基于CKF的半潜平台压载舱液位估算法

针对液位计在半潜式起重拆解平台压载舱液位的测量过程中由于液位波动、外界干扰测量结果出现偏差、收敛速度慢及不稳定等问题,提出了一种基于容积卡尔曼滤波(Cubature Kalman Filter,CKF)的液位估算法。首先,对液位计的测量过程进行建模,建立运动方程;其次,基于容积卡尔曼滤波对测量结果进行滤波估计,建立量测方程,得到液位的滤波估计。仿真实验结果表明:经过基于容积卡尔曼滤波估计的液位值,具有更高的稳定性、可靠性和精度。     

基于多传感器鲁棒容积卡尔曼融合的半潜式起重平台立柱快速压载舱液位估计

在半潜式起重平台立柱快速压载舱的液位测量过程中，由于可能存在传感器故障和外界干扰等因素，从而产生观察野值并导致系统输出的可靠性降低。针对此问题，本文提出一种基于多传感器鲁棒容积卡尔曼融合（Multi-Sensor Robust Cubature Kalman Fusion,MSRCKF）的液位估计算法。借鉴Huber等价权函数的思想，引入一个自适应因子以抑制观测野值对容积卡尔曼滤波的影响，再通过基于扩展信息滤波的矩阵变换推导出近似等效于集中式融合的MSRCKF算法。仿真结果表明，MSRCKF算法可以在单传感器发生故障的情况下有效地提高液位测量系统估计值的可靠性和稳定性。     

多传感器融合技术在船舶液位监测中的应用

目前国内外许多船舶采用了液位监控系统,极大地提高了船舶的自动化程度。为了保证液位监测的准确性与可靠性,针对环境干扰易导致液位测量结果出现偏差的问题,构建新的液位监控系统,对液位测量的精度进行分析和改进。考虑液位监控系统中存在一步随机时滞的情况,对传感器测量液位的过程进行数学建模,基于卡尔曼滤波和矩阵加权融合算法,提出一种新的多传感器融合算法。通过仿真实验,表明多传感器滤波融合算法能够使液位测量更精确、更稳定,且易于故障监测和分离。     

卡尔曼滤波算法在船用雷达运动目标跟踪滤波器中的应用

首先介绍离散卡尔曼滤波的系统模型并进行理论分析,在观测噪声矢量是白噪声的情况下设计船用雷达运动目标跟踪滤波器,然后模拟实际海面跟踪目标来获得发送端数据进行滤波器的性能仿真。实验结果表明,当观测噪声协方差矩阵和实际的噪声协方差矩阵相近时,卡尔曼滤波器具有滤波精准度高、收敛速度适中及稳定性强等优点。     

Alpha-beta滤波在船舶动力定位状态估计中的应用

船舶动力定位系统已广泛应用于海洋工程中,状态估计是动力定位系统的重要组成部分。在工程应用中,状态估计方法主要采用基于卡尔曼滤波的算法,但是这些算法对于船舶首向的滤波效果并不理想。alphabeta滤波是一种不基于模型的稳定常增益滤波器,其结构与卡尔曼滤波类似。本文设计了一种混合滤波器,采用alpha-beta滤波对船舶首向进行滤波,扩展卡尔曼滤波对船舶横向和纵向进行滤波,以改善船舶首向的滤波效果。通过将混合滤波器的滤波效果与扩展卡尔曼滤波器进行对比,验证了alpha-beta滤波用于船舶首向滤波的可行性和有效性。     

基于渐消记忆自适应滤波的船舶动力定位算法仿真

由于船舶在海上运动的复杂性和非线性,精确的船舶动力定位系统数学模型难以建立.为了实现有效的动力定位控制,需要应用一定的状态估计滤波算法得到所需的船舶运动低频信号.采用常规的Kalman滤波,状态变量的新测量值对预测值的修正作用下降,旧测量值的影响随着计算步数的累积而相对提高,这是引起滤波发散的主要原因之一.文章针对船舶动力定位系统中使用常规的Kalman滤波而存在的模型不精确、 不能准确表达系统噪声和测量噪声等问题,采用渐消记忆自适应滤波估算低频运动信息,在状态估计算法中引入渐消记忆因子,减小旧测量值对状态估计值的影响权重,从而增大新测量值的作用;并根据滤波发散判断准则,选择适当的渐消记忆因子值来抑制滤波器的发散,使控制器输出较为平稳,从而降低推力系统不必要的能耗.仿真实验表明,所设计的自适应滤波器的收敛性、跟踪性优于常规的Kalman滤波,有效地提高了系统的定位精度和稳定性.     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法.该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态.Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定.     

