基于指数加权平均的GNSS/SINS组合导航系统Sage-Husa自适应卡尔曼滤波算法

测量噪声异常会导致GNSS/SINS组合导航系统滤波精度下降,甚至滤波发散。为解决该问题,首先提出适用于组合导航系统的Sage-Husa自适应卡尔曼滤波方法SHAKF;然后根据滤波新息协方差的理论估计值及实际估计值构建控制因子,提出测量噪声均方差突变起始时刻及结束时刻的检测方法,构建基于指数函数变化规律的遗忘因子,进而提出基于指数加权平均的Sage-Husa自适应卡尔曼滤波方法EWASHAKF;最后将EWASHAKF应用于GNSS/SINS组合导航系统,并进行仿真实验。结果表明,相对于SHAKF,EWASHAKF能够准确地跟踪测量噪声均方差的各种变化,进而提高组合导航系统的滤波精度。

一种简化的SAGE-HUSA卡尔曼滤波

对无人机导航状态进行在线估计时,一般采用简化的数学模型,因此需要采用自适应卡尔曼滤波。目前工程中应用广泛的几种自适应卡尔曼滤波存在各自缺点,对进一步提高无人机导航精度以及实际应用上有不利影响。利用残差变化率在不同飞行状态下的差异,选择估计窗的大小,以此给出一种简化的SAGE-HU-SA卡尔曼滤波算法。仿真结果表明,该方法计算量小、思路清晰,适用于无人机导航的工程实践。

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。

改进型Sage-Husa卡尔曼滤波器在电压暂降检测中的应用

电压暂降是电网中的一个关键电能质量问题。用于电压暂降检测的Sage-Husa型卡尔曼滤波器具有形式简单、计算量小、响应速度快的优点,但在系统阶次较高时容易出现滤波发散的问题。为避免滤波发散,同时进一步提高该滤波器的实时响应速度,改进Sage-Husa型卡尔曼滤波器中的噪声矩阵估计器,给出基于改进后Sage-Husa卡尔曼滤波器的电压暂降快速检测方法,并通过仿真和实验证明了该方法的有效性。与传统的Sage-Husa型卡尔曼滤波器相比,改进后Sage-Husa卡尔曼滤波器避免了滤波发散的现象,同时提高了的响应速度。

Sage-Husa随机加权无迹卡尔曼滤波及其在导航中的应用

在吸收Sage-Husa滤波和无迹卡尔曼滤波优点的基础上,利用随机加权估计算法将传统的定义在线性系统上的Sage-Husa噪声估计器推广到非线性系统中,提出一种非线性Sage-Husa随机加权无迹卡尔曼滤波算法。该算法首先利用Sage滤波的开窗平滑方法求得观测残差向量和新息(预测残差)向量的协方差阵;然后用随机加权自适应因子对观测残差和预测残差进行调节;最后对状态预报向量的协方差矩阵进行自适应随机加权估计,以控制观测残差和预测残差对导航精度的影响。计算结果表明,提出的非线性Sage-Husa随机加权无迹卡尔曼滤波算法,滤波精度明显优于无迹卡尔曼滤波和自适应无迹卡尔曼滤波算法,能够提高组合导航的解算精度。

自适应双层无迹卡尔曼滤波的车辆状态估计

针对在车辆行驶状态估计中存在估计不准确、鲁棒性较差以及系统噪声不确定等问题,提出一种将双层无迹卡尔曼滤波(DLUKF)与改进的Sage-Husa算法相结合的自适应双层无迹卡尔曼滤波算法(ADLUKF)作为车辆行驶状态的估计器,再结合三自由度汽车模型对车辆行驶的横摆角速度和质心侧偏角进行估计。通过改进的Sage-Husa滤波器对系统过程噪声和测量噪声进行动态调整,进而减少车辆行驶状态估计的误差。应用Carsim与Matlab/Simulink进行联合仿真以及实车试验数据来验证该估计器的有效性,并与无迹卡尔曼滤波(UKF)算法进行对比。结果表明:与UKF算法相比,该算法有效提高了车辆行驶的横摆角速度和质心侧偏角的估计精度和稳定性。

