组合导航系统多重衰减因子自适应估计算法比较研究

提出了多重衰减因子自适应估计卡尔曼滤波方法,用该方法对系统每个误差状态估计进行控制,提高滤波器的估计性能。仿真结果表明,新算法在系统噪声特性不准确的情况下,能够抑制卡尔曼滤波估计的发散,GPS/SINS组合导航精度比强跟踪滤波估计的精度高。这种算法推导形式简单,计算量小,适合在线运算。     

一种基于Gauss von Mises分布模型的非线性量测更新方法

基于状态空间模型的许多传统滤波算法都基于Rn空间中的高斯分布模型,但当状态向量中包含角变量或方向变量时,难以达到理想的效果。针对J.T.Horwood等提出的nS?R流形上的Gauss Von Mises(GVM)多变量概率密度分布,扩展了狄拉克混合逼近方法,给出了联合分布的GVM逼近方法,推导了后验分布的GVM参数计算公式,设计了量测更新状态估计算法。将J.T.Horwood等的时间更新算法与所提出的量测更新算法相结合,可实现基于GVM分布的递推贝叶斯滤波器(GVMF)。仿真结果表明,当状态向量符合GVM概率分布模型时,GVMF对角变量的估计明显优于传统的扩展卡尔曼滤波器。     

Set-values filtering for discrete time-delay genetic regulatory networks with time-varying parameters

We propose a new discrete-time model for genetic regulatory networks (GRNs) in this paper. The new model includes time-varying degradation rates, translation rates of mRNA, and protein as well as time-delay and bounded external noise, which better approximates the practical GRNs. The aim is to estimate the concentrations of mRNA and protein in the proposed model. Due to the unknown external noise and time-varying parameters in this model, the set-values filtering is adopted. The so-called set-values filtering problem is to find an upper bound for the quadratic estimation error of the filtering dynamics and minimize this bound at each time step provided that the external noise is bounded. A recursive linear matrix inequality (RLMI) based optimization approach is developed to compute the filter gains. The effectiveness of the design method is illustrated via two numerical examples.     

基于新型滤波器-HABF的SINS传递对准仿真

传统动基座传递对准主要采用扩展卡尔曼滤波技术。但在动基座传递对准的非线性、非高斯条件下,这种基于模型线性化和高斯假设的滤波方法在估计系统状态及其方差时误差较大且可能发散。混合退火粒子滤波针对非线性、非高斯系统状态的在线估计问题,提出一种新的基于序贯重要性抽样的粒子滤波算法。在滤波算法中,用状态参数分解和退火系数来产生重要性概率密度函数,此概率密度函数综合考虑了转移先验、似然、噪声的统计特性以及最新的观察数据,因此更接近于系统状态的后验概率。实验仿真结果表明,这种基于混合退火粒子滤波器不仅比扩展卡尔曼滤波提高了传递对准的精度,而且又比传统的粒子算法减少了时间。     

基于渐消记忆滤波的1点RANSAC单目视觉姿态估计算法

针对1点RANSAC(Random Sample Consensus)单目视觉EKF(Extended Kalman Filter)算法中的滤波发散问题,分析了滤波发散的产生原因,提出了一种基于渐消记忆滤波的1点RANSAC单目视觉姿态估计算法。该算法通过在EKF滤波方程中引入加权因子,逐渐加大当前数据的权重,相应地减少旧数据的权重,有效地扼制了算法中的滤波发散问题。最后通过两组验证性实验验证说明了算法的有效性。实验结果表明:该算法能够有效地解决1点RANSAC单目视觉EKF算法中的滤波发散问题,具有更高的精度。第一组双轴联动实验,航向角的平均误差减小2.4158?,俯仰角平均误差减小0.1782?;第二组偏航轴大角度转动实验,摄像机航向角的估计误差一直保持在1.5?以内。     

基于极大似然准则的INS/GNSS组合导航自适应UKF滤波算法

为提高INS/GNSS组合系统对过程噪声方差不确定性的鲁棒性,提出一种基于极大似然准则的自适应UKF算法。在该算法中,首先利用新息向量的统计信息构造量测向量的后验概率密度,然后通过极大似然准则在线求取过程噪声方差的估值,并将其反馈至UKF滤波过程,用于调整卡尔曼增益矩阵。提出的算法可以抑制过程噪声方差不确定性对滤波解的影响,克服了UKF的缺陷。仿真结果表明,当过程噪声的标准差增大为其真实值的4倍时,相比于UKF,提出方法的导航精度可至少提高45.5%;相比于ARUKF,其导航精度也可至少提高35.7%。跑车实验结果也验证了提出算法的有效性。     

