高阶容积卡尔曼滤波及其在目标跟踪中的应用

针对传统的容积卡尔曼滤波(CKF)估计精度有限的问题,提出了一种基于任意阶容积规则的高阶容积卡尔曼滤波(HCKF)方法并应用于机动目标跟踪问题。传统的CKF采用三阶球面-相径容积规则,可获得优于其他非线性滤波如不敏卡尔曼滤波(UKF)的估计精度和数值稳定性。为了进一步提高CKF的估计精度,在基于点的高斯近似滤波框架下,分别使用Genz积分方法和矩匹配法推导出任意阶的球面规则和相径规则,以此构造高阶球面-相径容积规则来计算高斯型积分,并建立高阶容积卡尔曼滤波算法。将提出的HCKF算法应用于机动目标跟踪问题中并进行数值仿真。仿真结果表明,相对于传统容积卡尔曼滤波,高阶容积卡尔曼滤波对目标位置和速度估计的精度分别提高了11%和24%,可获得更高的估计精度。

未知状态模型下基于高阶容积卡尔曼滤波和神经网络的状态估计算法

针对非线性系统状态模型未知的情形,提出一种基于高阶容积卡尔曼滤波和神经网络的状态估计算法,解决了未知非线性系统模型的状态估计问题。在算法的实现过程中,首先利用神经网络对非线性系统建立状态空间模型,然后把神经网络的权重和系统的状态变量组合在一起作为新的状态变量,并采用高阶容积卡尔曼滤波对新的状态进行实时更新,从而达到神经网络对非线性系统模型的真实逼近以及对状态值的精确估计。最后的目标跟踪仿真表明,该算法具有更高的估计精度。

基于矩阵对角化变换的高阶容积卡尔曼滤波

为了提高高阶容积卡尔曼滤波器(CKF)的滤波性能,提出一种基于矩阵对角化变换的高阶CKF算法.该算法基于高阶容积准则,利用矩阵对角化变换代替标准高阶CKF中的Cholesky分解,使得协方差矩阵分解后的平方根矩阵保留了原有的特征空间信息,状态统计量计算更加准确,从而提高了滤波精度;同时,矩阵对角化变换不要求协方差矩阵正定,增强了算法滤波稳定性.仿真结果表明,所提出的算法是可行而有效的,明显改善了标准高阶CKF的滤波效果.

基于高阶容积卡尔曼滤波的极区惯性/重力梯度组合导航方法

针对现有的导航手段在极区应用都存在一定的缺陷这一问题,提出了一种基于惯性/重力梯度的组合导航方法。建立了组合导航系统模型,首先,考虑到传统惯导解算方法在极区存在经线收敛的问题,给出了一种基于格网坐标系的惯导解算模型;基于重力梯度仪的误差特性,建立了系统的量测模型。为提高算法的估计精度和稳定性,并解决惯性/重力梯度组合导航系统雅克比矩阵求解复杂等问题,采用高阶容积卡尔曼滤波算法,结合重力梯度图,设计了组合导航滤波器。其中,为保证四元数的归一化,采用修正的罗德里格斯参数表示姿态误差。最后进行了蒙特卡洛数学仿真,仿真结果证明了该方法可以准确地估计出飞行器的位置和速度等信息,且估计精度高于扩展卡尔曼滤波;此外,通过仿真结果分析了重力梯度仪精度、地形、飞行器高度等影响组合导航精度的关键要素。

未知测量噪声方差的平方根高阶容积Kalman滤波

针对非线性系统中测量噪声统计特性未知导致滤波精度不高或发散的问题,提出了一种自适应平方根高阶容积卡尔曼滤波(high-degree cubature Kalman filter,HCKF)算法。采用QR分解、Cholesky因子更新和高效最小二乘法等矩阵分解技术设计了一种平方根HCKF算法(SHCKF),提高了滤波算法的数值稳定性,减小了状态估计误差。引入Sage-Husa估计器在线估计未知测量噪声的方差,进一步提高了SHCKF的估计精度,扩大了算法的应用范围。通过几个计算机仿真实验表明,与标准的HCKF算法相比,新算法具有更好的估计精度,尤其是在测量噪声统计特性不确定的场景下。

自适应高阶容积H_∞滤波算法在目标跟踪中的应用

为了改善传统容积卡尔曼滤波器(CKF)的滤波性能,将高阶容积卡尔曼滤波算法与非线性H∞鲁棒滤波算法相结合,提出一种自适应高阶容积H∞滤波算法(AHCHF)。该算法引入数值稳定性更强的奇异值分解方法(SVD)替换传统的Cholesky分解;同时将H∞鲁棒滤波的思想应用于高阶容积卡尔曼滤波;并基于新息与约束水平反比的关系,对约束水平γ值进行自适应选取,兼顾了滤波精度和系统的鲁棒性。仿真结果表明:相比于传统CKF算法和高阶CKF算法,AHCHF算法具有更高的滤波精度和鲁棒性。

