基于KLD采样改进的高斯粒子滤波算法（英文）

为了自适应地调整滤波样本,本文提出了一种基于Kullback-Leibler散度(Kullback-Leible divergence,KLD)-抽样的改进高斯粒子滤波算法(Gaussian particle filter algorithm based on KLD,KLGPF)。在采样过程中,算法通过计算KLD来调整粒子集的大小,使其介于粒子的离散概率密度函数和真实的后验概率密度函数之间。当噪声服从高斯分布,且噪声的统计特性发生突变时,KLGPF具有显著的效果,仿真结果表明,KLGPF在噪声统计量突变时仍能保持良好的估计效果。在相同条件下,KLGPF的运算速度相比基于KLD采样的粒子滤波算法(Particle filter algorithm based on KLD,KLPF)的运算速度提高了28%。     

容错导航系统的一种联合滤波器结构及其算法

本文提出了一种采用联合卡尔曼滤波器结构的容错导航系统的滤波算法。这种在多处理机环境下并行处理的分布式滤波算法有效地解决了具有多子系统的容错导航系统的实时要求。主滤波器的状态联合算法保证了获得系统最优公共状态估值。基于联合滤波器结构,水文提出了容错导航系统的故障检测与隔离(FDI)算法,将故障检测隔离决策归结为各子系统的状态估值与基于系统特性及先验噪声模型的状态估值之间的均值一致性检验问题。FDI算法决策并隔离发生故障的子系统对整个系统性能的影响。基于公共状态量的概念,简化了FDI算法的计算。     

高斯粒子滤波器及其在非线性估计中的应用

为了解决非线性、非高斯系统估计问题,讨论了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。在符合高斯假设和一定的粒子数的情况下,谈算法可以获得近似最优解。与粒子滤波算法相比,其优点是不需要重采样步骤和不存在粒子退化现象。在滤波精度、运算时间等方面与扩展卡尔曼滤波、Unscented滤波、高斯厄米特滤波及一般的粒子滤波进行了比较分析,仿真结果表明该算法性能优于其他算法。     

基于自适应容积粒子滤波的车辆状态估计

针对车辆状态估计中由模型的强非线性、噪声的非高斯分布等相关因素导致估计精度下降甚至发散的问题,本文提出了基于自适应容积粒子滤波(Adaptive cubature particle filter,ACPF)的车辆状态估计器。首先基于非稳态动态轮胎模型,构建高维度非线性八自由度车辆模型。其次利用自适应容积卡尔曼滤波(Adaptive cubature Kalman filter,ACKF)算法更新基本粒子滤波(Particle filter,PF)算法的重要性密度函数,以完成自适应容积粒子滤波算法设计。利用车载传感器信息,运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。搭建Simulink-Carsim联合仿真平台进行了算法的验证,结果表明该算法状态估计精度高于传统无迹粒子滤波(Unscented particle filter,UPF)算法,且算法运算效率高于UPF算法,而传统PF估计值发散。研究结果为实现车辆动力学精准控制提供了理论支持。     

一种新的鲁棒非线性卡尔曼滤波

Huber方法是一种基于l1/l2联合范数的估计方法,该方法可以实现估计的鲁棒性,同时尽量不损失滤波精度和效率.基于Huber估计的无味卡尔曼滤波虽提高了无味卡尔曼滤波的鲁棒性,但这种方法用统计线性回归模型来近似非线性的观测模型,损失了无味变换的精度.从Huber方法的数学意义出发,对观测信息(观测值或观测噪声)进行重新构造,然后对精确的非线性观测方程进行标准的无味卡尔曼滤波,这种新的基于Huber方法的无味卡尔曼滤波无需对非线性观测方程进行线性近似,在保持鲁棒性的前提下提高了滤波精度.通过一个具有混合高斯分布观测噪声的简明实例,验证了新算法在鲁棒性、滤波精度以及估计一致性方面的优势.     

