基于Kalman滤波与应变信号的舰船轴系推力辨识研究

在线、实时、准确监测舰船螺旋桨推力对船-机-桨匹配设计、舰船快速性预报及推进轴系健康管理等具有重要意义。然而,受轴系振动及环境干扰等测量噪声影响,螺旋桨推力产生的微弱应变信号易被测量噪声淹没,导致难以准确测量推力。当前,一些常用的信号降噪方法,比如傅里叶变换、小波分析等均是基于纯数据降噪,未考虑测量数据中潜藏的力学机制。不同于这类降噪方法,Kalman滤波可同时考虑测量数据噪声及数据中的力学机制,对目标实现最小方差无偏估计,因而有更高的估计精度。因此,本文利用Kalman滤波结合应变测量信号提出一种螺旋桨推力高精度、在线辨识方法。以恒定转速、变转速及低频波动转速3种工况为例,研究了不同信噪比下本文方法的推力辨识精度与鲁棒性。研究表明,在信噪比仅为20 d B时,推力辨识最大相对误差仅为4.85%,因此本文方法在低信噪比下仍有很高的辨识精度与鲁棒性。同时,本文提出方法属于时域辨识方法,在转速突变、螺旋桨缠绕渔网等突发工况时亦能实时跟踪推力变化,因此可用于螺旋桨推力及轴系状态的在线、实时监测。

基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

基于自适应强跟踪Kalman滤波的GNSS跟踪环路设计

为提高GNSS接收机跟踪环路在复杂环境下的跟踪性能,提出一种基于自适应强跟踪Kalman滤波(ASTKF)的跟踪环路,在传统跟踪环路的基础上,以鉴相器输出为观测量进行自适应强跟踪Kalman滤波,滤波结果用于计算导航滤波器的观测量,同时将伪码频率和载波多普勒频率反馈到码NCO和载波NCO,在ASTKF中使用基于卡方分布的渐消因子计算方法,提升跟踪环路鲁棒性。半物理仿真实验表明,相比于基于Kalman滤波的跟踪环路和基于强跟踪Kalman滤波(STKF)的跟踪环路,所提出方法在水平方向上的位置误差和速度误差减小20%以上,有效提高了卫星导航接收机的定位性能。

基于Kalman滤波思想的接触线高度检测数据粗差修正算法

接触线高度平顺性是评价接触网设备动态运行质量的重要指标。针对接触线高度检测数据中的粗差,基于Kalman滤波思想提出相应的粗差辨识与修正算法。将接触线高度视作一个连续平稳系统,利用矩形窗函数定义系统状态值,实现检测数据的分段线性化;依据系统状态值的回归预测方法和状态差异的量化方案,构建粗差辨识与修正算法,并引入适用于锚段关节处双支接触线采集特征的回溯机制;基于大量实测数据,采用显著性检验等统计方法确定算法参数,并从回溯、修正、运用和实时性等方面,对算法有效性和可行性进行分析验证,结果表明:该算法能够完成各类接触线高度检测粗差的高速实时辨识与修正。

基于Kalman滤波的组合预测模型在建筑物变形监测中的应用

根据建筑物沉降监测数据的特点,结合Kalman滤波算法、BP神经网络模型以及AR自回归模型在数据降噪、数据预测中的优势,提出并构建了一种新的基于Kalman滤波的BP-AR沉降预测模型。该组合预测模型实现建筑物变形预测的主要步骤为:首先,通过Kalman滤波算法对原始观测数据进行降噪,消除随机噪声误差对观测数据的影响;其次,通过BP神经网络模型对降噪后序列进行建模与预测;最后使用AR模型对预测残差进行建模与预测。通过实际建筑物沉降监测数据对本文提出的组合预测模型进行验证,结果表明相较于BP神经网络模型与BP-AR模型,本文提出的组合预测模型的预测精度更高,有效降低了噪声影响,具有较高的优越性。

基于神经网络和Kalman滤波的陀螺阵列融合算法

针对微机械陀螺测量精度和可靠性低的问题,提出了基于神经网络和Kalman滤波的陀螺阵列融合算法。将神经网络与Kalman滤波相结合,利用LSTM-RNN计算每个陀螺的置信度;再将每个陀螺的置信度、测量值及Kalman滤波估计的角速度输入给BP神经网络进行数据融合,使得BP网络在训练时拥有更多关于陀螺的特征信息,从而提高角速度的融合精度。由于率先得到了每个陀螺的置信度,使得BP网络可以更容易辨识出故障陀螺,从而减小对故障陀螺测量数据的利用率。经实际系统验证,在陀螺存在故障的情况下,所提算法的陀螺阵列MAE和RMSE相比Kalman滤波分别降低了80.25%、81.39%,相比只有测量值输入的LSTM-RNN融合算法分别降低了60.33%、63.41%,具有较强的容错性和鲁棒性。