一种雷达目标运动要素解算方法研究

针对船舶导航避碰对水面目标运动要素实时高精度估算的要求,给出了一种基于去偏转换坐标卡尔曼滤 波思想的目标跟踪算法.在算法中,通过非线性坐标转换并去偏后得到去偏转换测量值,实现目标状态方程和量测方程在笛卡尔坐标系的线性方程,采用标准卡尔曼滤波算法进行滤波.因此,只要解出去偏转换量测值误差方差即可按标准的卡尔曼滤波算法对目标进行跟踪.仿真结果表明,在保证滤波器不失配的前提下,去偏转换坐标卡尔曼滤波(DCMKF)算法收敛迅速并有较高精度,能够满足导航雷达实时应用的需求.     

利用卡尔曼滤波预测船舶航行轨迹异常行为

随着计算机控制技术的飞速发展,在船舶的航行预测和控制领域,人们相继开发出了各种智能化的预测算法,从而保证了船舶航行的安全。在船舶的行为预测和控制中,需要大量的传感器对船舶的姿态信息、设备状态信息和通信导航设备信号进行采集,因此本文着重研究了信号的滤波算法。本文提出了基于卡尔曼滤波算法的船舶航迹跟踪技术,并针对船舶的航行特点,建立了适当的运动模型和状态方程,最后通过仿真实验,对扩展卡尔曼算法的目标跟踪性能进行验证。     

基于模型预测扩展卡尔曼滤波的动力定位状态估计

针对传统扩展卡尔曼滤波由于动力定位系统过程噪声不能自适应更新,导致滤波精度下降的问题,提出了一种模型预测扩展卡尔曼滤波算法。该算法通过比较一段时间内的量测值和预测值,估计系统噪声参数,从而实时修正系统过程噪声方差。仿真结果表明,当系统的过程噪声未知的情况下,模型预测扩展卡尔曼滤波的滤波性能明显优于传统扩展卡尔曼滤波。     

基于渐消记忆自适应滤波的船舶动力定位算法仿真（英文）

由于船舶在海上运动的复杂性和非线性,精确的船舶动力定位系统数学模型难以建立。为了实现有效的动力定位控制,需要应用一定的状态估计滤波算法得到所需的船舶运动低频信号。采用常规的Kalman滤波,状态变量的新测量值对预测值的修正作用下降,旧测量值的影响随着计算步数的累积而相对提高,这是引起滤波发散的主要原因之一。文章针对船舶动力定位系统中使用常规的Kalman滤波而存在的模型不精确、不能准确表达系统噪声和测量噪声等问题,采用渐消记忆自适应滤波估算低频运动信息,在状态估计算法中引入渐消记忆因子,减小旧测量值对状态估计值的影响权重,从而增大新测量值的作用;并根据滤波发散判断准则,选择适当的渐消记忆因子值来抑制滤波器的发散,使控制器输出较为平稳,从而降低推力系统不必要的能耗。仿真实验表明,所设计的自适应滤波器的收敛性、跟踪性优于常规的Kalman滤波,有效地提高了系统的定位精度和稳定性。     

并行扩展卡尔曼滤波的船舶模型参数辨识研究

随着人类对海洋的开发,对船舶数学模型的要求越来越高。为确定船舶运动模型的未知参数,首先针对船舶特点建立相应的数学模型,并提出一种并行扩展卡尔曼滤波算法,该方法通过一种并行计算使辨识效率更高,之后设计辨识实验,将得到的辨识结果进行仿真,并且与传统扩展卡尔曼辨识的结果进行对比,仿真结果表明改进的算法优于扩展卡尔曼滤波。     

船舶交通服务系统雷达网误差配准算法

在船舶交通服务系统(Vessel Traffic Services,VTS)利用多台雷达组成的雷达网中,如果雷达的系统误差未经配准就进行多雷达数据融合,则会使融合结果不可信而严重影响其航迹跟踪质量.平方根无味卡尔曼滤波 (Square-root Unscented Kalman Filter,SRUKF)是一种改进的无味卡尔曼滤波(Unscented Kalman Filter,UKF)算法,它借鉴了平方根卡尔曼滤波(Square-root Kalman Filter,SRKF)能克服滤波发散的思想来设计滤波器,不仅具备无味卡尔曼滤波的全部优点,而且克服了无味卡尔曼滤波由于滤波数值计算中舍入误差的积累而容易导致协方差矩阵失去非负定性的缺点,具有更好的数值稳定性.利用平方根无味卡尔曼滤波实现船舶交通服务系统中的雷达网系统误差配准,并通过Matlab仿真对该方法和无味卡尔曼滤波的滤波性能进行了比较,仿真结果验证了该方法的可行性和有效性.     