基于QPSO粒子滤波的航空发动机突变故障诊断

针对标准粒子滤波算法对突变故障诊断迟缓的问题,提出了量子行为粒子群优化(Quantum-behaved particle swarm optimization,QPSO)的粒子滤波算法。该算法引入权值偏差系数的概念,当权值偏差系数超出设置的阈值时,认为系统发生故障,并结合最新的观测值,将量子行为粒子群优化算法融入到粒子的采样过程中,驱使粒子向高似然区域移动,提高粒子群对突变故障的估计性能。仿真结果表明,与标准粒子滤波算法相比,量子行为粒子群优化的粒子滤波算法显著提高了对突变故障的反应速度。     

基于高斯混合模型和变量重构组合法的故障诊断与分离

提出了一种将变量重构与高斯混合模型结合的故障诊断与分离的方法。首先建立过程数据的高斯混合模型,解决了监控过程的测量数据不服从单峰的高斯分布所带来的问题,然后进行故障数据变量重构,估计未知参数并采用最大期望算法来估测均值与协方差矩阵。在此基础上建立统计模型进行故障的诊断与分离。与传统的贡献图分离故障的方法比较,通过田纳西-伊斯曼化工过程进行实验验证,本文提出的高斯混合模型与变量重构相结合对多状态过程进行故障的诊断与分离收到较好效果。     

基于极大后验原理的非线性系统传感器故障估计

针对扩展卡尔曼滤波算法(Extended Kalman filter,EKF)计算复杂,粒子滤波算法动态跟踪能力差,单一无先导扩展卡尔曼滤波算法(Unscented Kalman filter,UKF)滤波精度低等缺陷,本文根据极大后验原理(Max-imum posterior principle,MPP),针对一类非线性系统设计了一种改进型的无先导卡尔曼故障估计滤波器来估计被控系统所发生的加性传感器故障。首先根据极大后验估计原理,推导出一种最优常值故障估计器。在此基础之上,推导出次优的加性常值故障估计滤波器,并对故障估计滤波器进行了无偏性证明。最后,将得到的理论结果应用于非线性倒立摆系统,仿真验证了所提方法的有效性。     

GPS/INS组合导航系统的鲁棒滤波研究

卫星定位／惯性导航(GPS／INS)系统可形成优势互补而使短期和长期精度都有保证。GPS／INS组合导航系统通常使用Kalman滤波进行信息融合来削弱或消除系统噪声和测量误差,然而使用Kalman滤波要求系统动态模型精确和噪声的统计参数已知。但实际中构造精确的系统动态模型是十分困难的,并且噪声的统计参数也很难事先精确预知。对H∞问题进行了理论上的分析,构造了H∞滤波来提高系统对参数不确定的鲁棒性。仿真结果表明H∞滤波对模型的不确定性的鲁棒性比应用Kalman滤波的方法有较大的提高。     

在有色高斯噪声中的离散时间检测与估计的性能分析

本文研究了在确定的观察时间内,在有色高斯噪声中检测与估计的性能与样本数之间的关系。指出相邻样本之间相关系数在0.1—0.2范围内,广义信噪比就能相当接近极限值S~2(T)。在讨论二阶相关噪声时指出,由二阶微分方程描写的高斯过程的样本序列一般不是AR(2)模型,但是当样本间隔Δ→0时,却可用AR(2)模型近似描写序列,因此求极限信噪比时可以较简便地采用AR(2)模型。最后指出最大似然估计与似然比检验之间及两者的性能测度之间的联系。     

组合导航信息融合滤波的研究(英文)

提出一种组合导航信息融合新方法,该方法能提高容错性能,更好地进行故障检测、隔离和重构.同时,当故障发生时,由于融合了系统信息,它能使重构的系统以更高的精度工作.采用这种滤波器设计了捷联惯导系统、GPS、多普勒雷达三传感器信息容错系统.仿真结果表明, 这种设计方法对陀螺、加速度计、GPS、多普勒雷达的软故障是有效的.     

Vehicle State and Parameter Estimation Based on Dual Unscented Particle Filter Algorithm

Acquisition of real-time and accurate vehicle state and parameter information is critical to the research of vehicle dynamic control system. By studying the defects of the former Kalman filter based estimation method, a new estimating method is proposed. First the nonlinear vehicle dynamics system, containing inaccurate model pa rameters and constant noise, is established. Then a dual unscented particle filter （DUPF） algorithm is proposed. In the algorithm two unscented particle filters run in parallel, states estimation and parameters estimation update each other. The results of simulation and vehicle ground testing indicate that the DUPF algorithm has higher state estimation accuracy than unscented Kalman filter （UKF） and dual extended Kalman filter （DEKF）, and it also has good capability to revise model parameters.     

