同步荧光、导数荧光与卡尔曼滤波荧光光度法用于混合荧光染料同时测定的比较研究

本文以荧光光谱重叠的罗丹明Ｂ和罗丹明６Ｇ二组分混合体系为例考察了卡尔曼滤波法处理荧光光谱数据与荧光光谱法中的同步荧光技术和数值导数方法对该体系荧光光谱的解析能力。由于该体系中二组分谱峰重叠程度较轻，采用同步荧光技术可以将二者完全分开。用卡尔曼滤波法处理常规荧光光谱数据也获得了令人满意的结果。但该体系的一阶导数光谱不仅不能将二者分开，而且灵敏度降低，不及前二种方法。     

卡尔曼滤波紫外光度法同时测定酱油、食醋中的山梨酸和苯甲酸

在酸性条件下，采用乙酸乙酯萃取、Na2HPO4溶液反萃取分离酱汪、食醋中的山梨酸、苯甲酸，卡尔曼滤波法计算结果，并与比值导数波谱法进行比较。结果表明，卡尔曼滤波法较地数波谱法有较高准确度和精密度，并能监测干扰物质存在与否。用于实际样品分析有更高的可靠性。     

电感耦合等离子体原子发射光谱分析中光谱干扰校正卡尔曼滤波法研究

本文利用电感耦合等离子体原子发射光谱多色仪的扫描功能,用卡尔曼滤波法对各种光谱干扰进行校正。结果表明,该法能处理各种类型光谱干扰,不需要样品基体匹配,其测定回收率明显优于在峰法和离峰法,具有简便、准确等优点。     

电感耦合等离子体原子发射光谱分析中光谱干扰校正卡尔曼滤波…

本文利用电感耦合等离子体原子发射光谱多色仪的扫描功能，用卡尔曼滤波法对各种光谱干扰进行校正。结果表明，该法能处理各种类型光谱干扰，不需要样品基体匹配，其测定回定加收率明显优于在峰法和离峰法，具有简便，准确等优点。     

Kalman滤波荧光光度法同时测定酪氨酸、色氨酸和苯丙氨酸

苯丙氨酸的荧光峰完全包含在酪氨酸荧光峰之中，酪氨酸和色氨酸的荧光峰也严重重叠。用卡尔曼滤波法解析该体系给出了令人满意的分析结果。回收率为９４．０～１０５％，相对标准偏差不大于３．６％（个别一点除外）。将试剂空白作为一个组分计算，从而免去了试剂空白扣不准给分析结果带来的影响。利用新息序列的白噪音特性来判断结果的可靠性。     

同步荧光,导数荧光与卡尔曼滤波荧光度法用于混合荧光…

本文以荧光光谱重叠的罗丹明Ｂ和罗丹有６Ｇ二组分混合体系为例考察了卡尔曼滤波法处理荧光光谱数据与荧光光谱法中的同步荧光技术和数值导数方法对该体系荧光光谱的解析能力。由于该体系中二全分谱峰重叠程度较轻，采用同步荧光技术可以将二者完全分开。用卡尔曼滤波法处理常规荧光光谱数据也获得了令人满意的结果。但该体系的一阶导数光谱不仅不能将二者分开，而且灵敏度降低，不及前二种方法。     

基于小波变换的卡尔曼滤波法在ICP-AES中的应用

在ICP－AES中，卡尔曼滤波是一种有效的光谱干扰校正方法，它在强背景、谱线重叠严重的情况下，仍可得到很好的分析结果；并且有比传统分析线法在纯组分试样条件下更低的检出限。然而，噪声的存在影响了卡尔曼滤波的准确度。小波变换因其多分辨分析的特性，近年来被用于分析信号的去噪，而且该方法简单、快速，是一种很有效的去噪方法。本文首先用仿真数据研究了噪声对卡尔曼滤波法的影响；其次，将小波变换引入卡尔曼滤波法，提出了基于小波变换的卡尔曼滤波法，仿真实验结果表明，该方法能有效提高卡尔曼滤波法的分析准确度。     

