基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

基于时频差的正交容积卡尔曼滤波跟踪算法

针对基于时频差测量的无源跟踪中面临的非线性估计问题, 提出一种正交容积卡尔曼滤波跟踪算法. 该算法在容积卡尔曼滤波算法的基础上, 通过引入特定正交矩阵改进容积采样方法, 在高维状态估计下减小因采样产生的误差, 在没有增加计算量的前提下, 有效提高收敛速度及跟踪精度. 仿真结果表明, 在基于到达时差和到达频差的联合无源跟踪问题中, 与扩展卡尔曼滤波及容积卡尔曼滤波算法相比, 本文所提算法在跟踪性能上有明显提升.     

基于鲁棒M估计和Mean Shift聚类的动态背景下运动目标检测

针对动态背景下运动目标的检测问题,提出了一种基于鲁棒M估计和Mean Shift聚类的目标检测新方法。首先,在考虑全局光照变化的情况下,构建鲁棒M估计器估计全局运动,以实现最小化相邻2帧图像中所有像素亮度的绝对残差和,根据M估计得到像素点权值,提取出代表局部运动信息的离群点;在离群点中均匀抽取网格点,然后利用Mean Shift聚类算法实现不同运动点的分割;根据聚类的结果生成凸包,准确分割出运动目标区域。实验结果表明,该方法能检测出动态背景下的多个运动目标区域,多目标检测准确度到达95%以上,并且只需两帧图像就可以准确检测并锁定运动目标,满足实时处理的要求,具有一定的工程意义.     

不完全量测下长基线系统的水下目标跟踪算法

针对不完全量测情况下长基线系统对水下目标跟踪精度会下降的问题,提出了最小二乘-容积卡尔曼滤波(Least Squares-Cubature Kalman Filter,LS-CKF)算法。选取容积卡尔曼滤波(Cubature Kalman Filter,CKF)为基本跟踪算法并将其改进为两步滤波模式.增加的第1步滤波使用最小二乘估计优化时间更新阶段的容积点,提高了第2步滤波中量测更新的精度。进一步推导了量测信息为距离时新算法的简化形式,降低了运算复杂度,使其能更好地应用于水下跟踪系统.仿真实验和湖试数据的处理结果表明,在丢失量测数据较多且初始状态误差很大的恶劣情况下,LS-CKF收敛速度比标准CKF算法提升了1倍,且跟踪误差降低10%以上。     

基于角度优化的鲁棒极端学习机算法

针对数据集样本中带有噪声和离群点问题,提出了一种基于角度优化的鲁棒极端学习机算法。该方法利用鲁棒激活函数角度优化的原则,首先降低了离群点对分类算法的影响,从而保持数据样本的全局结构信息,达到更好的去噪效果。其次,有效的避免隐层节点输出矩阵求解不准的问题,进一步增强极端学习机的泛化性能。通过应用在普遍图像数据库上的实验结果表明,这种提出的算法与其他算法相比具有更强的鲁棒性和较高的识别率。     

参数不确定统一混沌系统的鲁棒分数阶比例-微分控制

针对含参数不确定的整数阶统一混沌系统, 提出一种鲁棒分数阶比例-微分(PD^μ)控制. 通过变换将受控统一混沌系统转换成等效被控对象及其等效控制器. 针对等效被控对象, 基于一种改进Monje-Vinagre方法并考虑到求解性能约束方程组的复杂度, 设计了鲁棒PD^μ控制器. 通过基于最小相角边界传递函数和最大增益边界传递函数的设计约束来保证受控统一混沌系统对参数不确定性的鲁棒性能. 数值仿真验证了所提出方法的有效性.     

基于改进的加速鲁棒特征的目标识别

为了提高加速鲁棒特征(SURF)算法的实时性和准确性,本文提出了一种结合AGAST角点检测和改进的SURF特征描绘算法。首先利用AGAST角点检测模板检测特征点,再使用增加对角信息的哈尔小波响应来生成特征点的描述子,之后利用特征袋对产生的描述子进行编码并生成新的特征向量,最后利用支持向量机(SVM)对特征向量进行分类,完成识别。本文以SIFT和SURF算法为对照,分别进行不同视角、光照和尺度的识别实验。实验结果表明,本文算法的平均识别率为98.0%、96.9%、97.1%,平均时间分别为66.1 ms、79.3 ms、41.0 ms,在识别率上较优于SURF算法,所耗时间约是SURF算法的1/3。     

水下目标跟踪的改进非线性滤波快速算法*

为了提升水下目标的跟踪精度,该文研究了测距误差有偏条件下的水下目标跟踪算法,基于水下目标跟踪中常用的无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)算法,改进提出了将偏差系数作为状态变量之一进行联合估计的跟踪算法。结合水下目标跟踪场景的实际特点,进一步推导了这两种算法在线性状态方程条件下的简化形式,分别称为IS-UKF和IS-CKF算法。仿真实验和湖试实验结果表明,与常规无迹卡尔曼滤波和容积卡尔曼滤波算法相比,提出的两种改进算法(IS-UKF和IS-CKF算法)不仅具有同等运算量,而且提高了目标轨迹跟踪精度。     