卡尔曼滤波器在船舶运动模型参数辨识中的应用

船舶航行在广阔洋面时,由于速度极快,因此具有很好的机动性,但遇到恶劣天气时,会面临很大的控制难题,尤其是控制信号的传递和导航数据的传输过程中会面临较强的干扰问题。本文主要研究船舶运动模型参数的辨识问题,采用卡尔曼滤波器对输入信号进行处理,能够主动分离出有用信号和噪声信号。在滤波过程中,通过对滤波参数进行提取,能够提高滤波效率,显著改善了船舶运动控制的水平。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法。该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态。Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定。     

H^∞滤波在无源北斗／SINS组合导航系统中的应用

无源北斗接收机输出有色噪声大,数据跳变点多,噪声分析和建模工作困难。而传统的卡尔曼滤波存在不确定的滤波统计参数,滤波稳定性不高,提出将H^∞滤波用到无源北斗／SINS组合导航系统中。H^∞滤波追求噪声干扰对可控输出的影响最小,即强调系统的鲁棒性,而且不需要建立精确的数学模型,也不需要精确知道系统的统计特性,滤波参数设置简单。通过仿真实验验证,在相同滤波误差模型下,其滤波算法稳定性高于卡尔曼滤波的稳定性。     

基于传感网络的舰船航行系统振动检测

传统船舶航行系统振动检测获取的检测结果,受到整体检测工具的影响,其信号契合度较低。为了有效解决这一问题,设计基于传感网络,以F-P滤波调解为核心设计新型船舶航行系统振动检测方法。利用数据信号反射模和滤波腔,进行信号滤波调解,选取完整振动信号波,根据数据极值,对其进行模态分解生成IMF数据值,减少数据噪声,对信号进行有序隔离,采用Colerra数据集算法提取船舶振动信号特征,计算Colerra数据核值,将最优核值进行有序排列,即可获取当前振动检测结果,实现船舶航行系统的振动检测。通过仿真实验分析设计振动检测方法的性能数据,实验结果表明应用新设计的振动监测方法获取到的检测数据信号,最大频谱测量值准确度提高了29%,最小频谱测量值准确度提高27%,可以有效提高信号契合度,具有实际应用价值。     

捷联惯性姿态测量系统的扩展遗忘因子递推最小二乘算法研究

在实际大型动态测量船动态变形测量应用中准确确定捷联惯性姿态测量系统噪声模型和相关性比较困难,采用常规卡尔曼滤波(KF)会导致较大的状态估计误差,甚至使滤波器发散.针对这一问题,在分析扩展遗忘因子递推最小二乘(EFRLS)算法的稳定性基础上将EFRLS估计误差与带系统相关噪声的卡尔曼滤波器估计误差进行了比较,并针对大型测量船动态环境采用EFRLS算法对变形参数进行了估计,仿真结果验证了EFRLS算法在噪声信息未知情况下的有效性.     

基于粒子群优化卡尔曼滤波的水下机器人信号处理

在卡尔曼滤波的基础上,引入粒子群优化算法,对卡尔曼滤波方法进行改进,提出基于粒子群优化的卡尔曼滤波器模型,从而提高水下机器人测量数据的精度,降低系统噪声和量测噪声所带来的误差。水池仿真试验结果表明改进的滤波方法有效、实用。     

船舶组合导航系统综合卡尔曼滤波研究

本文首先建立了船舶组合导航系统的七维动态方程和四维测量方程,然后在对系统非线性推广卡尔曼滤波、非线性推广自适应卡尔曼滤波和克服滤波发散的方法进行分析的基础上,提出了一种新型综合卡尔曼滤波器。仿真结果证明,新方法的可靠性及精度比推广的卡尔曼滤波和推广的自适应卡尔曼滤波,都有了很大程度的改善。