加权增量卡尔曼滤波法在ICP－AES中的应用

卡尔曼滤波法用于ＩＣＰ－ＡＥＳ分析时，在白色噪音情况下能给出准确的分析结果，当试样的某些组分未知时，测量噪音将不是白色的，分析结果将不准确。本文提出了一种加权增量卡尔曼滤波法来解决这个问题。     

扩展卡尔曼滤波和不敏卡尔曼滤波在实时雷达回波反演大气波导中的应用

为了改善雷达回波反演大气波导(RFC)方面存在的单时次、单方位角反演的问题,提出利用扩展卡尔曼滤波和不敏卡尔曼滤波的反演算法对大气波导结构的多方位角实时跟踪反演. 在卡尔曼滤波方法中分别给出大气波导结构的参数化方程、观测方程、滤波算法的状态转移方程,最后导出滤波反演算法的迭代求解流程. 在大气波导结构不随时间变化和随时间变化的两种条件下,对扩展卡尔曼滤波和不敏卡尔曼滤波算法进行数值实验. 实验结果表明,不敏卡尔曼滤波更适用于RFC这高度非线性反演问题,它可能今后为大气波导结构多方位角实时跟踪反演的业务化运行提供理论基础与技术保证. 关键词： 大气波导 雷达回波 扩展卡尔曼滤波 不敏卡尔曼滤波     

四种多变量校准方法在FTIR多组分分析中的性能比较

本文对四种多变量校准方法－－经典最小二乘法（CLS），偏最小二乘法（PLS），卡尔曼滤波法（KFM）以及人工神经网络法（ANN）－－在多组分浓度分析方面的性能进行了比较。选择五种红外谱图严重混叠的大气有机毒物－－1，3－丁二烯，苯，邻二甲苯，氯苯和丙烯醛－－作为分析对象。分别计算各种方法对该5组分体系的平均预测误差MPE和平均相对误差MRE进行比较。结果表明，偏最小二乘法在处理这类问题中是最稳健的方法。     

Variational Bayesian-Based Improved Maximum Mixture Correntropy Kalman Filter for Non-Gaussian Noise

The maximum correntropy Kalman filter (MCKF) is an effective algorithm that was proposed to solve the non-Gaussian filtering problem for linear systems. Compared with the original Kalman filter (KF), the MCKF is a sub-optimal filter with Gaussian correntropy objective function, which has been demonstrated to have excellent robustness to non-Gaussian noise. However, the performance of MCKF is affected by its kernel bandwidth parameter, and a constant kernel bandwidth may lead to severe accuracy degradation in non-stationary noises. In order to solve this problem, the mixture correntropy method is further explored in this work, and an improved maximum mixture correntropy KF (IMMCKF) is proposed. By derivation, the random variables that obey Beta-Bernoulli distribution are taken as intermediate parameters, and a new hierarchical Gaussian state-space model was established. Finally, the unknown mixing probability and state estimation vector at each moment are inferred via a variational Bayesian approach, which provides an effective solution to improve the applicability of MCKFs in non-stationary noises. Performance evaluations demonstrate that the proposed filter significantly improves the existing MCKFs in non-stationary noises.     

一种提高共聚焦显微镜信噪比算法的研究

基于共焦显微镜的成像特点,建立了Kalman滤波算法的理论模型,把Kalman滤波方法引入到系统中,提出一种基于图像像素的Kalman滤波算法,并实现了实时化的Kalman滤波器。实验结果表明:该算法能够有效地提高共焦显微镜信噪比,但是以牺牲时间为代价,提高系统分辨率的根本方法还是要着重考虑优化成像系统光路和探测电路。     

基于简化模型与自适应滤波的车载SINS静基座快速对准

为了实现捷联惯性导航系统(Strap-down Inertial Navigation System,SINS)快速初始对准,根据已有可观测性分析结果,通过理论分析和计算得到了扩展观测量时初始对准系统最优可观测状态量组合,在此基础上简化了对准模型,建立了新的系统方程。针对载车发动机启动或其他情况导致系统噪声无法精确统计,提出了运用基于强跟踪滤波原理的自适应卡尔曼滤波(Kalman Filter,KF)算法抑制滤波发散,加快收敛速度。仿真结果表明运用简化模型和自适应滤波在系统噪声不匹配时具有更快的收敛速度和更高的对准精度,车载实验结果也表明运用简化模型和自适应滤波可以实现快速对准。     

