无迹卡尔曼滤波（UKF）的应用比较分析

在高斯噪声环境下,由于扩展卡尔曼滤波（EKF）在目标跟踪应用中精度低和可能出现的滤波发散,将无迹卡尔曼滤波（UKF）应用于非线性系统的目标跟踪.通过UKF在目标跟踪中的应用和仿真结果的分析比较表明,与EKF相比较,UKF收敛快、对噪声适应能力强,算法实现简单.     

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。     

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.     

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.     

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。     

基于TDOA/Doppler测量的联邦UKF移动位置估计算法(英文)

为了进一步提高移动台的跟踪和定位性能,提出了一种基于联邦滤波结构和简化UKF的移动位置最优估计与融合新方法.该算法以Singer移动台运动模型作为参考系统,以简化UKF滤波器作为子滤波器,对2组独立检测的TDOA和Doppler测量值进行局部估计;然后在主滤波器中,对子滤波器的估计结果按标量加权进行最优融合,得到全局最优或次最优融合估计结果;最后主滤波器利用全局估计结果对子滤波器和参考系统进行反馈和信息重置,以进行下一步估计.仿真试验中,对该算法用于移动台位置估计的效果和性能进行评估,并与基于TDOA和基于Doppler的简化UKF方法做比较.仿真结果表明,该算法能有效降低移动台位置估计的误差和方差,具有良好的均方根误差和均值误差CDF性能.     

基于内点法的不敏卡尔曼滤波算法

针对非线性不等式状态约束滤波问题,提出一种基于内点法的不敏卡尔曼滤波算法。该算法在不敏卡尔曼滤波的基础上结合了优化算法的思想,采用内点优化法求解非线性不等式约束条件下的最优解。在算法实现过程中,引入障碍项,用无约束障碍函数近似化受约束目标函数,采用一个相当小的正数即障碍因子,通过序列极小化方法逐渐减小该障碍因子,经过迭代快速搜索出非线性不等式状态约束问题的近似最优解。对具有约束的航路跟踪系统进行实验仿真,实验结果表明新算法在处理非线性不等式状态约束滤波问题时,能够有效地提高状态估计精度,获得较高的滤波精度,且时间复杂度较低。     

鲁棒UKF滤波算法在SINS初始对准中的应用

针对系统存在不确定性扰动时传统UKF滤波算法的滤波精度和鲁棒性均下降的问题,提出了一种基于H∞范数的鲁棒UKF滤波算法.该算法在Krein空间内对简化UKF滤波算法进行改进,增加了一个鲁棒环节.鲁棒环节通过引入给定正常数调整滤波增益从而提高滤波算法的鲁棒性能.在SINS大方位失准角初始对准中对简化UKF滤波算法和鲁棒U...     

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。     

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。     

基于自适应预测算法的APF无差拍控制方法

有源电力滤波器（active power filter, APF）补偿电流跟踪控制要求具有较高的稳态精度和较快的动态响应速度。文章将自适应预测滤波算法应用于无差拍控制,实现APF补偿电流精确控制。根据APF时域数学模型,推导滤波系统的无差拍控制离散方程;通过自适应(finite impulse response filter, FIR)预测滤波算法实现基波电流预测,消除控制系统的计算延迟,给无差拍控制提供所需的指令电流预测值。对预测算法进行MATLAB仿真,验证预测算法的稳态精度和动态跟踪快速性;实验室样机验证控制实验结果证明所提出的控制策略有效的,具有一定的实用性。     

基于贝叶斯滤波方法的心脏运动信号实时滤波算法

提出一种基于贝叶斯滤波递推状态估计的心脏运动测量信号实时滤波算法,提高心脏数据的测量精度,该方法建立了心脏运动模型与传感器误差模型,采用了扩展卡尔曼滤波与粒子滤波两种贝叶斯滤波方法的实现形式。实验结果表明,提出的算法有效地还原了心脏运动的真实值,并且满足了跟踪系统实时数据处理的要求,为整个系统精度的提高提供了保证。     

线性与非线性滤波方法仿真

在数据量测领域,对运动目标当前的运动状态进行滤波,并对目标未来的运动状态进行预测,讨论线性的数据平滑处理、最小二乘和卡尔曼滤波,通过非线性地扩展卡尔曼滤波进行仿真实验。线性与非线性滤波方法是多传感器数据预处理的主要工具,仿真实验表明,滤波方法能够有效处理运动目标量测误差。     

基于修正协方差扩展卡尔曼滤波法的电动汽车锂电池SOC在线估计(英文)

为弥补传统电动汽车锂电池SOC估计算法估计误差大的缺陷,考虑电动汽车动力电池复杂的工作条件,将参数在线辨识方法和修正协方差扩展卡尔曼滤波(MVEKF)算法结合,提出了一种锂电池SOC在线估计算法.新算法使用变遗忘因子递归最小二乘法实现模型参数在线辨识,利用修正后的状态估计值重新计算迭代过程中的协方差,并将新的过程增益值用于下一状态估计以减少滤波误差.恒脉冲放电和动态应力测试(DST)等实验表明:在电池复杂的充放电条件下,与EKF算法对比,MVEKF滤波算法估计误差更小,最多可减少5%的误差;在DST条件下的充电过程中,EKF会有较大的偏差且不稳定,而MVEKF算法可稳定地估计SOC,且鲁棒性强,适用于电动汽车电池复杂多变的工作条件.     

基于UKF算法的电池荷电状态SOC估算研究

新能源汽车锂电池荷电状态是反映电池及电源系统的重要参数,为达到实时估算SOC目的,基于无迹卡尔曼滤波算法提出SOC估算解决方案。在MATLAB/Simulink环境中建立一阶Thevenin等效电路模型和无迹卡尔曼滤波算法,通过建立混合功率脉冲特性实验,辨析出不同SOC和温度对电池模型的影响参数,将辨析出来的参数代入到UKF算法中进行仿真实验。实验结果表明,该荷电状态估算具有较高的精准度。     

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。     

一种改进的正交求积分卡尔曼滤波算法

正交卡尔曼滤波在非线性滤波系统中是一种确定抽样算法，在正交规则下，更多的正交求积分方法被使用，以获得更准确的结果。然而，正交卡尔曼的计算复杂度随状态向量的维数呈指数形式增长，当正交点数量较大时，滤波效率较低。介绍了两种降低正交点的方法，两种方法被用于正交卡尔曼时，称之为改进的正交卡尔曼。该方法在大量的正交点状态估计下依旧可以获得精确的结果，而且效率更高，最后实验证明了该方法的有效性。     

面向异常事件监控的目标跟踪算法设计

针对异常事件监控的需求,提出一种运动目标跟踪算法.该算法首先运用背景减法检测出运动目标,然后运用SURF(speeded-up robnst features)对运动目标进行特征提取和特征匹配,结合扩展卡尔曼滤波器(EKF)实现目标跟踪.实验结果表明,该算法能够有效地解决静态场景下异常事件监控等问题,具有较好的实时性和鲁棒性.