基于Sigma点卡尔曼滤波的天基红外低轨卫星目标跟踪

临近空间高超声速飞行器的飞行速度很高,采用一般的探测手段难以对其进行跟踪,文中采用天基红外低轨卫星对其进行跟踪,建立了适当的目标运动模型和观测模型,分析研究了Sigma点卡尔曼滤波(SPKF)算法,与EKF算法相比,对非线性系统的估计具有较高的精度,且不需要求解复杂的雅克比矩阵。提出了将基于Sigma点卡尔曼滤波的交互式多模型(SPKF-IMM)算法用于天基红外低轨卫星对空间目标跟踪。利用三维空间的机动目标对算法进行了仿真分析,仿真结果表明:该算法具有较好的跟踪性能,进一步验证了SPKF-IMM算法的有效性。

光学电流互感器Sigma点卡尔曼滤波去噪方法研究

随着电力系统向着超高压大容量发展,光学电流互感器(OCT)在电力系统领域具有广阔的应用前景;而有效地滤除噪声,提高信噪比(SNR)是光学电流互感器信号处理的重要环节。针对光学电流互感器低信噪比的特性,通过改进的卡尔曼滤波算法建立合适的模型以及通过LabVIEW的仿真验算,表明Sigma点卡尔曼滤波能够有效地滤除噪声和提高光学电流互感器的信噪比。

Sigma点卡尔曼滤波及其应用

针对扩展卡尔曼滤波(EKF)不易调整、难于应用、只对更新时间步长内局部线性假设成立的非线性系统适用等不足,近年来提出了一些卡尔曼滤波向非线性系统扩展的新方法。根据均值与协方差信息按非线性映射传播的特点,将它们归类为Sigma点卡尔曼滤波(SPKF)方法。在简要说明加权统计线性回归技术的基础上,系统介绍了SPKF的形式及算法,对其应用情况进行了总结和展望,指出可采用SPKF替代EKF以获得更好的性能。

用于再入弹道目标跟踪的Sigma点卡尔曼滤波器（英文）

提出一种新的Sigma点卡尔曼滤波器,求积分卡尔曼滤波器(Quadrature Kalman Filter,QKF),用于再入弹道目标的跟踪问题。新滤波器通过一系列参数化高斯密度的高斯-赫米特求积分点,使用统计线性回归的方法来线性化非线性函数的。仿真实验比较了这个新的Sigma点滤波器和扩展卡尔曼滤波器(Extended Kalman Filter,EKF),均差滤波器(Divided Difference Filter,DDF),无味滤波器(Uncented Kalman Filter,UKF)。结果表明所有Sigma点滤波器的估计误差都低于EKF的估计误差。QKF的估计误差低于UKF的估计误差,其滤波可靠性也与UKF很接近。QKF的计算复杂性比UKF稍高,新的Sigma点滤波器是一种有效算法。

基于卡尔曼滤波的激光雷达点云跟踪方法研究

激光雷达点云目标跟踪是环境感知与定位的重要研究内容,具有广泛的应用前景。由于激光雷达存在探测范围有限、易受遮挡和散射条件影响等问题,无法保证跟踪过程中目标点云特征的完整性和正确性,跟踪目标丢失时有出现。为了提高跟踪过程中的鲁棒性,提出一种基于卡尔曼滤波的2D激光点云跟踪方法。该方法首先对聚类后的点云建立包围盒集合,其次对包围盒跟踪框建立卡尔曼滤波模型,将前一帧跟踪框最优估计值与当前帧包围盒,通过交并比方法进行关联性匹配,将关联性最大结果作为当前帧目标点云,并更新卡尔曼滤波模型参数,从而实现目标点云的实时跟踪。实验结果表明,所提方法提高了跟踪过程的鲁棒性和准确性。

基于Sigma点全局迭代参数卡尔曼滤波的折线型本构模型参数识别

折线型本构模型控制参数少,物理意义明确,但其数学表达式复杂因而识别困难。针对折线型本构模型的参数识别,提出基于Sigma点变换的全局迭代参数卡尔曼滤波算法。所提方法以待识别参数作为状态向量,降低状态向量维度,减少计算量;基于Sigma点卡尔曼滤波避免求解雅克比(Jacobian)矩阵,实现非连续型函数本构模型的参数识别;通过设定目标函数进行全局迭代,以获得最优解。由于非线性系统下一时刻响应与历史路径有关,量测更新时由初始时刻计算到当前时刻。最后,在地震荷载下,将隔震支座系统简化为单自由度双线性模型,将桥墩简化为单自由度Takeda模型,根据该文所提出的方法理念,分别基于无迹卡尔曼滤波(unscented Kalman filter,UKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)和球面单纯形径向容积正交卡尔曼滤波(spherical simplex-radial cubature quadrature Kalman filter,SSRCQKF)采样规则识别折线型本构模型参数。结果表明所提方法能够准确识别非线性参数,同时具有较强的鲁棒性,不同滤波器收敛过程及结果也有所差异。