卡尔曼滤波在激光跟踪测量系统中的应用

激光跟踪测量系统对于测量运动目标空间位置是行之有效的,但在测量过程中,各种干扰噪声的影响会降低测量精度。采用卡尔曼滤波来减小噪声的影响以提高测量精度。介绍了激光跟踪测量系统,建立了状态方程和测量方程,给出了卡尔曼滤波算法,仿真结果表明,运用卡尔曼滤波大大提高了测量系统的精度。     

逼近积分点数下限的五阶容积卡尔曼滤波定轨算法

为了在保持滤波定轨精度不变的条件下提高定轨计算的实时性,提出一种新的逼近积分点个数下限的五阶容积卡尔曼滤波定轨算法.首先,采用一种数值容积准则对非线性函数的高斯加权积分进行近似,该准则所需的积分点个数仅比五阶代数精度容积准则积分点个数的理论下限多一个积分点,并在贝叶斯滤波算法框架下推导出本文算法的更新步骤.然后,给出实时定轨所需的状态方程和量测方程,在状态方程中考虑了J2项引力摄动和大气阻力摄动,在量测方程中利用坐标系转换推导了轨道状态与测量元素之间的非线性关系.仿真实验结果表明,本文所提算法在定轨精度方面与已有的五阶滤波算法相当,但所需的积分点个数最少,计算实时性最高,从而验证了本文算法的有效性.     

角闪烁噪声测量条件下的剩余飞行时间估计

针对雷达导引头角闪烁噪声测量条件下的机动目标,研究剩余飞行时间计算方法。建立了闪烁噪声计算模型;在粒子滤波算法和扩展卡尔曼滤波算法的基础上,推导了扩展卡尔曼粒子滤波算法的实现过程;根据估计结果建立了剩余飞行时间计算模型,在剩余飞行时间表达式中考虑了目标机动加速度的影响。仿真结果表明,基于机动目标当前统计模型的扩展卡尔曼粒子滤波算法对闪烁噪声测量条件下的机动目标具有良好的跟踪性能,对剩余飞行时间具有较高的估计精度。     

基于Huber的高阶容积卡尔曼跟踪算法

为改善高阶容积卡尔曼滤波算法的滤波精度和鲁棒性, 提出了一种新的基于Huber的高阶容积卡尔曼滤波算法. 在采用统计线性回归模型近似非线性量测模型的基础上, 利用Huber M 估计算法实现状态的量测更新. 进一步结合高阶球面-径向容积准则的状态预测模块构成基于 Huber的高阶容积卡尔曼跟踪算法. 重点分析了Huber代价函数的调节因子对算法跟踪性能的影响. 通过对纯方位目标跟踪和再入飞行器跟踪两个实例验证了所提算法的跟踪性能优于传统高阶容积卡尔曼滤波算法.     

A generalized polynomial chaos based ensemble Kalman filter with high accuracy

As one of the most adopted sequential data assimilation methods in many areas, especially those involving complex nonlinear dynamics, the ensemble Kalman filter (EnKF) has been under extensive investigation regarding its properties and efficiency. Compared to other variants of the Kalman filter (KF), EnKF is straightforward to implement, as it employs random ensembles to represent solution states. This, however, introduces sampling errors that affect the accuracy of EnKF in a negative manner. Though sampling errors can be easily reduced by using a large number of samples, in practice this is undesirable as each ensemble member is a solution of the system of state equations and can be time consuming to compute for large-scale problems. In this paper we present an efficient EnKF implementation via generalized polynomial chaos (gPC) expansion. The key ingredients of the proposed approach involve (1) solving the system of stochastic state equations via the gPC methodology to gain efficiency; and (2) sampling the gPC approximation of the stochastic solution with an arbitrarily large number of samples, at virtually no additional computational cost, to drastically reduce the sampling errors. The resulting algorithm thus achieves a high accuracy at reduced computational cost, compared to the classical implementations of EnKF. Numerical examples are provided to verify the convergence property and accuracy improvement of the new algorithm. We also prove that for linear systems with Gaussian noise, the first-order gPC Kalman filter method is equivalent to the exact Kalman filter.