Kalman滤波器虚拟噪声补偿技术在陀螺随机常值漂移标定中的应用

采用Kalman滤波器对船用捷联惯性导航系统中的陀螺随机常值漂移进行标定，面临的一个重要问题是由于模型不准确，包括噪声统计特性不准确，导致估计值精度下降甚至发散。针对这一问题，本文运用自适应Kalman滤波的虚拟噪声补偿技术对陀螺随机常值漂移进行标定，收到较好的效果。     

一种基于卡尔曼最优平滑方程的开关电容网络 ———第三代(光纤传感) 轴温探测器的信号处理

列车轴温光纤传感探测器的输入信号十分微弱并混有噪声,为此研制一种特殊的滤波 器就显得尤为必要。文中分析了该探测器的噪声源,并根据光电变换信号的微分表达 式建立了卡尔曼最优平滑方程,采用开关电容滤波器精确实现了该方程,解决了列车 轴温光纤传感探测器中的信号平滑滤波问题,大大提高了系统的探测率。      

船舶横向运动多变量随机控制研究

本文基于多变量随机最优控制理论研究船舶横向运动多变量随机控制规律.文中提出两种控制规律,一种是次优控制规律,该方法简单实用但控制性能较差,另一种是最优控制规律,该方法是利用成形滤波器将有色干扰白化,并将系统模型扩充而实现的,这需要对扰动进行估计建模,因而算法上较复杂,但控制性能较前者高.文中针对典型的船舶模型及航行工况进行了大量的仿真,给出仿真结果,并对两种方法进行了比较.在减少横摇角、横摇角速度、艏摇角、艏摇角速度及横荡速度方面,次优控制可取得20%-50%的效果,但横荡位移增加了14%.最优控制可取得60%-78%的效果,但横荡位移增加了6%.在实际应用时,可按船舶实际情况选用其中一种控制规律.     

基于多尺度Kalman滤波的多传感器数据融合

通过分析多尺度动态系统模型,提出了一种基于小波变换的Kalman多传感器数据融合算法。该算法结合了Kalman滤波的实时性、递归性和小波变换的多尺度特性,能对多传感器的观测数据有效地融合。算法首先将最细尺度上观测数据滤波后得到的估计序列小波分解到各尺度上;然后在各尺度上,利用该尺度上的传感器观测数据对小波分解系数进行更新;最后利用小波重构,达到更新原始估计序列的目的。仿真实验表明,该算法具有很好的数据融合效果。     

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。     

利用速度信息改进城市道路短时交通量预测

利用速度消息的时变特性,提出了1种无需假设状态变量为平稳的基于卡尔曼滤波算法的短时交通量预测模型。依据城市道路网上下游路段交通流之间的时空演化关系,利用实时采集的路段平均速度信息构建时变的状态转移矩阵来取代常数状态转移矩阵,对现有基于卡尔曼滤波算法的短时交通量预测模型进行改进。最后以2个真实路段4d的交通量进行预测试验,相关计算结果表明:由于加强了模型的动态性,改进后的预测模型较原模型的预测精度在整体上有所提高,其中平均绝对相对误差由7.64%及16.04%分别下降至7.25%及15.75%,均等系数则由0.9572及0.9250分别提高至0.9602及0.9268,而对于交通量急速变化的时段,提高的幅度更为明显,平均绝对相对误差可降低14.8%,从而验证了所提出方法的有效性。      

公交到站时间预测研究现状与发展趋势

实时的公交到站时间预测是智能公交的重要组成部分,准确的预测有利于帮助居民进行出行规划和减少等待时间.通过研究公交到站时间预测的原理和方法,系统总结了基于GPS、APC等数据的统计学方法和分析模型.对历史平均法、神经网络、卡尔曼滤波、支持向量机和基于概率的预测模型等几种典型方法的预测原理进行了介绍,从预测精度、实时性、计算复杂性等几个方面对模型的优缺点进行了比较.分析了公交到站时间预测发展趋势,提出了该领域需要进一步研究的问题.      

基于卡尔曼滤波的交叉口排队长度实时估计模型

为解决现有排队长度估计方法不能对排队长度进行实时秒级估计的问题,本文采用车联网实时数据,构建基于卡尔曼滤波的实时排队长度估计模型.首先,以当前时刻加入和离开排队队列的车辆数为输入变量构建状态转移方程,以当前排队网联车的数量和渗透率构建观测方程;其次,采用回归模型估计状态转移方程和观测方程的噪声协方差矩阵;然后,提出基于...     

简易型GPS、角速度传感器组合导航系统

利用卡尔曼滤波器综合GPS位置信息,转向角速度和速度脉冲信息,卫星定位正常时,可识别和优化航向和速度,在卫星被遮蔽时,可利用优化后的航向和速度推算位置,从而实现真正的连续导航。     

基于改进的联邦UKF无人艇组合导航系统设计

针对无人艇在高海况下长航时,大幅度作业滤波精度较低的问题,提出一种基于联邦结构的无迹卡尔曼滤波（Unscented Kalman Filtering,UKF）算法,将其应用于自主研制的无人艇组合导航系统中。建立系统误差方程和量测方程;引入渐消因子、基于量测值与预测量测值差值的可变因子和自适应最优信息分配因子对联邦UKF算法进行改进,保持信息的强跟踪特性和组合导航系统的信息融合精度,得到全局最优估计值。 开展湖试试验,验证该组合导航系统的有效性,结果表明该系统实时性、稳定性好,抗干扰能力强,能有效提高导航精度。该方法不仅能为无人艇作业提供安全保障,而且可供其他组合导航系统设计参考。