余度MEMS-IMU/GPS组合导航系统

对采用余度配置的MEMS-IMU/GPS组合导航系统进行了研究。分析了微小型组合导航系统的特点和误差模型,针对惯性/GPS伪距组合导航模式下,卡尔曼滤波器需要对量测方程线性化的缺点,提出了基于改进平淡粒子滤波的滤波算法。该算法采用权值控制参数决定粒子是否进入平淡卡尔曼滤波器,有效降低了滤波计算量,并和UPF算法精度相当。研究表明,改进平淡粒子滤波算法对系统性能有明显提高,在GPS信号受到遮挡、暂时不可用的情况下,具有较好的抑制误差作用,适合余度微惯性/GPS组合导航系统的应用。     

惯性速度辅助下GPS／捷联惯导组合系统性能研究

ＧＰＳ／惯性导航组合系统目前正得到越来越广泛的应用，但ＧＰＳ接收机载波环失锁时，码环的速率辅助信息来自惯导系统，由于惯性速度的不精确性及伪距测量误差和它之间的相关性，将可能导致组合系统工作的不稳定，本文根据码环的工作特性，在组合卡尔曼滤波器中考虑了码环的跟踪误差，利用ＧＰＳ／捷联惯导组合系统的导航性能，结果表明，ＧＰＳ／捷联惯导组合系统中，若消除了伪距测量误差与惯性速度误差之间的相关性，将可较显著     

简化的混合估计算法及其在GPS／SINS深组合中的应用

为解决GPS/SINS深组合导航系统滤波的非线性和噪声的不确定性的问题,针对深组合模型特点,设计了一种简化的基于U滤波的多模型混合估计滤波器。根据系统模型中状态方程是线性方程、观测方程是非线性方程的特点,提出了一种简化的U滤波算法(Ultra tight coupling unscented Kalman filter,UTCUKF),然后针对噪声变化建立了非线性模型,多模型混合估计滤波器的输出为各滤波器的概率加权融合,因此模型概率是根据噪声变化而调整的,从而也使系统输出对噪声变化具有一定自适应能力。最后进行了仿真,并与基于普通U滤波的多模型混合估计算法进行了比较。结果表明,本文算法的解算时间短,模型切换速度更快,而估计的精确度与同条件下的基于普通U滤波的多模型混合估计算法相当,更符合深组合系统高动态的要求。     

基于软件无线电技术的GPS软件接收机的研究与实现

深入研究了GPS软件接收机的相关算法,阐述了GPS软件接收机设计过程中信号搜索、跟踪以及伪距定位等关键技术。针对搜索过程中利用信号相关法求解精频速度慢的缺点,提出了相位关系解算法;进一步分析二阶跟踪环路工作原理,对其带宽进行优化设计,使接收机具备较高的动态性能和较低噪声影响。基于Matlab环境,通过优化算法结构,设计并实现了GPS软件接收机算法应用程序。最后通过实际测试数据对算法进行了验证,该接收机可以处理12通道卫星信号,并且各项指标分析结果均达到单点伪距定位要求。     

极性采样倒相编码数字脉冲压缩处理器的检测性能

本文阐述了极性采样倒相编码数字脉冲压缩处理器的非参量恒虚警率(CFAR)特性。这种处理器实质上是简化的Dicke-fix,也是窄带信号的符号检测器。确定了高斯和非高斯噪声中的检测性能。说明了这种处理器相对于非相干匹配滤波器的信噪比损失随码长增加而减小;在高斯噪声中的渐近损失为1.96dB;在Weibull噪声中的损失随Weibull分布形状参数减小而减小,甚至可转为得益。     

Improved Algorithm of Variable Bandwidth Kernel Particle Filter

Aiming at the large cost of calculating variable bandwidth kernel particle filter and the high complexity of its algorithm, a self-adiusting kernel function particle filter is presented. Kernel density estimation is facilitated to iterate and obtain new particle set. And the standard deviation of particle is introduced in the kernel bandwidth. According to the characteristics of particle distribution, the bandwidth is dynamically adjusted, and the particle distribution can thus be more close to the posterior probability density model of the system. Meanwhile, the kernel density is used to estimate the weight of updating particle and the system state. The simulation results show the feasibility and effectiveness of the proposed algorithm.