基于交互式多模型滤波的船体变形惯性测量方法

基于惯性测量单元的匹配滤波算法是测量船体变形的发展趋势,然而在实际航行中,船体变形模型参数是未知或存在不确定性,模型参数的这一特性对滤波估计结果影响较大。针对此问题,利用"速度+角速度"匹配算法分析了模型参数未知对滤波估计效果的影响,引入交互式多模型卡尔曼滤波方法,利用不同模型参数的似然函数进行概率分配。最后通过仿真对提出的方法进行了验证,结果表明,与传统卡尔曼滤波相比,估计精度提高了5%~10%,收敛时间提高了1倍,动态变形角的收敛时间在10 s以内,静态变形角的收敛时间在5s以内,提高了系统的环境适应性。     

基于改进无迹卡尔曼滤波器算法的滞回模型参数识别研究

地震产生的周期荷载作用下,钢混桥墩结构表现出滞回行为。为描述滞回行为,研究者提出各类滞回模型,其中BWBN(Bouc-Wen-Baber-Noori)模型可以描述结构滞回行为的强度退化、刚度退化和捏拢效应等典型特征。此外,无迹卡尔曼滤波器UKF(unscented Kalman filter)算法是识别BWBN模型参数的高效方法,但当参数初始值与真实值的偏差过大及缺乏对系统的整体估计时,UKF算法识别过程受到局限。本文改进生成样本点规则,提出改进UKF算法。数值模拟结果表明,在无噪声条件下,改进UKF算法识别得到的参数估计值与准确值的误差平均为1.51%,最大误差为4%;在2%均方根RMS(root mean square)高斯白噪声条件下,误差平均为5.43%,最大误差为18%;在5%RMS高斯白噪声条件下,误差平均为8.9%,最大误差为26%和22%。改进UKF算法识别非线性滞回系统状态估计和BWBN模型参数更加准确和稳定。     

传递对准中滤波器的收敛判据

惯性导航系统传递对准结束的判断通常是根据经验以时间作为滤波器的收敛条件,往往过于保守.针对滤波器在传递对准中的应用,基于数据的统计特性,提出了一种利用滤波结果进行收敛性判断的方法.通过滑动计算方法,在线计算滤波结果的统计特征,并通过分析影响收敛判断的因子,得到收敛判断的参数选取方法和收敛判据的阈值条件.对设计的收敛判据分别进行了数学仿真和采用真实数据的半物理仿真,验证了收敛判据的合理性和有效性,证实了采用收敛判据判断可以一定程度上缩短对准时间,提高系统的快速反应能力.     

CDKF approach for estimating a static parameter of carrier frequency offset based on nonlinear measurement equations in OFDM systems

“Central difference Kalman filtering (CDKF)” is proposed as a new state of the art approach for carrier frequency offset estimation in orthogonal frequency division multiplexing systems. The parameter of interest to be estimated in this problem is a static value rather than a dynamically varying parameter. Therefore, classical approaches (e.g., maximum likelihood method or best linear unbiased estimator) might be more pertinent than Bayesian approaches if it is assumed to be a deterministic value. Nonetheless, it is shown and justified that a recently developed extended Kalman variant, i.e., CDKF, outperforms previously proposed methods in terms of mean squared error with efficient processing speed. Particularly, it is shown that CDKF outperforms recently proposed Gaussian particle filter for this one-dimensional static parameter estimation problem.     

