基于多重渐消因子强跟踪非线性滤波的故障参数联合估计

为改进故障参数估计的精度和鲁棒性,提出基于多重渐消因子强跟踪七阶容积卡尔曼滤波(MST7thCKF)的故障参数联合估计算法。算法将故障参数扩展至状态向量,实现状态和故障参数联合滤波。然后,将多重渐消因子强跟踪滤波(MSTF)引入七阶容积卡尔曼滤波(7thCKF)的框架中,改进7thCKF在故障参数变化函数未知或者发生突变时的鲁棒性,提高故障参数的估计精度。仿真结果表明,相比MSTF均方根容积卡尔曼滤波(MSTSCKF)和7thCKF,所提算法具有更好估计精度。

交互式多模型七阶容积卡尔曼滤波算法

为提高非线性机动目标的跟踪精度,提出交互式多模型七阶容积卡尔曼滤波(IMM-7th CKF)算法。采用对非线性系统滤波效果更好的七阶容积卡尔曼滤波(7th CKF)作为交互式多模型(IMM)算法的子滤波器,对各模型状态进行估计,将IMM算法和7th CKF结合起来,提高对非线性机动目标的跟踪效果,最后采用典型机动目标跟踪问题验证IMM-7th CKF的跟踪性能。仿真结果表明,IMM-7th CKF相比交互式多模型容积卡尔曼滤波(IMM-CKF)和交互式多模型五阶容积卡尔曼滤波(IMM-5th CKF)具有更高的滤波精度。

一种非线性非高斯滤波算法

通过将系统初始状态以及系统模型的状态噪声、量测噪声表示成高斯和的形式,推导出基于高斯和七阶容积卡尔曼滤波的非线性非高斯滤波算法(GS7thCKF)。GS7thCKF采用七阶容积卡尔曼滤波(7thCKF)作为高斯子滤波器,对各高斯分量进行更新。仿真的结果表明,GS7thCKF能有效处理非线性非高斯系统的状态估计问题,与高斯和容积卡尔曼滤波算法(GSCKF)相比,GS7thCKF算法提高滤波精度约为16%。