采样点卡尔曼滤波算法的调频磷酸铁锂电池SOC估算

针对目前应用于电力系统调峰调频最广泛的磷酸铁锂电池,采用采样点卡尔曼滤波算法对电池荷电状态SOC(StateofCharge)进行估算,再通过Matlab/Simulink平台进行估算模型的搭建,在几种充放电状态下进行了验证,仿真结果表明:利用采样点卡尔曼滤波算法的估算模型,其估算误差在研究的充放电状态下都在1%以内,可为储能电池的安全经济运行管理提供理论估算依据。

基于点密度与卡尔曼滤波的路面标识线提取方法

提出一种基于邻域点密度和卡尔曼滤波的车载激光点云路面标识线提取与补全方法。该方法由3个部分组成:1)利用时间信息将路面点云数据分割为单条扫描线;2)根据邻域点密度自动生成卷积核以提取标识线轮廓点;3)结合最小二乘算法拟合标识线轮廓,并利用卡尔曼滤波算法填补缺损标识线。经实验验证,最终标识线提取结果的平均中心点位置偏差为0.04 m,平均方向偏差为0.04°,平均完整度为99.69%。该方法降低了点云密度分布不均对路面标识线检测精度的影响,可有效提高标识线检测的完整度。

基于Harris和卡尔曼滤波的农业机器人田间稳像算法

针对田间颠簸环境影响农业机器人采集实时稳定图像问题,提出了基于Harris和卡尔曼滤波的农业机器人田间稳像算法。首先,利用摄像头获取田间抖动视频图像序列,进行图像子区域划分并计算各区域灰度均方差,进而确定各区域Harris角点阈值;通过自适应角点阈值设置,增加角点距离约束,完成图像角点检测。然后,对检测出的角点进行光流跟踪,计算出帧间运动估计参数。最后,利用自适应卡尔曼滤波算法对运动估计参数进行平滑操作并动态调整滤波平滑性能,获得精确运动估计矢量。测试结果表明,改进后的Harris角点检测算法区域平均分布标准差减小;自适应卡尔曼滤波算法在保证平滑随机运动前提下,跟踪主动运动性能平均提升30.75个百分点;稳像后的图像峰间信噪比提升15.93%,单帧处理时间为25.66 ms,满足农业机器人30 f/s高速图像采集时同步稳像对实时性要求。

基于新息自适应卡尔曼滤波算法的多类型结构响应重构

为改善传统卡尔曼滤波KF(Kalman filter)算法在过程噪声方差和测量噪声方差未知的情况下响应重构精度降低甚至发散的问题,提出了一种基于新息自适应卡尔曼滤波IAKF(innovation-based adaptive Kalman filter)算法的多类型响应重构方法。首先根据新息统计特性对卡尔曼滤波增益和状态估计误差协方差矩阵进行实时自适应调整;然后利用有限测点的加速度传感器的测量数据,结合模态法对结构各个位置的加速度、速度、位移以及应变进行响应重构;最后对起重机桁架和简支梁分别进行数值模拟和试验分析。结果表明,该方法能够有效地调整过程噪声方差并估计测量噪声方差,未测点的重构响应时程曲线与计算响应或测量响应时程曲线吻合良好。

卡尔曼滤波在弹道修正弹落点推算中的应用

为了准确地估算常规弹箭的飞行弹道，以便对其实施简易弹道修正并大幅度提高弹箭的密集度，应用卡尔曼滤波方法，结合质点弹道模型，建立了卡尔曼滤波弹道模型．对地面侦察雷达探测到的一段飞行弹道参数进行滤波，进而外推出弹道落点．仿真结果表明，雷达测量信号中的噪声具有随机性且幅值较大，在卡尔曼滤波过程中，滤波方差衰减很快，滤波后测量噪声能够较快地大幅度减小；外推弹道落点精度随着雷达跟踪时间（跟踪点数）的增加而迅速提高，经过一段跟踪时间后，这种趋势逐渐变缓．对于大口径弹道修正弹，雷达跟踪点数宜取30～40点，求解一条弹道约需几十ms．

Sigma-Point卡尔曼滤波用于OFDM载波频偏估计

对于非线性的动态状态空间模型,扩展卡尔曼滤波(EKF)通过泰勒展开拟合系统的状态和观测方程,以获得对状态值的估计,但其存在估值波动大、收敛慢等缺点;而基于Sigma-point点的卡尔曼滤波方法,则是通过确定性采样实现统计特性上的近似,从而获得更为准确的高阶统计特性.为此,建立了正交频分复用(OFDM)载波频偏的动态状态空间模型,并将Sigma-point卡尔曼滤波用于其频偏估计.仿真结果表明,该类方法可以捕捉更为准确的高阶特性,其估值准确、收敛速度快、波动小、对观测噪声大小不敏感.

