡尔曼滤波(unscented Kalman filter,UKF),新算法能够有效地提高室内定位的精度和鲁棒性。

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。

Unscented卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出unscented卡尔曼滤波-卡尔曼滤波unscented Kalman filte-ring-Kalman filtering,UKF-KF算法,该方法用UKF估计条件线性高斯状态空间模型中的非线性状态,用KF估计线性状态。为了有效地融合UKF和KF估计的后验状态分布,将蒙特卡罗方法应用于KF估计的线性状态均值和方差,获得了与UKF sigma点相同数量的后验线性状态估计分布的样本,然后将这些样本与UKF中sigma点进行合成去获得系统中非线性状态的估计。该算法应用于机动目标跟踪的仿真结果表明:与Rao-Blackwellized粒子滤波器(Rao-Blackwellized particle filter,RBPF)相比,该算法虽在估计精度上略有下降,然而计算时间明显降低,有效提高了实时性。

高斯马尔可夫融合算法在卡尔曼滤波中的应用

针对目前常用的按标量、对角阵、矩阵加权融合方法过程较复杂,计算负担较重的问题,结合三维目标跟踪模型提出一种高斯马尔可夫融合方法来融合卡尔曼滤波估计值,不需要计算局部稳态滤波误差互协方差,只需要知道传感器的观测噪声方差就可以了。计算方法和操作相对简单,省略了很多繁琐步骤也能达到不错的滤波融合效果,通过仿真证明了此方法的可行性和高效性。

基于高斯-柯西混合变异的多目标粒子群算法

针对MOPSO优化算法在解决复杂的多目标优化问题上收敛表现差,搜索全局能力不足与易于陷入局部最优的缺陷,提出了一种基于高斯-柯西混合变异的多目标粒子群算法(GC-MOPSO)。该算法使用一种混合高斯变异与柯西变异的变异扰动机制来提升粒子在局部与全局的搜索能力,在外部档案中采用锦标赛选择机制选取全局最优个体的策略来增加种群的多样性。通过与六项其他算法在反世代距离(IGD)上进行比较,验证了该算法的优势。

基于卡尔曼滤波的Link-22数据链网络时间同步算法

为了维持网络正常运行,Link-22数据链所采用的时分多址接入协议必须要求高精度的网络时间同步,传统的RTT算法降低了系统的实时性,PTP算法增大了系统的网络负担,且2种算法都忽略了延迟抖动以及获取时间戳带来的误差,导致时间同步精度低。基于此,文中提出了一种基于卡尔曼滤波的RTT-PTP算法,该算法在不影响系统的实时性以及不增加网络开销的情况下,利用卡尔曼滤波有效地降低延迟抖动以及不同时间戳精度带来的误差。最后通过仿真验证新算法能够有效地提高系统的时钟精度。

基于卡尔曼滤波的红外图像增强算法

针对红外图像中的非均匀性噪声的去除问题,提出基于卡尔曼滤波的红外图像去噪及增强算法.在Bayes-ian-MAP框架下分析卡尔曼滤波器对去噪问题的适用性.由于成像电路内部温度上升和参数的细微变化,每个像元的固定模式噪声(FPN)在帧间缓慢变化.基于此点,建立暗帧的噪声模型.将卡尔曼滤波器作用于红外暗帧序列,估计出暗帧中每个像元的FPN水平.引入噪声影响因子(NIF)来评估FPN噪声对像元输出信号的影响.根据NIF自适应地选取每个像元的FPN噪声权重.实际带噪图像减去加权FPN噪声,即得到增强图像.将该算法应用于实拍红外图像,用平均灰度梯度(GMG)评估算法的性能.在目标区域,GMG下降了5.1%,说明算法在去噪的同时很好地保留了目标的边缘.而在平滑区域,GMG下降了85.5%.结果表明,该算法在去除非均匀性噪声,提高图像的对比度方面,取得较好的效果.

