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。     

基于UKF联邦滤波的动力定位船舶运动状态估计

针对动力定位船舶,采用基于无迹卡尔曼滤波(UKF)的联邦滤波技术,利用多种位置参考系统和电罗经的测量值来实现对船舶运动状态的估计。从传感器测量原理出发,采用非线性的测量方程,实现对多种位置参考系统传感器特征的描述,利用UKF滤波方法和联邦滤波结构将动力定位船舶配备的多个冗余位置参考系统的测量数据进行有效融合,从而提高对船舶运动状态估计的精度和可靠性。仿真结果表明,采用基于UKF的联邦滤波方法可以有效实现对动力定位船舶相关运动状态的估计。     

动力定位中跟踪环境力突变的自适应无迹卡尔曼滤波

无迹卡尔曼滤波可以在状态估计中滤去噪声干扰,已经被广泛应用于动力定位系统中.针对复杂海洋情况下动力定位系统需要准确、及时地估计当前时刻的状态而无迹卡尔曼滤波无法跟踪状态突变的问题,为此文章提出了一种自适应无迹卡尔曼滤波.通过及时判断状态值突变并适当调整后验均方差矩阵,可有效地跟踪船舶状态并减小实际位置与定点位置的偏差.仿真实验证明了算法的有效性.     

基于改进高斯粒子滤波的船舶非线性状态估计

针对标准粒子滤波的粒子贫化问题,提出一种基于改进高斯粒子滤波(Improved Gaussian Particle Filter,IGPF)的船舶非线性状态估计器。首先基于序贯重要性采样(Sequential Important Sampling,SIS)的理论框架,给出标准粒子滤波(Particle Filter,PF)算法,然后在此基础上用高斯分布来作为重要性分布给出高斯粒子滤波(Gaussian Particle Filter,GPF),并将Unscented卡尔曼滤波用于重要性密度函数形成IGPF,应用于动力定位船的状态估计。仿真结果表明,基于IGPF的非线性状态估计器能有效避免粒子贫化、估计船舶状态,并对观测野值有一定的鲁棒性。     

SRI-VC2110DP动力定位系统控制算法设计

针对2 000 t回转起重船定位及SRI-VC2110DP动力定位系统的需求,在建立回转起重船数学模型的基础上,提出2种动力定位系统预测控制策略。该控制策略在风和流的前馈控制基础上,采用基于卡尔曼滤波的状态估计方法用于估算船舶低频运动信号。仿真结果表明,所提出的方法能够有效的对船舶进行动力定位控制。     

动力定位中跟踪环境力突变的自适应无迹卡尔曼滤波（英文）

无迹卡尔曼滤波可以在状态估计中滤去噪声干扰,已经被广泛应用于动力定位系统中。针对复杂海洋情况下动力定位系统需要准确、及时地估计当前时刻的状态而无迹卡尔曼滤波无法跟踪状态突变的问题,为此文章提出了一种自适应无迹卡尔曼滤波。通过及时判断状态值突变并适当调整后验均方差矩阵,可有效地跟踪船舶状态并减小实际位置与定点位置的偏差。仿真实验证明了算法的有效性。     

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UKF和线性优化的改进粒子滤波算法

针对标准粒子滤波算法存在的粒子退化问题,提出了一种改进的粒子滤波算法,该算法将不敏卡尔曼滤波算法（UKF）、线性优化的思想和基本粒子滤波算法相结合,运用不敏卡尔曼滤波算法获得重要性概率密度函数,提高了粒子的使用效率;运用线性优化的思想,保证了所有粒子都以一定的概率对状态估计作出贡献,提高了粒子的多样性。仿真结果表明,改进的算法很好的解决了基本粒子滤波存在的粒子退化问题,具有更高的状态估计精度。     

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。     

船舶动力定位系统非线性无源观测器的仿真

船舶动力定位系统是维持动力定位船舶在航行过程中的位置和方向,保证船舶姿态。为了克服环境干扰对船舶航行造成的影响,文章采用非线性无源观测器对船舶的综合位置信号进行分离,滤除船舶高频运动成分,估计出船舶低频位置和运动速度。利用控制器对低频运动进行补偿,从而较精确控制船舶姿态。仿真结果表明该非线性无源观测器的状态估计性能和滤波效果良好,船舶运动最终能稳定于目标位置,验证了该非线性无源观测器的有效性。     

基于采样的非线性滤波算法比较

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度。由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度。为了获得更高的估计精度,介绍了几种非线性滤波算法,包括unscented卡尔曼滤波算法、简单粒子滤波算法以及无味粒子滤波算法（UPF）。分析了这几种算法的原理和实现,对各种算法的适应性进行了比较。通过目标跟踪仿真实验,表明UKF、PF较EKF估计精度和收敛速度有所提高。     

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.     