基于粒子滤波的烧结钕铁硼材料疲劳破坏预测方法研究

针对烧结钕铁硼在服役期间产生疲劳破坏过程的突发性和不确定性,提出了一种粒子滤波与微磁监测方法相融合的疲劳破坏预测方法。通过将烧结钕铁硼的力磁耦合模型引入粒子滤波理论框架中,设计了基于相对磁导率的粒子滤波状态方程,并采用构建的微磁监测系统来获取烧结钕铁硼疲劳破坏过程中不断变化的磁感应强度信号,建立了基于磁感应强度的粒子滤波观测方程。进一步地,将状态方程和观测方程联立,实现了基于粒子滤波方法的烧结钕铁硼疲劳破坏预测过程。试验结果表明:粒子滤波方法对于烧结钕铁硼疲劳破坏演变过程的预测具有良好的可靠性和准确性,其中在疲劳载荷为120MPa时粒子滤波预测结果的RMSE（Root Mean Square Error,均方根误差）仅为76.69,是支持向量机预测结果的1/4。本研究为脆性磁体的疲劳损伤预测提供了新的思路。     

Particle filtering for nonlinear dynamic state systems with unknown noise statistics

In this paper, we provide a tutorial for the applications of cost-reference particle filter (CRPF) to problems in signal processing disciplines. CRPF works in particle filtering (PF) framework although it may not be viewed as a Bayesian approach because the estimation is not based on the expected posterior function. CRPF has an interesting feature, i.e., the information of the noise statistics is not needed in its applications as opposed to the cases of the Kalman filter and standard PF approaches that work in dynamic state systems. Therefore, it is highly effective when the noise information is not available; nevertheless, it may not show optimal performance in general. In this paper, we introduce and disseminate this useful approach that is not known to many researchers even in related fields, and show how to effectively apply to problems which we provide as examples.     

基于DRBF-EKF算法的车辆质心侧偏角与路面附着系数动态联合估计

车辆质心侧偏角和路面附着系数是实现车辆底盘智能化所需要的关键参数. 车辆质心侧偏角对于提高车辆安全性和操控性至关重要, 轮胎-路面附着系数决定轮胎力的峰值, 进而确定汽车的动力学稳定性边界. 本文针对四轮独立驱动电动汽车提出了一种基于惯性测量单元、轮毂电机内置转速/转角传感器的车辆质心侧偏角和路面附着系数动态联合估计方法. 对四轮独立驱动电动汽车进行车辆动力学分析, 结合Dugoff轮胎计算模型得到车辆质心侧偏角估计器; 利用机器学习中高维数据降维PCA多元分析方法, 提取主元特征参数, 建立路面附着系数估计器. 采用可自适应调节网络结构的双径向基神经网络和扩展卡尔曼滤波DRBF-EKF方法, 通过K-means算法改进RBF神经网络结构, 扩展卡尔曼滤波进行噪声滤波提高估计精度, 实现车辆质心侧偏角和路面附着系数的动态联合估计. 通过仿真和实车实验表明, 所设计的DRBF-EKF动态联合估计器实时性和估计精度均优于扩展卡尔曼滤波算法, 可以适应车辆行驶过程中路面附着特性与车速的变化, 表现出较强的鲁棒性; 与DRBF方法相比, 显著提高了估计精度; 并且分析了可以同时满足估计精度和实时性要求的最佳隐含层神经元个数.      

粒子滤波在惯导系统非线性对准中的应用

首先介绍了粒子滤波中自举滤波的原理和算法，说明该算法可用于处理非线性系统的状态估计问题。进而列出了捷联惯导系统速度误差方程和姿态误差方程，并将其用于惯导系统非线性对准。最后，通过对仿真结果的分析，指出通过结合粒子滤波和传统的扩展卡尔曼滤波，可以得到一种精度优于卡尔曼滤波，而计算量小于粒子滤波的非线性滤波方法。     

组合导航系统卡尔曼滤波衰减因子自适应估计算法研究

提出了一种衰减记忆卡尔曼滤波中衰减因子的自适应估计方法,并在GPS／SINS组合导航系统中进行了计算仿真。仿真结果表明：该算法能够较好地估计出衰减因子的大小,有效地抑制滤波发散,提高导航精度。     