基于无迹Kalman滤波的车辆速度和质心侧偏角的估计

为满足车辆主动安全控制功能需求,需提升车辆在强非线性特性下的状态观测精度,提出一种基于无迹Kalman滤波(UKF)的模块化车辆横纵向速度状态观测器结构。该结构利用车载传感器信息,结合UKF观测纵向和横向速度,根据质心侧偏角的定义,计算车辆质心侧偏角。在干燥路面上,进行数字仿真以及实车实验。结果表明:在强非线性状态下,基于UKF的车辆质心侧偏角估计的仿真结果的均方根误差(RMSE)为0.425°,实车实验的RMSE为0.001°,而使用扩展Kalman滤波(EKF)估计的仿真结果 RMSE为0.968°,实车实验的RMSE为0.009°。因此,UKF可以抑制车辆行驶中的干扰对观测的影响,使本观测器结构有较高的观测精度,可满足工程需要。

基于自适应Kalman滤波的物联网异常节点位置识别研究

针对物联网异常节点识别结果不准确和时间较长等问题,文章提出一种基于自适应Kalman滤波的物联网异常节点位置识别方法。分析物联网中节点的空间分布情况,组建物联网各个节点之间的通信信道传输模型,引入载波调制方估计各个通信信道特征参量取值,通过自适应Kalman滤波提取异常节点的特征参量,对全部异常特征参量进行融合和过滤处理。分析处理结果,采用特征模糊聚类对物联网异常节点位置识别。通过实验对比可知,所提方法可以高效率高精度完成物联网异常节点位置识别。

基于Kalman滤波的GB-InSAR时序处理方法

传统的GB-InSAR时序处理方法针对整个数据集或分组进行实时处理,该类方法占用大量的电脑内存,效率低,不能满足边坡监测的时效性,无法实现形变预测与灾害预警预报.针对此种情况,提出了基于Kalman滤波的GB-InSAR边坡形变监测实时处理方法.以河北省迁安市马兰庄铁矿边坡监测为例进行分析,提出方法在实验所用解算平台下,在1 min内可解算出研究区当前时刻形变量,并可以预测下一时刻的形变量,与传统时序InSAR的结果相比,时序形变标准差优于1 mm.

基于改进Kalman滤波与Camshift结合的嵌入式跟踪系统设计

针对传统Camshift算法难以在运动目标受遮挡的情况下有效跟踪的问题,提出一种基于改进Kalman滤波与Camshift相结合的目标跟踪算法,通过对Kalman滤波器的状态变量Xk增加高维特征宽高比a与高度h参数,并将P0、Q、R与窗口高度h相关联,同时在受遮挡时自适应改变Xk参数,使Kalman滤波器能够代替Camshift算法输出足够大的跟踪框标注受遮挡目标位置。实验表明,改进算法在有效帧率方面提高了42.6%,且平均BH距离降低了0.27,显著提高了跟踪的准确性和鲁棒性。

一种基于软卡方检测的自适应Kalman滤波方法

在传统Kalman滤波中,卡方检测方法简单地将量测划分为正常和异常两种,针对其不足之处,改进并提出了一种新的软卡方检测方法。新方法根据卡方检测结果构造连续变化的量测,利用权重系数,充分挖掘处于正常值与异常值之间的可疑量测新息,同时还将该方法推广成多维量测的多分量卡方检测形式,建立了全面完整的软卡方检测Kalman滤波量测更新方程。最后,通过惯导/卫导组合导航仿真,验证了软卡方检测Kalman滤波的优势:无需任何参数调整且具有比Sage-Husa自适应滤波更小的统计误差波动。

基于Kalman滤波的多路温度采集系统设计

针对导航计算机中加速度计与激光陀螺仪性能易受环境温度影响,需对环境温度进行准确的测量,设计了一种基于Kalman滤波的多路温度采集系统。系统采用PT1000铂电阻作为温度传感器,通过调理电路、A/D转换电路完成信号转换,并采用一种改进Kalman算法与分段插值法相结合的方法,提高了系统运算速度并减小因硬件电路干扰产生的误差,提高了系统采集的精确度。测试结果表明,该系统温度检测在-40℃~85℃范围内,系统稳定可靠且精确度高,测量误差在±0.1℃,满足系统测温的需求。

