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。

基于改进的联邦UKF无人艇组合导航系统设计

针对无人艇在高海况下长航时,大幅度作业滤波精度较低的问题,提出一种基于联邦结构的无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法,将其应用于自主研制的无人艇组合导航系统中。建立系统误差方程和量测方程;引入渐消因子、基于量测值与预测量测值差值的可变因子和自适应最优信息分配因子对联邦UKF算法进行改进,保持信息的强跟踪特性和组合导航系统的信息融合精度,得到全局最优估计值。开展湖试试验,验证该组合导航系统的有效性,结果表明该系统实时性、稳定性好,抗干扰能力强,能有效提高导航精度。该方法不仅能为无人艇作业提供安全保障,而且可供其他组合导航系统设计参考。

基于UKF算法的电动汽车车速坡度估计

精准的车辆车速与道路坡度,是实现车辆驱动防滑控制系统研究的关键,本文考虑到转弯工况,建立转向与道路坡度耦合的混合工况模型,运用UKF算法进行车速坡度联合估计,该算法融合了运动学与动力学两种方式,并且基于MATLAB/Simulink与Carsim搭建联合仿真平台,对所设计的混合工况车速和坡度的估计器与控制策略进行了仿真验证,比传统估计方法精度更高,响应速度以及鲁棒性更好。

基于UKF-WNN混合模型的海管段塞流预测与控制方法研究

针对油气生产系统在深海情况下难以准确实时控制段塞流的问题,建立了基于UKF-WNN混合模型的海管段塞流预测与控制方法,并在不同阀门开度下,对不同的段塞流控制方案进行了比较研究。结果表明:UKF-WNN混合模型能够较好地拟合顶部压力、流量与阀门开度同底部压力的关系,与现场试验对比,其均方误差较UKF和WNN分别降低了44%、47%,在系统输入存在干扰的情况下能够为控制器提供较为精确的估计值,使得系统达到稳定。WNN的加入有效改善了控制系统的稳定性,体现了人工智能方法在段塞流控制领域获得应用的可能性。本文提出的方法对改善海管段塞流的预测和控制精度,保障海管安全具有一定的理论和实践意义。

基于改进自适应UKF的随钻动态测量方法研究

钻井过程中,底部钻具的强烈振动和快速旋转导致姿态测量信号中含有多频高幅值的干扰信号。根据上述过程的特点,提出一种改进的自适应无迹卡尔曼滤波(UKF)算法。算法在标准UKF中引入自适应因子,通过改变量测量的协方差矩阵实时调整滤波增益,提高算法对突变状态的自适应能力;并且对传统自适应因子计算方法进行改进,在保证算法精度的同时降低计算复杂度,满足随钻测量对实时性的要求。实验室振动平台系统的仿真结果表明,在振动噪声突然变强的情况下,所提方法可以有效滤除姿态测量传感器中的干扰噪声,提高导向钻具姿态参数的解算精度。

基于简化鲁棒UKF的GNSS/INS紧组合列车定位方法

针对GNSS/INS组合列车定位中的信息融合非线性与传感器量测故障问题,为满足复杂多变列车运行场景下列车定位精度与鲁棒性的需求,提出一种基于简化鲁棒UKF的GNSS/INS紧组合列车定位优化方法。综合标准KF的时间更新与标准UKF的量测更新来构建简化UKF,在保证GNSS/INS紧组合列车定位精度的同时改善定位解算实时性。在简化UKF滤波框架内,引入故障检测与自适应调整因子构建简化鲁棒UKF,可以快速检测传感器量测故障导致的系统故障,并对故障历元的量测噪声协方差进行自适应调整降低滤波增益,使得滤波算法具有较强的鲁棒性。采用京沈高铁实测数据与故障仿真数据进行算法定位性能验证与评估,结果表明:基于简化UKF的GNSS/INS紧组合定位算法水平定位精度为2.6865 m,与传统EKF滤波模型下的紧组合与松组合方法相比定位精度分别提高5.6%和15.0%。此外,提出的简化鲁棒UKF方法可以快速有效检测到不同类型的传感器量测故障,且大幅抑制传感器量测故障,优化复杂运行场景下的列车定位精度与鲁棒性。

UKF与EKF在导航定位中的对比研究

为深入研究UKF与EKF两种滤波算法在导航定位应用中的表现,基于对扩展卡尔曼滤波与无迹卡尔曼滤波的原理的介绍,建立起一种导航单目标定位模型,利用无迹卡尔曼滤波方法进行目标定位的仿真并展开分析。通过对目标定位结果与其真实运动轨迹的对比,验证UKF轨迹与真实轨迹的重合情况,将位置估计的平均偏差控制在2m以内,在整个目标定位过程中未发生目标跟踪丢失情况。将仿真得到的结果与真实轨迹进行对比并计算位置估计偏差,以此论证两种算法在性能效果上的优劣。

