基于无迹卡尔曼滤波器的雷达测距算法研究

广义卡尔曼滤波(EKF)在进行数据处理时,仅对测距系统和量测方程作泰勒级数展开且仅保留线性项,因而EKF只适用于弱非线性对象的估计,被处理对象的非线性越强,引起的估计误差就越大,甚至会引起滤波发散。将无迹卡尔曼滤波(UKF)应用于非线性系统的目标处理。通过UKF在雷达测距中的应用和仿真结果分析表明,与EKF相比,UKF收敛快、对噪声适应能力更强且算法实现更简单。自适应无迹卡尔曼滤波（AUKF）可以对系统模型进行实时估计,通过分析知道无迹卡尔曼滤波算法满足实时性跟踪要求,实现了对运动目标的快速跟踪。     

非线性系统卡尔曼滤波新方法

为了在非线性、非高斯系统估计中获得更好的精度,提出一种新的unscented卡尔曼滤波(UKF).采用确定性采样方法,通过选择unscented变换中的参数α＝0.85,β＝2和l＝0,确定出2n 1个σ点,使这些σ点完全符合非线性系统Yi＝F(Xi)的高斯随机变量的均值和方差.仿真结果表明:σ点通过实际的非线性系统Yi＝F(Xi)传递后,其后验均值和协方差可以达到泰勒展开式的三阶精度,广义卡尔曼滤波(EKF)只能达到一阶精度.该UKF滤波与EKF算法复杂度相近,但具有比EKF更好的估计精度.     

变温度下EKF和UKF的锂电池SOC估算对比

动力电池的荷电状态(State of Charge,SOC)是预估电动汽车剩余有效行驶里程的重要参数之一。为提高锂电池SOC 的估算精度,考虑了温度对锂电池特性的影响。通过实验得到温度对电池容量的关系曲线,以及得到OCV-SOC-T 的函数映射关系,基于二阶RC 等效电路模型,利用带遗忘因子递推最小二乘法(Forgetting Factor Recursive Least Square, FFRLS)对模型进行实时在线参数辨识。在不同温度和工况条件下,采用扩展卡尔曼滤波(Extended Kalman filter,EKF)和无迹卡尔曼滤波( Un-scented Kalman filter, UKF)算法对锂电池的SOC 进行估算并对比验证,结果表明,EKF 在动态压力测试工况(DST)和美国联邦城市运行工况(FUDS) 的均方根误差分别在4.93%和4.69%以内,UKF 在DST 和FUDS 工况下的均方根误差分别在1.47%和1.49%以内。研究结果表明,FFRLS联合EKF和UKF都可以实时估算SOC,且在不同温度和不同工况条件下,UKF算法相较于EKF算法,抗干扰能力更强,估算精度更高,收敛性更好。     

EKF和UKF在惯导初始对准中的应用研究

针对初始对准的精度直接影响系统工作性能问题,在初始对准中引入扩展卡尔曼滤波算法（EKF）和Unscented卡尔曼滤波算法（UKF）。EKF算法将非线性系统线性化,是在非线性系统中常用的一种滤波方法 UKF算法没有把非线性系统近似为线性系统,而是使用确定性样本的方法处理非线性问题,使采样点的均值和方差完全符合实际的非线性系统的均值和方差。仿真结果显示,使用Unscented卡尔曼滤波时惯性导航系统初始对准的精度和稳定性都好于普遍使用的扩展卡尔曼滤波算法。     

非线性、非高斯系统滤波的最优估算

为了探寻非线性、非高斯系统滤波的最优算法,运用Python搭建Monte Carlo仿真实验模型,观察了扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、重要性重采样算法(SIR)和辅助粒子滤波(APF)的状态估计曲线,对比了仿真结果的RMSE平均值,对各种滤波算法进行性能评估.实验结果表明,EKF对于强非线性系统会出现滤波发散现象,APF比UKF和SIR有更好的跟踪准确性.     

空间目标的数据处理研究

随着人造卫星的日益智能化,精确跟踪卫星的坐标和速度也越来越重要.然而,目前对空间目标的跟踪滤波研究主要集中在航天、天体测量等领域,在雷达数据处理领域则鲜有研究.本文针对雷达数据处理的特点,采用协议地球坐标系下的卫星运动模型分析比较了最小二乘法、扩展卡尔曼滤波法和不敏卡尔曼滤波法的性能.研究结果发现扩展卡尔曼滤波的费效比最好,适合用于空间目标的跟踪滤波.     

