卡尔曼滤波优化的高斯过程回归模型

为解决单个高斯过程回归无法对来自多个信息源的数据进行整体建模的问题,提出了卡尔曼滤波优化的高斯过程回归模型(Gaussian process regression model based on Kalman filtering,KF-GPR).该模型首先根据多个传感器获取的离散样本数据分别进行高斯过程回归,预测关键参数的均值和方差,并将其视作软传感器输出的测量值和噪声.然后利用卡尔曼滤波算法对软传感器的输出进行融合,在最小均方误差准则下,实现对多个高斯过程回归结果的融合优化,获得优化后模型的输出结果.仿真实验将KF-GPR与平均值融合方法进行对比,结果表明KFGPR能够获得拟合精度更高的预测曲线,验证了模型的有效性.最后,将KF-GPR应用于温度随纬度变化的实例分析中,分季节给出了纬度−温度预测曲线.

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%.

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。

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。

基于高斯和均方根容积卡尔曼滤波的姿态角辅助目标跟踪算法

根据目标2维运动速度与姿态角的关系,该文提出一种姿态角辅助目标跟踪算法。在目标运动学基础上建立状态向量中包含姿态角的跟踪模型,实现姿态角对目标跟踪的辅助;针对基于模板匹配姿态角量测的噪声为非高斯情况,将均方根容积卡尔曼滤波引入到高斯和滤波框架下,提出新的高斯和均方根容积卡尔曼滤波算法,提高非线性非高斯处理能力,同时结合目标运动中姿态角的变化规律,建立姿态角分量不同的跟踪模型,通过模型切换实现机动姿态角的滤波。算法对姿态角量测进行滤波,同时实现了姿态角信息与位置信息的有效融合。仿真结果验证了该算法的有效性和正确性。

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.

平方根求积分卡尔曼滤波器

针对具有加性噪声的非线性高斯动态系统的状态估计问题,本文提出一种近似递归的高斯滤波器:平方根求积分卡尔曼滤波器(SRQKF).该滤波器是在求积分卡尔曼滤波器(QKF)基础上的平方根实现形式,使用统计线性回归的方法,通过一套参数化高斯密度的高斯-厄米特积分点来线性化非线性函数的;滤波器采用平方根的实现方法,不仅增强了数值的鲁棒性,确保了状态协方差矩阵的半正定性,而且在一定程度上提高了滤波精度.仿真实验表明,SRQKF的滤波精度比QKF提高约12%,且均高于无味滤波器(UF)和扩展卡尔曼滤波器(EKF),但这二者的计算复杂度均比UF和EKF大.对滤波精度要求比较高的非线性场合,新滤波器是一种很有效的非线性滤波算法.

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。

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 .

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。

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%。

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。

基于卡尔曼滤波的燃煤发热量动态软测量方法

快速而准确地测得燃煤发热量对火电机组运行状态监测和控制系统优化至关重要。本文研究了一种基于卡尔曼滤波的信息融合方法,将利用负荷-压力动态模型计算燃煤发热量,与利用机组稳态运行数据进行入炉煤元素分析再依据门捷列夫公式计算燃煤发热量2种方法的输出结果进行融合,得到静态精度高且动态特性好的燃煤发热量软测量结果。仿真试验和机组实际运行数据表明:该方法静态相对误差小于3%,动态响应延迟时间小于100s。

基于卡尔曼滤波器的循环流化床机组燃料发热量软测量

燃料性质复杂多变是当前循环流化床机组运行过程中普遍面临的问题,现场应用过程中发现:利用锅炉风量-氧量热量信号计算得到的燃料发热量信号动态特性好,但存在较多干扰并且静态误差大;传统BTU(煤热值)校正计算得到的燃料发热量信号静态误差小,但滞后很大。利用卡尔曼滤波器对两种方法得到的燃料发热量信号进行融合,即将风量-氧量热量信号计算得到的燃料发热量参数作为状态,将BTU校正计算得的燃料发热量参数作为估计对象经过滤波计算,能够获得即快又准的燃料发热量信号。通过仿真和对一300 MW循环流化床机组运行数据进行分析,相对于动态法变负荷工况动态误差减小15%以上,相对静态法反映速度提升10 min以上,用于BTU校正时补偿量提高20%以上,验证了方法的有效性。

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。

条件线性高斯模型的Gauss Hermite filter-Kalman filter算法

针对条件线性高斯状态空间模型,提出了高斯厄密特滤波-卡尔曼滤波(Gauss Hermite filter-Kalmanfilter,GHF-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,由GHF获得非线性状态的估计;再将非线性状态的估计均值代入线性状态方程与观测方程,由KF获得线性状态的估计;获得的非线性状态估计方差还用于修正由KF估计的线性状态,以提高精度。将GHF-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RBPF相比,新方法在保证估计精度的同时,明显提高了实时性,计算时间仅约为RBPF的5%。

雷达-红外双模制导的神经网络数据融合算法

在雷达 红外双模制导体制下 ,对雷达和红外数据进行融合时存在雷达和红外数据不同步的问题 ,对红外数据先进行异步融合处理使其与雷达数据保持同步 ,然后提出了利用神经网络作为同步融合中心的方法 .雷达和红外数据共同作为神经网络的输入 ,输出为目标的最优融合估计 .这种方法可以在融合中心不知道协方差信息的情况下进行数据融合 .