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UT变换改进多模型滤波的水下航行器导航方法

为了提高水下航行器组合导航系统的精度,针对滤波算法存在较大的截断误差和累积误差等问题,提出了一种基于无迹变换改进多模型滤波算法,并利用辅助信息对估计结果进行修正。首先通过无迹变换产生Sigma点对非线性测量方程进行近似,构造伪观测量进行偏差估计,然后利用基于加权因子的辅助信息融合算法,消除累积误差,进一步提高系统估计精度,最后给出算法的实现过程。仿真结果表明:与常规的多模型滤波算法相比,本文方法提高了估计精度。     

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.     

基于云计算的卡尔曼滤波速度诱导模型研究

利用自适应卡尔曼滤波器来建立城市快速路瞬时交通预测模型,同时通过Hadoop基础框架及Ma—pReduce的编程模型设计和开发了交通属性指标最小约简云处理系统,并在此基础上对车辆进行速度诱导控制,建立了以车辆总行程时间为目标函数的诱导优化模型。并以上海南北高架南段东线为例建立了仿真场景,对模型进行了参数标定与校验,通过有效性与性能分析表明：用云计算能够提高运算效率,且速度诱导控制后,降低了路段上交通流的整体速度差异,提高了交通安全性。     

基于一阶差分滤波器的水下目标纯方位角跟踪

在水下目标纯方位角跟踪研究中,针对传统扩展Kalman滤波(EKF)方法需要通过Taylor 展开实现非线性项的线性化而导致计算过程繁琐且存在奇点的问题,本文提出一种基于一阶差分滤波器(DDF1)的纯方位角跟踪算法,建立了目标的运动学模型及无源声纳的测量模型;利用 Stirling插值法实现非线性项的线性化,进而通过DDF1滤波方法实现对目标位置及速度的跟踪。仿真结果与一致性分析表明,与基于EKF的目标纯方位角跟踪方法相比,论文所提出的算法具有较高的跟踪精度和较好的跟踪性能。     

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%.     

基于模糊扩展卡尔曼滤波的轮毂电机驱动车辆纵向速度估计算法

为了获取轮毂电机驱动车辆的纵向速度,设计了基于轮速信号和车身加速度信号的扩展卡尔曼滤波的估计算法,建立了研究对象的离散状态方程和测量方程,并采取不同的扩展卡尔曼滤波器对测量信号进行滤波去噪处理和车辆纵向速度估算.通过模糊控制器,对车速估计滤波器的估算参数进行实时动态调节,实现了估计算法的自适应性.研究结果表明,在路面附着系数为1.00的良好路面上,估算得到的车速和动力学模型输出的实际车速误差小于2%;在路面附着系数为0.25的路面上,最大估算误差小于10%.      

一个鲁棒性冲突解脱轨迹规划模型

针对固定航路飞行条件下高密度运行空域多航空器实时冲突解脱轨迹规划问题,为了获取高空风场数值及增强航空器冲突解脱轨迹的鲁棒性,根据航空器的运行状态构建了高空风场线性和非线性滤波模型.采用模型预测控制理论,通过将预测模型的校正过程转化为高空风场数值的滤波过程,在给各航空器设定解脱优先权重及考虑两类解脱变量物理约束条件的前提下,从航空器的动态协同特性出发,构造能够反映控制输入量优劣的指标函数,提出一种能够适应空域环境变化的冲突解脱航迹在线滚动规划方案.算例分析表明,所提出的在线解脱轨迹规划方案可行有效.     

基于神经网络的公交车辆行程时间预测模型研究

城市公交丰辆行程时间预测是公共交通信息服务和运营调度的重要内容,要求较高的实时性和准确性。本文以智能交通运输系统为背景,通过分析公交车辆的行驶特性,基于改进的神经网络模型,建立了公交车辆动态行程时间预测模型,并对比了三种不同输入变量方案的神经网络预测模型,表明该模型具有良好的适用性。此外,将该方法与卡尔曼滤波法的行程时间预测模型进行比较,结果表明,基于神经网络的动态行程时间预测模型精确度较高。     

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.