具有乘性噪声和随机量测时滞的目标跟踪算法

针对在机动目标跟踪过程中产生的乘性量测噪声与随机量测时滞问题,提出了一种改进的高斯滤波(GF)算法,并给出了该算法的一种具体实现形式——随机时滞和乘性噪声容积卡尔曼滤波器(CKF-RDMN)。首先,利用一组满足伯努利分布的随机序列描述随机出现的量测时滞现象。其次,利用乘性噪声满足高斯条件分布的特性,改进量测更新过程。最后依据三阶球径容积法则,对高斯积分进行求解。由于该算法是对经典GF算法的改进,因此,也可作为通用的滤波框架解决上述问题。通过与推广无迹卡尔曼滤波和推广扩展卡尔曼滤波对比,仿真结果表明,CKF-RDMN在解决乘性量测噪声与随机量测时滞问题时,具有更高的估计精度。     

基于贝叶斯理论的恢复力模型参数识别方法

提出了基于贝叶斯理论的恢复力模型参数识别方法,该方法考虑了模型误差的影响,结合实测滞回曲线数据,不仅可以得到模型参数的最有可能值,而且可以得到模型参数的定量的不确定性。以密肋复合墙体在低周反复荷载作用下所得滞回曲线为例,提出了可考虑刚度降低、捏拢滑移及极限荷载后强度降低现象的恢复力模型,建立了基于贝叶斯理论的恢复力模型参数识别计算框架,推导得到了模型参数的负对数似然函数,据此可得到模型参数的最有可能值及协方差矩阵。对标准密肋复合墙体预制试件和现浇试件的恢复力模型参数进行了识别,将根据模型参数最有可能值得到的滞回曲线及根据模型参数最有可能值及协方差矩阵得到的骨架曲线,与相应的实测值进行了对比,验证了所提方法的可行性及识别结果的合理性,更新的模型参数概率分布可用于后续的抗震风险评估。     

粒子滤波及其在导航系统中的应用综述

传统的扩展卡尔曼滤波方法要求对非线性系统近似线性化,有可能会引入较大的模型误差.应用粒子滤波解决了这一问题.该算法可以直接应用于原系统的非线性模型当中,并且不需考虑系统噪声和量测噪声是否为高斯白噪声,都能得到很好的滤波效果.文中介绍了粒子滤波的理论基础-贝叶斯估计及具体的实现方式-蒙特卡罗方法;指出粒子滤波存在的退化问题,并从减小退化现象入手将重要性采样和再采样方法引入到算法之中;最后阐述了粒子滤波在导航系统中的一些应用.     

基于改进灵敏度过滤策略的SIMP方法

在传统变密度法SIMP(Solid Isotropic Microstructures with Penalization)中,Sigmund灵敏度过滤策略是解决拓扑优化结果数值不稳定问题的重要方法之一。但在SIMP方法中采用Sigmund灵敏度过滤策略时,有时优化结果会有较多的灰度单元。为了减少拓扑优化结果中灰度单元的数量,提出了一种基于改进灵敏度过滤策略的SIMP方法。在过滤后单元灵敏度的计算中,增加了一个与中心单元过滤前灵敏度有关的部分,该部分在过滤后灵敏度中所占的比重需要通过过滤权重来调节。通过对灵敏度过滤需要的分析,确定了过滤半径和中心单元密度值是影响过滤权重的因素。根据拓扑优化实例的优化结果给出了过滤半径影响过滤权重的情况,并基于过滤半径对过滤权重的影响情况构建了过滤权重的函数。在改进灵敏度过滤策略的基础上,结合双重SIMP算法给出了本文SIMP方法的流程。最后,以悬臂梁结构和简支梁结构为例,验证了本文方法的有效性。与Sigmund灵敏度过滤策略相比,改进的灵敏度过滤策略能有效地减少灰度单元。与双重SIMP方法相比,本文SIMP方法能有效地减少数值不稳定现象。     

在实时单点定位中基于残差信息的改进抗差滤波方法

在利用卫星导航定位系统进行单点导航定位时,为了进一步提高导航定位的精度、实时性和可靠性,针对实时观测信息中存在粗差问题,基于残差分析理论,比较分析了最小二乘法、M估计、抗差滤波估计方法在GNSS单点导航定位中参数估计问题。在此基础上,针对观测量与动力学模型不准确的情况,利用残差信息,构建了有效的改进的基于残差信息的抗差滤波。其特点是观测信息误差比较大的情况下不会导致滤波精度明显下降。在GPS单点导航定位解算中,编程并计算,通过比较分析,结果验证了构建的滤波在单点定位中抗差的优越性,并在导航定位算法选择上得到一些有益结论。