基于UKF滤波的水下目标被动跟踪研究

传统算法在解决目标被动跟踪时存在有偏、收敛速度慢或发散等不足,文中将无迹卡尔曼滤波(UKF)算法应用到目标的被动跟踪.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.根据UT变换的基本原理给出了滤波过程的具体计算步骤并进行了仿真计算.理论分析和仿真结果表明,UKF算法的性能相当于二阶高斯滤波器,UKF算法在目标被动跟踪中的滤波精度、稳定性和收敛时间都优于EKF算法.     

水下组合导航UKF/PF自适应滤波算法

为了避免粒子滤波(PF)可能存在的粒子退化问题,提出了一种Unscented卡尔曼滤波(UKF)和PF的混合滤波算法.将PF的所有粒子分为随机性粒子和确定性粒子两部分,利用UKF状态估计为PF确定重要性函数,并从重要性函数中抽取随机粒子,而确定性粒子则由UKF的Sigma点构成.利用标准粒子滤波的退化程度指标构造自适应权函数,根据权函数权值大小的变化,UKF/PF混合滤波算法自适应地进化为PF滤波算法或退化为UKF滤波算法.仿真结果验证了UKF/PF混合滤波算法用于DR/INS组合滤波器设计的有效性.     

基于改进UKF的BDS/IMU组合列车定位方法

为提高列车定位的精确性和连续性,采用北斗卫星接收机和惯性测量单元构建车载组合定位系统.针对多传感器组合定位信息融合估计的非线性和鲁棒性需求,将抗差估计理论的等价权原理应用于标准无迹卡尔曼滤波(unscented Kalman filter,UKF)算法,构造了一种改进的UKF算法,通过对标准UKF算法的噪声协方差进行等价替换,从而起到调节滤波增益的作用,使得滤波算法对传感器观测粗差具有较强的抑制能力.将改进的UKF算法与标准UKF算法应用于列车组合定位进行仿真比较,结果表明:传感器无观测异常时,改进UKF算法的滤波精度总体上略优于标准UKF算法;当传感器观测值含有随机粗差时,改进UKF算法的滤波精度及稳定性明显优于标准UKF算法,北向、东向位置平均估计误差分别降低了48.5%、48.8%,北向、东向速度平均估计误差分别降低了43.7%、48.9%.     

基于UKF算法的车辆质心侧偏角估计

将无味卡尔曼滤波(UKF)算法运用到车辆质心侧偏角的估计之中,基于纵滑—侧偏联合工况下的统一指数(Uni-tire)轮胎模型建立非线性车辆动力学模型,采用最小偏度单形采样的UKF算法估计车辆的几个关键状态参量,并由此得到质心侧偏角估计。最后采用奇瑞A3两厢型汽车的车辆参数,使用车辆动力学实时仿真软件DYNAware/veDYNA对观测器进行了实时验证。仿真结果表明,UKF非线性估计方法精度高,估计结果能够满足实际应用要求。     

基于六参数RC等效电路模型的锂离子电池SOC估计

为提高电动车锂离子动力电池荷电状态(SOC)的估算精度,提出了一种基于六参数RC等效电路的电池模型,采用扩展卡尔曼滤波开展对电池SOC的估算方法研究。在考虑未知干扰和环境噪声的影响下,进一步提出了在扩展卡尔曼滤波的基础上的自适应卡尔曼滤波算法,并开展了对电池SOC的在线估算。仿真结果表明:虽然扩展卡尔曼滤波和自适应卡尔曼滤波都对电池SOC有较好的估算精度,但在未知干扰和噪声的影响下自适应卡尔曼滤波具有更好的鲁棒性。     

基于等效模型扩展卡尔曼滤波锂电池SOC估算

电池管理系统(BMS)的主要任务是对电池荷电状态(SOC)、续航里程和防止电池过充过放等进行实时诊断,其中电池荷电状态的快速精确的估计是BMS的核心技术。基于锂电池这一动态非线性系统,提出了一种更接近于真实的、改进的PNGV电池等效模型;基于改进的PNGV电池等效模型,对比了卡尔曼滤波算法(KF)和扩展卡尔曼滤波算法(EKF)诊断电池荷电状态的实验结果;分析了扩展卡尔曼滤波算法诊断的实验误差。研究表明:采用扩展卡尔曼滤波算法对电池荷电状态进行诊断得到的结果更加精确,其误差能够一直保持在5%以内。     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.     