基于UKF优化多三角加权定位算法的UWB室内定位系统设计

为了减小基于超宽带(Ultra-Wideband,UWB)通信技术的室内定位中由非视距(Non-Line-of-Sight,NLOS)因素导致的误差,提出了一种多三角加权定位算法,并将该算法与无迹卡尔曼滤波(Unscented Kalman Filter,UKF)结合,进一步提出多三角加权UKF定位算法。多三角加权定位算法使用4个基站,其中每3个基站分为一组,共4组排列组合。每组基站用三边定位算法算出标签的初始坐标,根据标签到4个基站的距离计算初始坐标的权值,并进行加权计算得到标签的坐标。以多三角加权定位算法的定位结果作为UKF的观测值,使用UKF对多三角加权算法的结果进行修正,提高定位精度,减小定位波动。对比三边定位算法、多三角加权定位算法和UKF优化的多三角加权定位进行仿真和实验。结果表明,提出的多三角加权UKF算法定位精度有较大提高。

GNSS/SINS组合导航系统的自适应UKF算法

针对基于无迹卡尔曼滤波(unscented Kalman filter, UKF)算法的GNSS/SINS组合导航系统缺乏对量测噪声异常的自适应调节能力,提出一种GNSS/SINS组合导航系统的自适应UKF算法。首先对GNSS/SINS组合导航系统进行非线性滤波建模;然后基于变分贝叶斯原理,在UKF算法的时间更新与量测更新过程中引入量测噪声方差估计模型,得到自适应UKF算法;最后对GNSS/SINS组合导航系统进行仿真验证。结果表明,本文算法能够对量测噪声方差的突变或缓变进行实时、准确的跟踪,相比于常规UKF算法,可明显提高组合导航系统的精度。

一种基于多重次自适应因子的强跟踪UKF算法

针对强跟踪UKF算法存在自适应因子调节单一、难以准确调节多维的系统变量对不准确系统模型和噪声自适应调节能力不够的问题,提出了一种基于多重次自适应因子的强跟踪UKF(MST-UKF)算法.首先解析了强跟踪UKF的本质原理;其次提出在状态噪声协方差和观测噪声协方差前各引入多重次自适应因子对角矩阵对其进行自适应调节,并对其计算方法进行了设计;最后分别针对系统模型、噪声不准确情况下的目标进行跟踪仿真.仿真结果表明,MST-UKF算法能自适应直接调节噪声协方差,以此应对系统模型的不匹配、状态噪声的不准确性以及观测噪声的不准确性,实现了对复杂条件下目标的良好跟踪.

基于UKF的六维力传感器重力补偿算法研究

为解决人机交互中六维力传感器受末端重力影响导致示数不准确的问题,提出一种基于无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的六维力传感器误差校正方法。通过对传感器数据进行处理和估计,实现对传感器误差的准确估计和修正,从而将传感器误差降至0~0.227 N之间。实验结果表明:该方法可以显著提高六维力传感器的测量精度,为人机交互中的精准力控制提供了可靠的技术支持。

基于UKF的AUV多尺度容错对接导航算法研究

针对回收对接过程中,自主式水下机器人(AUV)的组合导航系统由于子传感器量测信息发生阶跃性突变而导致导航系统滤波发散的问题,以分布式联邦滤波结构为基础,提出了一种基于无迹卡尔曼滤波(UKF)的自适应容错异步融合算法。该算法以传感器的采样率为依据,建立分布式组合导航多尺度系统模型,在辅助信息突变时利用自适应渐消因子优化UKF动态调整增益矩阵、削弱故障信息对滤波精度的影响,使得多源导航系统更加稳定、容错性更高。仿真实验表明,提出的自适应容错UKF异步融合算法能更好地抑制滤波发散,提升导航系统的精度与可靠性,有效提高AUV的导航系统在回收对接过程中的稳定性与容错性。

基于自适应UKF的UWB/PDR行人定位系统

UWB(Ultra-Wide Band)无线通讯技术在室内导航定位领域获得了广泛的应用,然而基于UWB的行人定位系统在复杂室内环境下的稳定性不佳,导致定位误差增大。为了解决这一问题,文中提出了一种基于自适应无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的UWB/PDR(Pedestrian Dead Reckoning)行人定位系统。该系统利用无迹卡尔曼滤波算法将PDR模型与UWB的定位信息进行融合,以得到最优位置估计,随后利用UWB定位与PDR系统所获得的步长差概率密度函数来计算定位点的非视距评估概率,并将评估结果作用于系统的自适应噪声调整,以此提高系统对环境的适应性。实验验证结果表明,该系统可有效降低复杂环境下定位误差,提高行人定位结果的精度和稳定性,平均定位精度达到10 cm以内。