GPS动态导航定位的当前统计模型与自适应滤波

GPS动态定位的数据处理中广泛应用卡尔曼滤波,而卡尔曼滤波的应用要求动态模型（函数模型）和随机模型可靠和切合实际,但实际测量定位中难以保证观测对象的规则运动,因而容易出现模型误差.针对GPS动态定位的这一问题,本文探讨了在实际应用中存在模型误差时的卡尔曼滤波,介绍了一种基于协方差匹配技术的自适应卡尔曼滤波算法,该法当Q已知时可以准确地估计出R.它的独特之处在于原理上易于理解,在实际中也很容易实现,它是通过判定发散的判据,求出噪声统计的估计值,然后再按得到的噪声统计估计值计算新息序列的协方差阵,因此消除了滤波发散现象.     

无迹卡尔曼滤波在新型地形无源组合导航系统中的应用

为了提高自主水下航行器的导航精度,提出了一种新型地形无源组合导航系统.根据水下环境特点和航行器导航高精度和低成本的要求,采用捷联式惯性导航系统、地形辅助导航系统、多普勒速度声纳、电子磁罗经和利用UKF进行信息融合的导航计算机组成新型水下地形无源组合导航系统,并给出了EKF线性滤波方程、UKF非线性滤波方程和导航传感器量测方程.对比仿真实验表明,采用建议的传感器和UKF信息融合方式比采用EKF方式提高了水下航行器导航定位的精度.采用不同的导航传感器和UKF信息融合方法的地形无源组合导航系统可以有效地减小水下航行器导航位置误差,提高组合导航的稳定性和精度.     

基于 UKF 的脑部麻醉深度状态监测

根据脑电图信号进行脑状态跟踪是一个具有挑战性的问题。基于 NMM 的方法可以在神经科学及临床应用中推测潜在生理学变化,同时跟踪脑状态,具有广阔的应用前景。NMM 中的 IPSP 振幅和 IPSP 速率常数可以直观反映受试者麻醉引起的生理学变化。提出采用无迹卡尔曼滤波（UKF）估计神经群模型参数,并讨论所估计的参数随麻醉深度的变化情况。结果进一步说明 IPSP 振幅参数估计和 PSP 速率常数会因受试者不同而不同,但所有参数会随时间即麻醉水平的提升而增加。IPSP 振幅估计值显示每个受试者的最大波动,反映了对瞬时脑电图波动的敏感性。     

非线性估计中无味滤波（UKF）与扩展卡尔曼滤波（EKF）之比较研究

作为传统非线性估计方法的代表,扩展卡尔曼滤波(EKF)存在明显的缺陷.时于强非线性系统,无味滤波(UKF)由于选用有限个采样点获取系统的近似分布,并无需计算量测方程的Jacobian矩阵,显示出对非线性系统估计的优越性.本文选用了一个应用于航天器相对导航中的非线性估计的例子进行仿真,仿真表明UKF的滤波精度要优于EKF.     

基于IMMUKF的目标定位跟踪算法研究

目标定位跟踪的关键在于得到精确的定位数据,而要获取精确的定位数据取决于高效的滤波算法。无迹卡尔曼滤波由于具有定位精度高、算法复杂度低等特点,被广泛应用于非线性系统中。针对无迹卡尔曼滤波在目标运动状态突变时容易出现跟踪精度下降、目标丢失等问题,对传统无迹卡尔曼滤波算法进行优化和改进,通过将无迹卡尔曼滤波与IMM卡尔曼滤波算法相结合,利用IMM算法的鲁棒性有效提高了无迹卡尔曼滤波在目标机动运动时的跟踪精度,避免了目标丢失。实验仿真结果表明,IMMUKF算法具有很好的稳定性,可实现复杂的目标跟踪。     

空间目标的数据处理研究

随着人造卫星的日益智能化,精确跟踪卫星的坐标和速度也越来越重要。然而,目前对空间目标的跟踪滤波研究主要集中在航天、天体测量等领域,在雷达数据处理领域则鲜有研究。本文针对雷达数据处理的特点,采用协议地球坐标系下的卫星运动模型分析比较了最小二乘法、扩展卡尔曼滤波法和不敏卡尔曼滤波法的性能。研究结果发现扩展卡尔曼滤波的费效比最好,适合用于空间目标的跟踪滤波。     