一种基于模型概率单调性变化的自适应IMM-UKF改进算法

针对现有交互式多模型(IMM)算法模型间切换迟滞和转换速率慢的缺点,提出一种基于模型概率单调性变化的自适应交互式多模型无迹卡尔曼滤波改进算法(mIMM-UKF)。该算法利用后验信息模型概率的单调性,对马尔可夫转移概率矩阵及模型估计概率进行二次修正,加快了匹配模型的切换速度及转换速率。仿真结果表明,与现有算法相比,该算法通过快速切换匹配模型,有效提高了水下目标跟踪精度。

交互多模自适应容积Kalman滤波算法设计及履带车辆跟踪应用

为满足履带车辆作为机动目标的实时跟踪和对目标速度、航向角的准确估计,针对测量值含有相关乘性噪声,采用新息分析法依据噪声相关系数已知和未知改进容积Kalman滤波算法。考虑到单模型滤波器难以准确地实现机动目标的跟踪,采用交互式多模型算法对履带车辆运动轨迹进行描述,提出一种交互式多模自适应容积Kalman滤波算法。仿真表明交互式多模型自适应容积Kalman滤波算法对车辆机动具有稳定的跟踪效果且乘性噪声得到有效处理。

基于Kalman滤波解调的半球谐振陀螺全角控制方案及仿真

针对半球谐振陀螺全角模式控制中的信号处理与控制环节复杂、高精度数字解算对全角控制效果和陀螺精度有直接影响的问题,对半球谐振陀螺全角控制方法进行研究.以非理想半球谐振子为控制对象,给出一种半球谐振陀螺的全角控制方案.针对振型信号的高精度解算问题,提出一种基于Kalman滤波的数字解调方法.仿真结果表明,基于Kalman滤波解调的全角控制系统能实现快速解调和稳定控制.

一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测算法

针对当前的山体滑坡监测技术监测精度低、实时性差、自动化程度低的问题,提出了一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测技术。该技术使用抗差自适应Kalman滤波技术,对包括实时动态(RTK)载波相位差分定位数据、无人机摄影测量数据、土工带传感器数据在内的多源数据进行融合分析,将滑坡形变监测精度提高到了mm级。RTK技术和土工带传感器的使用克服了天气状况、植被覆盖对滑坡监测的影响。使用灰色预测理论对山体滑坡监测点进行形变预测,结合蠕变切线角判据,该技术实现了对山体滑坡预警等级的划分。仿真实验结果显示,该山体滑坡监测技术能够成功实现山体滑坡预测预警功能。

Kalman滤波与模板更新结合的SiamRPN目标跟踪

针对SiamRPN跟踪算法在目标快速运动时跟踪目标易丢失以及模板不更新影响跟踪效果问题,提出一种Kalman滤波与模板更新相结合的SiamRPN目标跟踪方法。利用训练好的SiamRPN跟踪算法对目标进行跟踪,并将上一帧目标物体的中心点位置及速度输入卡尔曼滤波器,当RPN网络得到的跟踪框响应得分较低时,利用卡尔曼滤波器重新预测目标位置,搜索得到新的跟踪框。并根据上一帧目标的速度,自适应扩大搜索区域。重新设计并训练了模板更新网络,并在其中添加了通道注意力机制,在跟踪过程中对目标模板迭代更新。实验结果表明,该算法在OTB2015的成功率和精确率分别为67.2%和89.1%,在VOT2016的EAO提升24.3%,与其他算法相比在解决目标形变和运动模糊问题具有显著优势。

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。

自适应及抗差Kalman滤波在GNSS/INS组合导航中的应用

传统Kalman滤波在卫星/惯性组合导航中通常难以对复杂的导航环境做出自适应改变,从而影响参数估计的精度甚至使滤波发散。笔者引入Sage-Husa自适应滤波和基于新息向量的抗差滤波并经正反向融合处理组合导航数据。结果表明,水平姿态、航向角度、三维速度和位置结果的估计精度较传统Kalman滤波平均提升37.38%,64.23%,23.51%,29.06%,最高提升58.77%,95.17%,36.61%,49.20%。自适应、抗差和正反向Kalman滤波提升了参数估计精度和稳定性,可用于复杂城市导航环境下组合导航数据事后处理。