基于TVFRLS和SVD-UKF的锂离子电池SOC估算

在汽车复杂运行工况下,传统离线参数辨识方法辨识准确度低,无迹卡尔曼滤波(UKF)算法在估计荷电状态(SOC)过程中,协方差矩阵非正定,导致算法估计SOC失败。提出采用时变遗忘因子递推最小二乘法(TVFRLS)与奇异值无迹卡尔曼滤波(SVD-UKF)算法进行联合在线SOC估计,提高复杂工况下算法的准确性与鲁棒性。通过城市道路循环(UDDS)工况对算法进行验证,TVFRLS与SVD-UKF联合算法模拟仿真的最大绝对误差(AEE)为1.31%、平均绝对误差(MEA)为0.56%、均方根误差(RMSE)为0.75%。相较于传统UKF算法,MEA与RMSE分别降低了60.0%和51.9%。

基于改进的UKF智能电网虚假数据攻击检测

由于虚假数据注入攻击(false data injection attack,FDIA)对电力信息物理系统(grid cyberphysical systems,GCPS)的破坏性较强,且威胁性较大,针对其难以被有效检测难题,提出一种基于加权最小二乘法(weighted least squares,WLS)和改进的无迹卡尔曼(unscented Kalman filter,UKF)的电网虚假数据检测方法。对FDIA进行了数学建模,并通过对残差进行分析以说明FDIA的难以检测性,在有攻击向量的情况下,将改进的UKF用于系统的状态估计,同时利用WLS对系统迅速响应的优势,也对系统进行状态估计,采用一致性检验对2种方法的估计结果进行检测,最终判断是否存在FDIA。在IEEE14节点和IEEE57节点上进行实验分析并与支持向量机的检测方法进行检测成功率的对比,仿真结果表明,FDIA可被准确检测,从而验证了本文方法的可行性及有效性。

基于UKF的四旋翼飞行器空气阻力系数辨识

针对微小型四旋翼飞行器动力学模型存在强非线性和强耦合性,空气阻力系数难以通过实验获得的问题,设计了一种机理建模与辨识建模相结合的方法,将待辨识参数作为状态变量增广到飞行器的动力学模型中,然后采用无迹卡尔曼滤波(UKF)算法对状态量进行估计。针对UKF算法发散的问题采用了一种基于状态方差阵对角相似分解的采样策略,最终有效辨识出了飞行器的三轴空气阻力系数。实验结果表明了UKF应用于四旋翼飞行器模型参数辨识的可行性与有效性。

基于Singer-IMM-UKF的机动目标跟踪算法

本文针对空间中多种运动形式的目标跟踪运动模型组合问题开展研究,提出了基于Singer-IMM-UKF的机动目标跟踪算法,结合精度较高的UKF非线性滤波作为子滤波器,实现对连续机动转弯目标稳定跟踪。通过对比不同模型组合的IMM-UKF滤波器,仿真表明基于Singer-IMM-UKF滤波器在目标运动匀速段或机动量急剧变化时获得了较好的跟踪性能,降低了位置、速度和高度跟踪的误差,有效提升对于机动目标跟踪的准确性和稳定性。

基于WKNN-UKF算法的超宽带技术在车辆定位的应用

为实现车辆的准确跟踪定位,本文首次将WKNN算法与UKF算法相结合,运用超宽带技术研究车辆跟踪定位问题。针对某停车场内的监控数据,利用WKNN算法正确识别视距和非视距误差,剔除含有较大非视距误差的测量值;利用UKF算法对筛选后的测量值进行计算,得到精确位置坐标。相较于Chan定位算法,本文提出的WKNN-UKF定位算法具有更高精度,能够实现复杂场景下车辆的准确定位。

基于UKF的GPS定位算法

针对EKF通过局部线性化方法处理非线性问题可能产生的精度下降问题,提出了用UKF进行GPS定位解算的方法。介绍了UKF方法的原理,分析了GPS伪距方程的线性化近似误差和定位精度的关系,并讨论了利用UKF进行定位解算的有效性。采用"当前"模型,利用伪距和多普勒观测量进行定位解算。利用Spirent GPS模拟器和NovAtel差分定位系统及NovAtel接收机分别进行了仿真实验和现场实验。结果表明,当滤波器状态初值误差较大时,UKF与EKF相比有明显的优势。

简化UKF滤波在SINS大失准角初始对准中的应用

基于欧拉平台误差角的概念提出了大失准角误差条件下的捷联惯导系统(SINS)非线性初始对准误差模型,该模型无法再用经典的加性噪声模型描述。为了降低滤波计算量,在系统模型噪声和量测噪声均为复杂加性噪声并且量测方程是线性方程时,推导了简化的UKF(unscented Kalman filter)滤波方法,简化UKF滤波公式显示:除通过非线性状态方程使用UT(unscented transformation)变换进行状态及其方差预测外,其它滤波步骤与标准Kalman滤波完全相同。最后,对静基座下SINS初始对准进行了仿真试验,结果表明大失准角条件下的SINS误差模型和简化UKF滤波估计方法是有效的。