一种V2X环境下基于改进卡尔曼滤波的CACC数据精度提高方法

针对V2X环境下通过车车、车路通信获取的CACC车辆行驶状态数据(包括位移、速度和加速度等)存在噪声的问题,考虑车辆在弯道行驶过程中速度方位角的变化,提出了一种改进卡尔曼滤波算法的CACC车辆行驶数据精度提高方法。该方法根据CACC车辆在弯道行驶的几何关系,通过考虑上一时刻和当前时刻车辆行驶位移、速度等行驶状态的变化,将其行驶数据经过改进卡尔曼滤波后对车辆行驶状态做出最优估计,进而提高CACC车辆行驶状态数据精度。通过CarSim和Simulink联合仿真平台建立改进卡尔曼滤波算法对CACC车辆在弯道行驶过程中获取数据的仿真和验证。仿真结果表明,改进的卡尔曼滤波算法使车辆行驶位移的精确度MSE提高了81.04%,RMSE提高了56.96%,更接近期望值,具有更好的准确性。     

基于卡尔曼滤波的车辆动态导航定位滤波算法

提出一种GPS动态定位系统模型,即是将GPS的误差等效为马尔柯夫过程,基于标准的卡尔曼滤波算法建立了一种利用GPS对车辆进行动态导航定位的滤波模型及自适应卡尔曼滤波算法.在实际研究过程中将其应用于车辆的导航定位系统,获得了显著的效果.结果验证了自适应卡尔曼滤波方法的可行性.     

基于改进FUKF的燃气轮机性能退化诊断

针对燃气轮机使用过程中由于工作状态突变导致轮机性能估计困难的问题,提出基于残差相似性的渐消无迹卡尔曼滤波（fading unscented Kalman filter with residual similarity,FUKF-RS）算法,实现燃气轮机健康参数的估计.首先,在普通渐消无迹卡尔曼滤波（fading unscented Kalman filter,FUKF）框架下,构造燃气轮机健康参数估值算法,在测量值估计更新过程中,乘以渐消因子来调节前后时刻的权重,通过强制残差正交来估计渐消因子;然后,利用前后估值时刻残差向量的余弦值表征残差阵的相似度,根据其相似度的大小关系确定残差阵的比例;最后,用该比例值代替算法中的遗忘因子,计算残差阵,实现求解的量化取值.研究结果表明:在燃气轮机状态突变条件下,FUKF-RS算法具有突变状态跟踪能力,参数估值精度比FUKF算法提高了3%左右,普通UKF（unscented Kalman filter,UKF）则不具突变状态跟踪能力;在部件性能缓慢变化时,参数的估计曲线比普通FUKF更平滑,估计精度提高了2%左右.      

基于遗传BP算法的神经网络及其在模式识别中的应用

介绍了传统的遗传算法与BP算法,并分析了它们的不足.提出了一种将遗传算法和BP算法相结合的遗传BP算法,在遗传算法的群体设计中采用小生境技术,防止优秀个体早期退化.实验证明了此方法的正确性和有效性.     

基于小波卡尔曼滤波的加速度计降噪方法

针对GF-INS中加速度计降噪的实际问题,提出了一种非零均值观测噪声小波卡尔曼滤波算法.在非标准观测噪声条件下,利用滑动数据窗内的小波变换实时在线估计出观测噪声的方差和均值,作为标准卡尔曼滤波的修正信息,从而实现了标准卡尔曼滤波算法的扩展.实验结果表明,在观测噪声为非标准噪声且统计规律未知的条件下,该自适应降噪方法能获得较好的滤波效果,加速度计信号的噪声方差强度减少了3个数量级.     