自适应强跟踪Sage-Husa卡尔曼滤波器载波环设计

针对Sage-Husa自适应卡尔曼滤波算法易引起发散且对初始条件的选取非常敏感的问题,提出一种自适应强跟踪Sage-Husa滤波算法。该算法从Sage-Husa自适应卡尔曼滤波算法出发,引入强跟踪技术,通过渐消因子在线修正一步预测误差协方差矩阵,使算法具有应对场景变化等不确定情况的能力,增强算法的鲁棒性;通过改进Sage-Husa自适应算法对噪声方差阵进行实时在线估计,使算法具有应对噪声变化的自适应能力,保证较好的跟踪精度。仿真结果表明,所提出的滤波算法能够有效提高载波环路的跟踪精度和鲁棒性。

基于Sage-Husa自适应的卡尔曼滤波负荷信号降噪研究

在对工业污水处理站运行设备进行负荷识别时,由于其所处的复杂工作环境,采集设备得到的信号中经常包含背景中的强噪声干扰,使得在对关键电力参量波形的识别和处理时出现较大困难。本文基于Sage-Husa自适应算法与卡尔曼滤波法相结合,在卡尔曼滤波基础上,加入遗忘因子,陌生参量指标,对工业污水站设备采集信号波形进行处理。采用公司智能电表采集平台数据进行实验验证,本文算法对比传统卡尔曼滤波算法,误差平均值降低42.91%,误差方差降低48.68%,获得更好的消除背景噪声效果。

一种改进的基于Sage-Husa 的无迹卡尔曼滤波算法

基于Sage-Husa的无迹卡尔曼滤波算法(UKF)能实时估计噪声统计特性来应对系统模型和噪声的不准确性,但是存在不能同时估计状态噪声/状态噪声协方差和量测噪声/量测噪声协方差的问题.为此,提出了一种改进的基于Sage-Husa的UKF算法.首先阐述了基于Sage-Husa的UKF算法;其次改用间接量测更新来简化运算,引入强跟踪原理来约束噪声/噪声协方差的更新频率以及量测噪声协方差的估计结果;最后在系统模型、噪声不准确条件下进行了目标的跟踪仿真.仿真结果表明本文所提算法在上述复杂环境下仍能保持对目标的良好跟踪,验证了该算法的有效性.

多惯导系统组合导航下的卡尔曼滤波算法研究

针对捷联式惯性导航系统(简称“惯导系统”)中的卡尔曼滤波算法进行研究。依据惯性导航系统的基本原理建立误差模型,分析多个惯性导航系统在组合导航时的误差特性,将Sage-Husa自适应形式的滤波作为基础,提出了一种多惯导形式的数据融合计算方法。将Sage-Husa自适应形式的滤波算法优势予以保留,结合常规形式的卡尔曼滤波算法,对Sage-Husa滤波进行简化,只对量测噪声进行自适应调节。实验表明,文中的数据融合算法能很好地实现多惯导导航系统的组合导航,融合后的误差估计结果与独立误差趋势一致,且受误差较大惯性导航的影响较小。

抗野值自适应卡尔曼滤波方法的研究

针对陀螺漂移信号中野值的不良影响,从量测噪声自适应Kalman滤波算法出发,首次提出了抗野值自适应Kalman滤波方法,并在其基础上进行了分析,提出一种改进的算法。通过对某型号高精度寻北仪中的试验证明,该算法能够有效去除寻北仪信号中的野值,提高寻北仪的寻北精度,并且对系统的量测噪声不敏感。

改进的自适应卡尔曼滤波在SINS初始对准中的应用

为提高Sage-Husa自适应滤波的稳定性,提出一种基于UD分解的改进自适应滤波算法。对在线估计的量测噪声协方差阵和状态估计误差方差阵采取UD分解的形式进行标示和更新,结合捷联惯导静基座初始对准模型,对改进自适应算法进行仿真测试。仿真结果表明:在先验量测噪声和状态估计协方差矩阵存在误差的情况下,新算法能够提高对准精度。

高速公路旅行时间的自适应插值卡尔曼滤波预测

为解决高速公路收费站间非平稳交通流状态下因卡尔曼滤波算法自适应性能差而导致的旅行时间预测精度不稳定的问题,提出等间距插值和Sage-Husa自适应卡尔曼滤波相结合的预测算法。融合人工半自动收费和电子不停车收费数据计算平均旅行时间;引入等间距插值方法重构实时与历史旅行时间之间的时间序列;利用最小二乘法原理构建Sage-Husa自适应预测模型;开发旅行时间预测应用系统,实时主动预测高速公路站间旅行时间。在某示范路段的应用表明:在正常、事故、小长假3种交通流状态下,所提方法的所有周期平均相对误差均在7.5%内,事故周期平均相对误差均在10%内.