基于卡尔曼滤波的一级倒立摆LQR控制研究

倒立摆系统的输出不可避免地受到系统噪声和量测噪声的影响,应用卡尔曼滤波对系统输出作最优估计,可以有效地提高系统的鲁棒性。文中给出了卡尔曼滤波应用条件,对单一LQR调节器系统和前置卡尔曼滤波的LQR调节器系统作了仿真对比。并应用前置卡尔曼滤波的LQR调节器成功稳定了一级倒立摆系统。     

基于卡尔曼滤波的运动车辆序列图像参数估计

运动目标的参数估计是近代计算机视觉领域重要的研究课题．以运动车辆的序列图像为例来分析．考虑到跟踪运动车辆对实时性要求较高的特性,没有采用经典的最小二乘滤波和维纳滤波等,而采用了卡尔曼滤波方法,由于卡尔曼滤波在时域内进行,因此不需要保存更多的数据,使得跟踪结果实时输出。     

基于自适应UKF的MEMS捷联惯导传递对准研究

在导航制导武器中,针对微机电捷联惯导系统（MEMS-SINS）非线性误差的状态估计精度差和模型扰动问题,通过分析无迹卡尔曼滤波（UKF）算法中初值的选取会直接影响观测值精度的问题,结合自适应估计原理,提出一种基于自适应因子的UKF算法,该算法能够自适应地调节系统模型的扰动和初值的偏差并根据新的协方差观测值更新方程。首先建立传递对准的大失准角误差模型,然后将该算法应用于该系统状态估计中,并与标准UKF进行比较,通过计算机仿真,传递对准速度提高3s左右,精度提高将近1倍。对两种算法结果进行对比分析表明,能够抑制传递对准系统初值选取的偏差影响,降低系统状态模型扰动的影响,提高传递对准的对准精度。     

伪线性卡尔曼滤波在目标被动跟踪中的应用

在对目标进行纯方位跟踪时,伪线性卡尔曼滤波算法是一种有效的跟踪滤波方法,该方法可以很好地对目标运动状态进行估计。通过仿真证明了该方法降低了对模型精度的要求,具有较好的稳定性。     

UKF算法与SVDKF算法性能的比较

在模式识别领域,基于Unscented的卡尔曼滤波算法（UKF）广受关注,但在求解过程中经常会遇到病态问题,从而影响算法的性能。基于奇异值分解（SVD）的卡尔曼滤波算法（SVDKF）以SVD代替Cholesky分解协方差矩阵产生sigma样本点,可以提高协方差矩阵的数值稳定性。通过对两种算法性能进行仿真比较发现,SVDKF算法优于UKF算法,具有良好的鲁棒性,能有效改善滤波性能,提高算法的精度。     

噪声方差未知卡尔曼滤波平滑

文章基于噪声方差未知的卡尔曼滤波,提出新的固定点卡尔曼滤波平滑器,推导出方差未知时卡尔曼滤波平滑方程,并且给出平滑增益阵和平滑误差方差阵新算法,结论分析平滑运算可以改善滤波的性能,提高估计的精度.     

基于自适应EKF的感应电机无传感器控制

针对传统EKF(TEKF)需要长时间试凑噪声协方差矩阵且噪声特性变化时估算性能下降甚至发散的问题,提出了一种基于极大似然估计准则和有限记忆指数加权的自适应EKF算法（EW-MLE-AEKF）。在使用新息序列进行自适应调整时,系统容易因新息序列的不准确而发散,为此可以利用后验残差序列对噪声协方差矩阵Q和R进行实时调整来提高系统的稳定性。同时在加窗方法的基础上使用了有限内存指数加权算法来提高近期数据的权重,加快了估计的收敛速度。仿真和实验验证了算法在电机系统中的可行性,结果证明该算法避免了噪声矩阵的试凑过程,能够适应噪声的变化,提高了滤波精度且系统稳定性强。     

基于卡尔曼滤波与粒子滤波的SLAM研究综述

同时定位与地图构建（SLAM）问题在移动机器人研究领域受到了广泛关注,其是机器人能否实现完全自主运动功能的关键。首先阐述了SLAM系统相关模型,并介绍了经典卡尔曼滤波相关知识;其次介绍基于扩展卡尔曼滤波、无迹卡尔曼滤波与粒子滤波的SLAM算法如何解决现实世界的非线性、非高斯问题,并总结了各算法优缺点;最后,展望了基于卡尔曼滤波的SLAM算法发展趋势。