基于向量空间模型的文本自动分类系统的研究与实现

分析了文本自动分类的关键理论及技术，给出一个已实现的基于向量空间模型(VSM)的文本自动分类系统的框架模型，重点描述此系统的实现算法．此算法在训练阶段通过部分训练集确定向量的特征提取维数，并提出一种“平均值”匹配阈值调整方法，从而在精度和效率方面优于传统的分类算法．实验表明此系统查准率为91．8％，查全率为85％。     

联合动力学与运动学的汽车状态估计

为了准确估计汽车的横向速度,利用七自由度汽车动力学模型、汽车运动学方程和Duoff非线性轮胎模型,建立包含噪声统计特性的汽车离散化动力学和运动学方程,提出2种方程联合的汽车状态联合估计算法。基于球面单形径向容积卡尔曼滤波(spherical simplex-radial cubature kalman filter,SSRCKF)和汽车动力学方程估计汽车的纵向速度和横向速度,以该纵向速度为量测输入,用容积卡尔曼滤波(cubature kalman filter,CKF)和运动学方程更精确地估计汽车的横向速度。利用CarSim及MATLAB/Simulink建立估计算法模型,并验证联合估计算法的有效性。该联合估计算法在双移线工况中横向速度的估计精度较SSRCKF提高了4.73%。     

考虑不同路面附着情况的整车质量估计方法研究

利用带有遗忘因子的递推最小二乘估计,实现了一种整车质量估计方法,该方法考虑了不同路面附着情况对整车质量估计过程的影响,通过引入路面特征系数,实现了算法对不同路面附着情况的适应。基于Matlab/Simulink编写辨识算法并在CarMaker中完成仿真测试,测试结果表明所实现的辨识方法对整车质量估计的精度可控制在10%之内。此外,由于递推最小二乘估计方法和卡尔曼滤波方法之间的内在联系,通过推导表明了递推最小二乘估计方法是状态转移矩阵为单位阵的卡尔曼滤波方法的特殊形式,为2种估计方法的工程应用形式及调试过程提供了更全面的信息。     

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.      

扩展卡尔曼滤波法在12相发电机定子参数辨识中的应用

利用新型电源12相发电机精确的数学模型,得到其离散状态空间方程,在此基础上,应用扩展卡尔曼滤波算法首次实现了其定子参数辨识.利用PSCAD和MATLAB软件分别实现了电机的仿真与辨识;辨识程序分无噪声和有噪声2种情况,且2种情况辨识结果误差均控制在9%以内,证明了此方法的有效性.     

基于时频分析的去除魏格纳交叉干扰项的方法

基于对魏格纳交叉项和Matching Pursuits时频分解算法,提出了一种利用二次型标准化原理去除交叉项的仿二次型标准化魏格纳方法,并在实数域中论证了此方法的可行性.结果表明这种方法在去除交叉干扰项的应用中明显优于传统魏格纳变换,在实验中可以得出此方法和MatchingPursuits匹配追踪算法相比能达到同样效果的结论,即亦能完全去除交叉项干扰,变换时间复杂度在理论上和实验调试中远远小于匹配追踪算法,适用范围更加广泛.     

基于中心点检测与卡尔曼滤波的船舶跟踪算法

为了提升船舶跟踪效率,提出一种基于中心点检测与卡尔曼滤波的船舶目标跟踪算法.该算法根据经典的Tracking-by-Detection模式,采用中心点算法检测船舶目标,利用卡尔曼滤波算法为检测目标创建跟踪器,并通过匈牙利算法解决检测目标与跟踪器预测目标之间的匹配关联问题,从而实现对实际场景视频中船舶目标的稳健跟踪.实验结果表明,基于中心点检测与卡尔曼滤波的跟踪算法能够有效应对船舶部分遮挡、船舶形变、光线不足、小目标等复杂情况.     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。