基于迭代无迹卡尔曼滤波的SLAM算法仿真研究

对迭代无迹卡尔曼滤波算法在SLAM问题中的应用进行仿真研究。通过仿真分析发现,与一般的无迹卡尔曼滤波算法相比,迭代的算法有时无法提高SLAM的精度,继而探讨了SLAM问题中选择采用迭代算法的条件;同时针对迭代算法的观测更新阶段,用阻尼的高斯-牛顿迭代方法改进完全高斯-牛顿迭代方法,从而提出一种改进的基于迭代无迹卡尔曼滤波的SLAM算法。仿真实验对提出的迭代条件进行了验证,仿真结果表明提出的SLAM算法与无迹卡尔曼滤波算法相比,可以进一步提高SLAM问题的估计精度。

基于卡尔曼滤波的非盲多用户检测算法

该文首先总结了DS—CDMA系统的异步高斯信道模型和多径衰落信道模型,接着重点讨论了用状态空间方程表述多径衰落信道模型的方法。在此基础上给出了基于Kalman滤波的非盲多用户检测算法,求出每个用户每条路径上的状态估计。然后针对期望用户,对一个符号内的状态估计求平均值,接着进行多径合并再判决。文章最后对两种信道模型进行算法仿真,分析其收敛性和抗“远-近”效应的性能。结果表明该文给出的算法收敛速度快,并且能有效地抑制“远-近”效应。

一种基于卡尔曼滤波的改进多用户检测算法

总结了DS-CDMA系统的异步高斯信道模型和多径衰落信道模型,重点讨论了用状态空间方程表述多径衰落信道模型的方法,并采用卡尔曼滤波的递推算法求出每个用户每条路径上的状态估计。针对期望用户,对属于同一个码元的所有状态估计求和,接着进行最大比合并再判决。最后对两种信道模型进行算法仿真,分析其收敛性和抗“远-近”效应的性能。结果表明本文给出的算法收敛速度快,并且能有效地抑制“远-近”效应。

基于遗传-模式搜索算法的微尺度管控区域大气污染物PM2.5溯源

针对微尺度管控区域可能发生的大气污染提出有效的靶向诊断方法-结合高斯烟羽模型和遗传-模式搜索算法的大气污染物分布式溯源方法.将污染源反算模型得到的污染物理论质量浓度与传感器网络观测值的数据对应关系作为目标函数,使用模式搜索算法嵌入遗传算法加快反算模型的搜索过程,反算得到污染源强度和位置.依托杭州市亚运板球场馆大气感知器网络进行实验验证,监测2021年10月PM2.5质量浓度、气象数据,对所提出的混合式大气污染溯源方法进行实验验证.实验结果表明:改进遗传-模式搜索算法对于多维变量的搜索效果较好,能快速精准地反算污染源的位置和强度,可以为微尺度管控区域突发性气体污染防治提供应急决策参考.

基于改进型Camshift和卡尔曼滤波器的车辆跟踪算法

针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,然后再利用改进型Camshift算法依据目标距离搜索中心的位置,对H分量创建的颜色直方图中的每个像素位进行高斯模型核函数的加权处理,并自适应计算得到最优的搜索窗口,从而改善了传统Camshift不能直接抵制噪声干扰的缺点,解决了因跟踪目标在同色背景噪声干扰下出现的丢失问题。最后通过仿真实验表明:改进型Camshift算法和卡尔曼滤波的结合有效地提高了车辆跟踪的准确性和连续性。

高阶球面单形—径向容积求积分卡尔曼滤波算法

为了进一步提高非线性卡尔曼滤波算法的估计精度,提出一种高阶球面单形—径向容积求积分卡尔曼滤波(HDSSRCQKF,high-degree spherical simplex-radial cubature quadrature Kalman filter)算法。将非线性函数的高斯加权积分分解为球面积分和径向积分,采用基于正则单形变换群的七阶球面单形准则计算球面积分,使用高阶高斯—拉盖尔求积分准则计算径向积分,推导出高阶球面单形—径向容积求积分准则。从该准则中提取出容积点及其相应权值的一般计算方法,并利用该计算方法给出非线性卡尔曼滤波框架下高阶球面单形—径向容积求积分卡尔曼滤波的具体计算步骤。数值仿真实验结果表明,所提算法具有比高阶容积卡尔曼滤波更高的估计精度,在信道估计与均衡、语音增强和混沌通信等领域具有一定的应用价值。