RCLSJ约瑟夫森结混沌系统的鲁棒自适应滑模控制

讨论了具有不确定参数和外界扰动的非线性电阻-电容-电流分路结模型(RCLSJ)混沌系统的广义控制问题。基于Lyapunov稳定性理论和滑模变结构控制方法,设计了鲁棒自适应滑模控制器,使得RCLSJ混沌系统能以任意比例因子追踪期望的参考信号。该方法不需要预先知道不确定参数和外界扰动的上下界,在控制器中引入一类简单的自适应律,用以在线估计参数和界值。该控制方法对参数不匹配和外界扰动具有较强的鲁棒性。数值仿真表明了该方法的有效性。     

基于鲁棒右互质分解的直流伺服系统精确跟踪控制

对含有不确定性的直流伺服控制系统, 通过应用鲁棒右互质分解方法,设计了一种基于鲁棒右互质分解的精确跟踪控制系统;通常情况下,直流伺服系统中存在诸如非线性特性及参数辨识引起的模型误差和外界扰动,在设计的控制系统中,未知模型误差和外界扰动对系统性能的影响都被看作直流伺服系统的不确定性;在考虑到这些不确定性情况下,设计了一种基于鲁棒右互质分解理论的精确跟踪控制;首先在考虑未知的不确定模型影响系统性能指标的情况下,设计了一种基于演算子理论的反馈控制结构,此结构可以消除不确定模型的影响,在此基础上,设计了基于鲁棒右互质分解的鲁棒精确跟踪控制系统,得出精确跟踪条件;仿真结果表明使用提出的方法可以有效地消除不确定性,使得伺服系统具有很强的鲁棒性和精确跟踪能力。     

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.     

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.     

Signal reconstruction in wireless sensor networks based on a cubature Kalman particle filter

For solving the issues of the signal reconstruction of nonlinear non-Gaussian signals in wireless sensor networks(WSNs), a new signal reconstruction algorithm based on a cubature Kalman particle filter(CKPF) is proposed in this paper.We model the reconstruction signal first and then use the CKPF to estimate the signal. The CKPF uses a cubature Kalman filter(CKF) to generate the importance proposal distribution of the particle filter and integrates the latest observation, which can approximate the true posterior distribution better. It can improve the estimation accuracy. CKPF uses fewer cubature points than the unscented Kalman particle filter(UKPF) and has less computational overheads. Meanwhile, CKPF uses the square root of the error covariance for iterating and is more stable and accurate than the UKPF counterpart. Simulation results show that the algorithm can reconstruct the observed signals quickly and effectively, at the same time consuming less computational time and with more accuracy than the method based on UKPF.     

Unscented Kalman filter and its nonlinear application for tracking a moving target

The extended Kalman filter (EKF) is probably the most widely used estimation algorithm for nonlinear systems. However, more than 40 years of experience in the estimation community has shown that is difficult to implement, difficult to tune, and only reliable for systems that are almost linear on the time scale of the updates. To overcome these limitations, this paper proposes the unscented Kalman filter (UKF). And the algorithms of the FEKF, SEKF and UKF are given. Furthermore, the state models and measurement models of a target are set up. For comparison purpose, the three algorithms is simulated for the target tracking, and the algorithm performance is analyzed and compared by the simulation results of FEKF, SEKF and UKF. Numerical results demonstrate that FEKF and UKF give almost identical results while the estimates of SEKF are clearly worse. The UKF is easier to implement, avoiding Jacobian and Hessian matrices computation.     

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。     

基于卡尔曼滤波的分布式光纤Raman测温系统

分布式光纤喇曼测温系统采用了线性逼近的方法进行温度解调,并通过灵敏度分析法获取了相应的线性解调参数。为了提高系统的精度,在信号累加平均去噪的基础上,采用了卡尔曼滤波的方法,通过对前一时刻的估计值与当前测量值的递推,实现了对存在测量噪声的温度信号的最优化估计,完成了对现场采集信号的实时更新和处理。实验验证了该滤波方案的可行性,随着外界环境温度的变化,测温系统能够得到合理的温度曲线,测量误差小于1℃。系统响应性良好,性能稳定,能够适应复杂的环境变化。     

Sampling strong tracking nonlinear unscented Kalman filter and its application in eye tracking

The unscented Kalman filter is a developed well-known method for nonlinear motion estimation and tracking. However, the standard unscented Kalman filter has the inherent drawbacks, such as numerical instability and much more time spent on calculation in practical applications. In this paper, we present a novel sampling strong tracking nonlinear unscented Kalman filter, aiming to overcome the difficulty in nonlinear eye tracking. In the above proposed filter, the simplified unscented transform sampling strategy with n+2 sigma points leads to the computational efficiency, and suboptimal fading factor of strong tracking filtering is introduced to improve robustness and accuracy of eye tracking. Compared with the related unscented Kalman filter for eye tracking, the proposed filter has potential advantages in robustness, convergence speed, and tracking accuracy. The final experimental results show the validity of our method for eye tracking under realistic conditions.     

基于卡尔曼滤波的低复杂度去混响算法*

在电话会议、智能音箱等应用场景下,传声器往往处在声源的远场。混响信号的存在会掩蔽后续到达的直达声信号,降低传声器接收信号的语音质量,以及语音识别系统的准确识别率。多通道线性预测算法是一种经典的盲去混响算法,但该算法往往具有较高的计算复杂度。本文提出了一种简化的卡尔曼滤波更新算法,通过对角化卡尔曼滤波器状态向量误差协方差矩阵,降低了自适应多通道线性预测去混响算法的复杂度。通过与现有分块对角简化算法对比发现,本文提出的简化算法在保证语音质量的同时,进一步降低了原卡尔曼滤波算法的复杂度。