基于Elman网络的舰船组合导航系统误差补偿研究

为了提高卡尔曼滤波估计精度，提出了一种基于回归神经网络补偿卡尔曼滤波器估计误差的方法。根据Elman网络与非线性ARMA模型工作原理的相似性，利用Elman网络做误差估计器，补偿卡尔曼滤波器的估计精度。实际舰船航行数据仿真测试表明，该方法有效可行。     

基于非线性Kalman滤波器的长序列立体图象运动估计

讨论一种基于运动模型的，从长序列含噪立体图象中估计目标运动参数的方法，目标的运动模型具有恒进动的旋转分量和恒加速的平移分量，而模型参数和估计采用一个带阻尼因子的迭代Ｋａｌｍａｎ滤波器，为以非线性滤波器的发散性，文中建立了一个产生状态初始值的线性算法，最后给出计算机模拟的结果。     

一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法

针对海洋背景噪声和水声传感器测量噪声大、信噪比低所导致的水下SLAM方法数据关联复杂、精度低的问题,提出一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法,该方法基于PHD滤波避免了复杂的数据关联,且在非线性函数高斯权重更新过程中引入平方根无迹变换,并进一步结合衰减记忆滤波,解决了由于模型误差和计算误差造成的协方差矩阵非正定和不对称性所导致的滤波发散问题,提高水下SLAM方法的精度.仿真实验将所提方法与RB-PHD-SLAM和UKF-PHD-SLAM方法进行对比分析,结果表明所提方法在对自身定位及地图特征估计精度上均有了明显的提高.     

车辆操纵稳定性状态估计算法比较研究

建立了基于运动学的车辆3自由度状态估计模型,分别将扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和粒子滤波（PF）应用到车辆状态估计中,通过仿真试验比较了3种算法的估计效果。结果表明,车辆工作在线性稳定区域时,EKF算法效果最优,而车辆工作在强非线性区域并处于失稳状态时,PF算法效果最优。     

基于低空风预测模型的救援航迹修正规划方法

针对低空救援航迹易受到侧风影响难以获得准确的航迹规划路径问题,采用数据融合方法预测低空风,修正航空器的低空规划航迹.首先,将飞行区域内的国际交换站作为观测点,通过应用基于无迹卡尔曼滤波（UKF）的数值气象预报释用技术,将观测点的风速、风向记录数据与预报值进行融合,建立低空风预测模型;其次,利用该模型,校正预报数据的系统误差,得出修正的风预测值;最后,结合航空器的爬升率、巡航速度等性能参数与所经航路点的风速、风向信息,依据速度矢量合成原理,修正各航路点的过点时刻.仿真实验表明,与传统的卡尔曼滤波预测方法相比,由UKF方法预测得到的风速、风向RMSE分别减少了12.88%与17.50%,对初始规划航迹的修正更为精确.      

基于多传感器信息融合的列车定位方法研究

针对城市轨道交通中列车定位问题,提出了一种基于联邦卡尔曼滤波器的多传感器信息融合列车定位方法,建立了GPS/IPS/DR信息融合模型,对GPS/IPS/DR组合的信息融合定位进行了MATLAB仿真,结果表明,GPS/IPS/DR融合定位能提高列车的定位精度和可靠度,能很好的抑制传统列车定位中的积累误差.     

多采样率卡尔曼滤波器在汽车状态估计中的应用

为了改善复杂系统中单采样率控制策略的控制品质,在深入研究多采样率数字控制系统和卡尔曼滤波算法的基础上,提出了输入多采样率的卡尔曼滤波算法.将该算法应用于汽车主动前轮转向系统中,对横摆角速度、质心侧偏角和纵向车速进行估计,通过Carsim与Simulink的联合仿真以及蒙特卡罗试验,验证了算法的有效性.研究结果表明:多采样率卡尔曼滤波算法有利于融合多个输入量的信息,能改善状态估计器的性能,比单采样率卡尔曼滤波算法具有更高的稳定性,且估计误差减小4.0%～48.7%.     

基于改进无迹卡尔曼滤波的动力定位系统状态估计

动力定位（DP）船舶状态估计的准确性是影响其在海面上沿期望航迹运行或位置固定的关键因素。在DP状态估计研究中，当遇到观测噪声反常或噪声协方差与算法不符等情况时，无迹卡尔曼滤波（UKF）无法调整算法参数以适应海洋环境的变化，严重影响着状态估计的精度。鉴于此，提出一种基于误差序列协方差估计的自适应UKF，利用观测变量残差更新观测噪声协方差矩阵R。设计基于自适应UKF的状态估计器，对DP船舶纵荡、横荡和艏摇3个重要状态变量进行估计。数值仿真结果表明，提出的自适应UKF能明显降低纵荡、横荡和艏摇3个状态变量的估计误差，状态估计的准确性和滤波平滑性均优于传统UKF算法。     

基于LO-EKF算法的分布驱动电动汽车状态估计的研究

本文中对分布式驱动电动汽车的状态估计进行研究。首先利用龙伯格状态观测器实时观测对车辆的状态估计影响较大的路面坡度,接着,提出了采用扩展卡尔曼滤波算法,以车辆ESP传感器所获取的数据信息作为观测值,对分布式驱动电动汽车的动力学状态变量进行估计。最后进行Carsim和MATLAB联合仿真。结果表明,基于扩展卡尔曼滤波和龙伯格观测器的车辆状态估计算法能较好的估算出车辆的相关动力学状态值,算法可行,收敛速度较快。     

纯距离条件下的UKF目标参数估计方法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标。无迹变换卡尔曼滤波器(Unscented Kalman Filter,UKF)通过产生采样sigma点对系统状态进行逼近,可以较好地解决这一问题。将UKF应用到多站测角被动目标跟踪问题中,并通过仿真试验证实了算法的有效性。