预测-五阶容积卡尔曼滤波方法

为适用于强非线性、非高斯过程噪声系统,结合预测滤波(PF)与高阶容积卡尔曼滤波(HCKF),提出一种预测-五阶容积卡尔曼滤波(P5thCKF)方法。通过预测滤波方法对系统模型中的过程噪声及其方差阵进行实时调整,进而将新模型代入到五阶容积卡尔曼滤波框架中进行实时递推状态估计。推导了五阶球面单形-径向积分准则,采用五阶球面单形积分准则处理球面积分,广义高斯-拉盖尔积分准则处理径向积分;描述了预测滤波方法并对模型误差调整量进行了推导。通过2个仿真实验验证了本文方法在强非线性、非高斯过程噪声系统中的可行性以及应用于工程实践的可能性。

简化高阶强跟踪容积卡尔曼滤波及其在组合导航中的应用

针对传统容积卡尔曼滤波(CKF)在面对系统模型失配和状态突变滤波精度下降的问题,将强跟踪滤波器(STF)和高阶容积卡尔曼滤波(HCKF)相结合,提出一种简化高阶强跟踪容积卡尔曼滤波(RHSTCKF)算法.该算法具有比传统CKF更高的滤波精度,并且利用滤波模型的特点,简化HCKF的计算步骤,同时在HCKF中引入多重渐消因子增强算法的自适应性和应对状态突变的能力.将所提算法应用到SINS/GPS组合导航系统中进行仿真实验,结果表明, RHSTCKF可以准确估计出突变状态的真实值,能够抑制滤波器状态异常的干扰,滤波性能明显优于HCKF,能够提高组合导航系统的自适应性和定位精度.

高阶DMCKF的BDS/GPS精密单点定位算法

为提高BDS/GPS组合定位系统的精确性和稳定性,将高阶容积卡尔曼滤波(CKF)应用于定位参数估计,并利用矩阵对角化(DM)变换替代标准高阶CKF中的Cholesky分解过程。通过DM变换,由协方差矩阵分解得到的平方根矩阵具有状态统计量更加准确、保留原有特征空间信息的特点,从而提高了滤波精度;同时,DM变换的协方差矩阵不要求正定,增强了滤波的稳定性。测试结果表明,该滤波算法在提高定位精度和稳定性上有效、可行。

一种风电机组非奇异快速终端滑模MPPT控制方法

为提高双馈风力发电机组的风能捕获效率,设计了一种基于直接速度控制(DSC)的MPPT控制方法。针对传统直接速度控制策略中有效风速难以获得的问题,该方法采用高阶容积卡尔曼滤波(HCKF)和牛顿拉夫逊方法(NR)设计了有效风速估计器;针对转速环响应速度慢的问题设计了以非奇异快速终端滑模面为基础的转速控制器。以2.4MW风电机组作为研究对象,在快速变化风况激励下,对风电机组的动态响应进行了仿真研究,结果表明改进的控制方法可以准确估计有效风速,与传统控制策略相比可以更好的实现最大功率跟踪。

HCKF性能评估及其在传递对准中的应用

针对高阶容积卡尔曼滤波(HCKF)算法在传递对准中的应用问题,提出综合运用多变量函数泰勒级数展开和计算复杂度分析的性能评估方法。基于高阶球面-径向容积准则建立HCKF算法模型,并对其估计精度和计算量进行量化和对比分析:HCKF具有5阶泰勒级数展开精度且计算复杂度为O(n^4),综合性能优于高斯厄米特积分滤波(GHQF)和无迹卡尔曼滤波(UKF)。将三种非线性滤波算法应用到舰机大失准角传递对准系统中,摇摆台试验结果表明:HCKF的估计精度比UKF高17%,计算量比GHQF小2个数量级,与HCKF性能评估结果一致。

基于边缘采样的简化高阶CKF在非线性快速传递对准中的应用

针对舰载机惯导系统非线性传递对准问题中误差模型不完善的问题,同时考虑了挠曲运动和动态杆臂的影响,提出了一种新的适用于大方位失准角情形下的挠曲变形和杆臂效应加速度一体化误差模型。采用高阶容积卡尔曼滤波(HCKF)算法对状态进行滤波估计,考虑到HCKF具有较大的计算量,分析了传递对准模型的状态方程与量测方程结构,设计了一种基于边缘采样的简化高阶容积卡尔曼滤波(M-RHCKF)算法,其在时间更新中使用边缘采样算法,在量测更新过程中使用简化量测更新过程,并给出了该算法的证明过程。采用"速度+姿态"组合匹配方式,对提出的误差模型进行仿真实验。结果表明,该模型可以满足对准精度和对准时间的要求,相比于未考虑动态杆臂的传递对准模型具有更高的对准精度。