双重遗忘卡尔曼滤波PMLSM无位置传感控制研究

针对EKF估计PMLSM位置存在模型不精确、噪声统计特性不确定时估计精度不高,且有可能导致滤波发散的问题,提出一种双重遗忘卡尔曼滤波法,它是在EKF的基础上引入自适应渐消因子,实现第一重遗忘,引入Sage-Husa自适应滤波法,实现第二重遗忘。实验表明:该方法不论是同步速度还是负载突变,均按正弦规律递减,负载突变前、后速度稳定误差最大值分别为0.469%、0.943%,最终将稳定在0.167%附近,跟踪效果随仿真时间的加长而更好。

组合导航自适应卡尔曼滤波改进算法研究

针对常规卡尔曼滤波由于噪声的统计特性与实际情况不相符而引起滤波误差增大的问题,提出了一种新的在线估计系统噪声和量测噪声的自适应滤波算法。新算法通过新息序列自适应量测噪声,对Sage-Husa滤波算法进行改进以估计系统噪声,该算法在噪声统计特性未知的情况下能进行滤波计算。最后对改进的新算法与常规卡尔曼滤波算法作了对比试验分析,结果表明了改进算法的有效性。

基于自适应无迹卡尔曼滤波的锂电池SOC估计

锂电池荷电状态(SOC)的准确估算是制约电动汽车发展的关键技术之一。针对传统Kalman滤波算法因固定的噪声滤波初值不能够跟随工况变化致使SOC估算不准确的问题,基于PNGV模型建立状态空间方程组,将Sage-Husa自适应滤波算法融合到无迹卡尔曼滤波(UKF)算法之中,对噪声进行实时预测和修正,进而提高SOC的估算精度。仿真实验结果表明,AUKF比UKF的估算值更接近于理论参考值,AUKF解决了UKF因固定噪声带来的误差问题,可提高电动汽车启动、巡航、制动等复杂工况下的电池组电流剧烈变化中SOC的估算精度。

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法——自适应平方根无迹卡尔曼滤波(NASRUKF)方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波(SRUKF)算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。

基于改进自适应无迹卡尔曼滤波的国产民机导航数据滤波算法

针对国产民用飞机导航数据存在杂波不能准确测量的问题,提出一种基于改进自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法的导航数据滤波方法。将无迹卡尔曼滤波(unscented Kalman filter,UKF)与改进Sage-Husa次优无偏极大后验噪声估计器结合构造出改进AUKF,有效解决了在模型不确定或干扰信号统计特性不完全得知的情况下,滤波精度低甚至发散的问题,同时与维纳滤波器和小波阈值法滤波效果进行对比。选择ARJ21飞机实际运行的高度、经度及纬度数据进行仿真。结果表明:改进后的AUKF算法较其他滤波算法精度更高,有效提高了导航数据的可靠性。研究对提高国产民机导航定位精度具有重要意义。

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。

采用自适应无迹卡尔曼滤波器的车速和路面附着系数估计

针对车辆主动安全控制中的车速和路面附着系数这一关键信息,提出了一种实时估计该信息的滤波算法,同时建立了将包含时变噪声统计特性的七自由度非线性车辆动力学模型作为滤波算法的标称模型,以及一种自适应无迹卡尔曼滤波算法。该算法采用传统的无迹卡尔曼滤波器来估计车速和路面附着系数,同时利用次优Sage-Husa噪声估计器对系统的噪声统计特性进行实时更新,其中采用遗忘因子限制噪声估计器的记忆长度,使新近数据发挥重要作用,使陈旧数据逐渐被遗忘,从而解决了因系统标称模型误差、外界扰动等因素引起的噪声时变的问题。在不同路面条件下进行了多种工况的实验验证,并与无迹卡尔曼滤波器的估计结果进行对比分析,结果表明,该算法具有良好的鲁棒性,其估计精度高于无迹卡尔曼滤波器,且满足车辆主动安全控制系统的要求。