基于采样点卡尔曼滤波的动力电池SOC估计

动力电池荷电状态(SOC)的快速精确估计是电池能量管理系统的核心技术。针对动力电池这一动态非线性系统,提出了电池过程模型的具体改进方法,以使其可以适应不同放电速率和不同温度条件对动力电池SOC的影响;给出了利用采样点卡尔曼滤波进行电池SOC估计的具体步骤;最后,分析了采样点卡尔曼滤波在SOC估计精度、收敛速度、算法复杂度及鲁棒性等方面的性能。实验表明,采用采样点卡尔曼滤波算法可以快速地完成动力电池SOC的精确估计,误差在5%左右;模型参数的合理微调几乎不影响算法的准确性,表明了算法具有一定的鲁棒性。

平方根采样点卡尔曼滤波在磷酸铁锂电池组荷电状态估算中的应用

荷电状态(state of charge,SOC)估算技术是锂电池管理系统中最重要的功能之一。针对磷酸铁锂电池组展开研究,以准确估计电池组中各单体荷电状态为目的,首先采用一阶戴维南(Thevenin)模型结合安时法建立综合电池模型;采用一种平方根采样点卡尔曼滤波(square root sigma point Kalman filter,SRSPKF)方法,配合在线递推最小二乘(recursive least square,RLS)算法,同时实现对电池等效模型参数的辨识以及对电池荷电状态的估算。理论上讲,SRSPKF算法使系统状态直接以其方差的平方根形式传播,可显著降低常规Sigma点卡尔曼滤波器(sigma points Kalman filter,SPKF)算法的复杂性。实验结果表明,相对SPKF而言,SRSPKF具有更强的状态估计误差抑制能力,采用SRSPKF可以获得比SPKF更准确的SOC估计结果。

点目标视频跟踪中的噪声自适应卡尔曼滤波器

针对卡尔曼滤波器在实用过程中所遇到的运动模型选择以及噪声给定问题,基于视频点目标的特征,提出了一种点目标视频跟踪中的噪声自适应卡尔曼滤波算法。该算法结合双步动态模型,在滤波过程中根据速度的相关系数调整运动模型参数,使运动模型更加切合实际。此外,该算法结合运动模型以及观测数据对一段时间的过程噪声进行估计,同时基于成像特性,利用单帧图像中灰度值的分布,对单次观测的观测噪声进行实时估计,实现过程噪声和观测噪声的自适应。根据在外场进行的仿真实验和实际跟踪实验结果,文中所提出的方法能够有效地保证跟踪精度。

基于特征点光流和卡尔曼滤波的运动车辆跟踪

提出一种基于特征点光流的运动目标跟踪方法,将卡尔曼滤波跟踪技术和多边形跟踪策略应用于智能交通系统的运动车辆实时跟踪,使跟踪变得简单和稳定.计算机仿真结果表明,采用所提出的方法,能够以较高精度实现运动目标跟踪的目标模型选择、目标特征点选取、特征点光流计算、特征点光流聚类和目标识别,且计算量小、易于实现.

基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中。针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子。仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值。

基于径向基函数神经网络和无迹卡尔曼滤波的弹丸落点预报方法研究

为了能够在飞行数据不尽精确的情况下进行快速、准确的落点预报,提出一种基于径向基函数(RBF)神经网络和无迹卡尔曼滤波技术的弹丸落点预报方法。使用RBF神经网络逼近外弹道方程用以预报弹丸落点,并用改进型量子行为粒子群算法优化网络结构和权阈值,在此基础上对基于神经网络的初步预报数据进行滤波处理。最后进行预报仿真,在输入数据有噪声的情况下依然得到了较高的预报精度,从而证明该方法对预报弹丸落点是有效可行的,为弹丸的落点预报的实际应用提供了参考。

捷联惯导系统中基于卡尔曼滤波的奇异点消除算法

为消除奇异点对大飞艇的姿态解算带来的困扰,提出了一种基于卡尔曼滤波的奇异点消除算法.在构造出的卡尔曼滤波模型基础上,将当前状态变量作为先验估计代入滤波器的时间更新方程中,以便及时投射到测量更新方程,并得到测量更新方程所需的数据;此后,通过测量更新方程来校正先验估计,从而获得此状态的后验估计值,并用该估计值来代替加速度计传感数据中的奇异点,从而达到消除传感数据中奇异点的目的.Matlab实验验证了算法的有效性.结果表明,该算法在没有引入延迟的同时,有效消除了系统中传感器信号的毛刺点.

卡尔曼滤波在落点偏差预测算法中的应用

弹道测量误差对摄动落点偏差预测算法的精度有较大影响,该文建立卡尔曼弹道滤波模型对弹道测量数据进行滤波处理,以消除弹道测量随机误差,提高摄动落点偏差预测算法的精度。仿真结果表明,采用卡尔曼滤波可以大幅提高落点偏差预测算法的精度。