基于舵角信息的航向修正和横漂速度估计算法研究

阐述了舰船在机动情况时舵角反馈信号对航向精度的提高以及对横漂速度的估计作用,结合舰船的运动模型和航向角H与舵角β的关系模型,考虑横漂速度对舰位的影响,引入舵角反馈信息,建立了有舵角反馈信息参与的kal-man滤波模型,并利用Matlab软件将有/无舵角信息参与的kalman滤波模型进行了比较,结果显示有舵角信息参与的kal-man滤波模型效果较好。     

一种基于自适应进化策略采样的粒子滤波算法

提出了一种自适应进化策略算法(AES),该算法利用适应度值控制变异步长的自适应调整,从而提高了进化策略的搜索效率和精度。将AES算法和粒子滤波(PF)相结合,提出了基于自适应进化策略采样的粒子滤波算法(AESPF)。该算法将AES应用于粒子重采样,以保证粒子的有效性和多样性。通过仿真计算表明,提出的算法可以有效提高滤波性能。     

工程船动力定位系统滤波器设计与研究

为了解决卡尔曼滤波器在给定艏向线性化和过程噪声矩阵难以精确计算的问题,在建立船舶动力定位系统数学模型的基础上,设计了基于Sage-Husa自适应滤波算法的动力定位系统滤波器,并针对具体船型进行了滤波器设计,通过实船试验表明此方法能够很好的滤除高频运动信息的干扰,准确地估计出船舶低频运动信息,在工程上是可行的。     

新颖的GPS动态滤波算法及其在船舶导航中的应用研究

本文首先建立起ＧＰＳ动态定闰的数学模型，然后运用一种新颖的滤波算法对ＧＰＳ信号进行处理，最后研究了ＧＰＳ定位技术在船舶导航中的应用。     

基于时延数据融合的港口船舶监控策略研究

在对现有港口船舶航行监控方法以及导航技术详细分析的基础上,结合基于Kalman滤波的数据融合技术,讨论了利用雷达、GPS以及AIS数据进行港口船舶导航算法和监控策略的设计问题。针对现有的时延平滑估计存在的缺点,提出一种基于时延的集中式预测估计融合算法。新算法具有很高的实时性和可实施性,同时,将新算法与现有的时延平滑估计融合算法相集成,提出一种完整的船舶导航和监控策略,计算机仿真算例验证了新算法的优越性,同时显示了新监控策略的有效性。     

基于水声传感器网络的目标纯方位运动分析

研究了基于水声传感器网络的目标纯方位运动分析原理及方法,建立了基于水声传感器网络的目标运动分析模型。在此基础上,讨论了模型中多维非线性估计问题,提出了一种基于传感器网络新的水下目标运动分析方法。该方法采用改进的粒子滤波EKF-PF(扩展卡尔曼-粒子滤波)算法实现,并与传统的扩展卡尔曼滤波(EKF)和粒子滤波(PF)算法进行了比较。通过Monte Carlo仿真分析,表明基于水声传感器网络的目标运动分析方法充分利用了网络的优势和当前测量信息。这种方法对水下目标运动状态估计时,不仅降低了计算量而且表现出较高的估计精度。所得结论为水下传感器网络进行目标被动定位提供了参考。     

改进UKF算法在双基阵纯方位目标跟踪中的应用

传统算法在解决纯方位目标跟踪时存在有偏、收敛速度慢或发散等不足,无迹卡尔曼滤波（UKF）虽然改善了系统线性化误差,但并没有明显改善卡尔曼滤波器容易发散的问题。文章在扩展卡尔曼滤波和UKF算法的基础上,提出一种衰减记忆UKF算法（MAUKF）,引进衰减因子加强对当前测量数据的利用,减小历史数据对滤波的影响。理论分析和仿真结果表明,MAUKF算法在纯方位目标跟踪中的滤波精度、稳定性和收敛时间都优于EKF、UKF算法。