卡尔曼滤波在分布式拉曼光纤温度传感系统去噪中的应用

提出一种基于卡尔曼滤波的统计学方法,对光纤温度传感系统的状态进行实时估计并去除系统的噪声,提高光纤传感系统的准确度。光纤温度传感系统属于线性动态系统,被测温度是服从高斯-马尔科夫随机过程的离散时间状态变量,状态噪声是加性高斯白噪声。基于贝叶斯最大后验概率推论(MAP)和最小均方误差(MMSE)准则,新的测量值通过量测更新方程修正后验状态估计值。这种迭代的算法最终可以得到状态的最优估计值。该模型和算法应用在分布式拉曼光纤温度传感系统(DOFS)FGC-LR中,对其性能进行研究。用局部方差和信噪比评估该算法去噪的能力。常温点处温度的局部方差减小了83.56%,高温点处减小了84.09%。两探测点处的温度信噪比分别提高了18.45%和16.80%。算法在提高光纤传感系统的准确度,实现实时测量上取得了很好的效果。

一种新型非线性卡尔曼滤波方法

提出了一种新型非线性卡尔曼滤波方法—单形无迹求积卡尔曼滤波(SUQKF)方法,该方法通过对单形无迹卡尔曼滤(SUKF)波所用的采样点进行修正,并与高斯-拉盖尔积分准则相结合,构造了一组个数、权系数和空间分布确定的新型高阶采样点,用来进行滤波。同时指出SUKF是SUQKF的特例。将所提方法通过实验与扩展卡尔曼滤波(EKF)、容积求积卡尔曼滤波(CQKF)进行比较,结果表明:SUQKF方法滤波精度高于EKF和CQKF,且收敛速度较快,实时性优于CQKF。

迭代容积卡尔曼粒子滤波算法

针对标准粒子滤波算法粒子退化和贫化问题,提出了一种基于高斯-牛顿迭代思想的容积卡尔曼粒子滤波算法.该算法利用当前量测信息,使用容积数值积分原则通过以一组确定的点集和相应的权值直接计算非线性随机函数的均值和方差,避免了求导运算,并通过Gauss-Newton迭代方法对容积卡尔曼滤波(CKF)的非线性最小二乘问题进行求解,减小了线性化误差,以此来产生粒子滤波算法的重要性密度函数,使得迭代CKF产生的重要性密度函数更接近于真实后验概率分布,从而改进了滤波性能.仿真结果表明,与粒子滤波和CPF滤波相比,迭代CKF粒子滤波具有更高的估计精度.

离散卡尔曼滤波用于GPS动态变形数据处理

研究了一种卡尔曼滤波算法 ,通过算例对我国 1 998年洪水期某大坝的实测GPS动态变形数据 ,采用自编软件 (用C语言 )进行处理 ,其成果图形象直观地显示出滤波值数据曲线与原始数据曲线的变化趋势基本一致 ,同时验前与验后的单位权方差σ∧20 很相近 ,并且滤波值中误差σ∧滤 也比观测值中误差σ∧测 小得多 .该离散卡尔曼滤波数学模型较好地模拟了目标系统的物理变化规律 ,其程序运算结果对于改善GPS动态变形的数据精度的效果比较理想 .

卡尔曼计算框架下的通用滤波算法研究与实现

将各种滤波方法统一在卡尔曼计算框架下,该框架包括时间预测和量测更新两个过程。在此框架基础上引入软件设计理论中的开-闭原则进行了通用滤波算法的研究,给出了状态空间模型和卡尔曼滤波计算框架的数据结构设计。它具有良好的灵活性、可扩展性和可插入性,从而简化了新滤波算法的构造和实现。最后给出了一个使用该通用算法的示例程序。

条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计。此外,获得的非线性状态估计的方差还用于修正线性状态的估计。将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器(Rao-Blackwellized Particle Filter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%。