渐消因子

摘要： 针对北斗卫星导航系统(Beidou Navigation Satellite System,BDS)/惯性导航系统(Inertial Navigation System,INS)列车定位模型不准确和噪声统计特性不明导致定位精度低的问题,建立基于BDS/INS的列车紧耦合组合定位系统模型。分别建立系统状态方程和量测方程,提出基于序贯辅助自适应渐消无迹卡尔曼滤波的列车定位信息融合算法。在标准无迹卡尔曼滤波(unscented Kalman filter,UKF)的基础上,该改进UKF算法引入自适应渐消因子,实时调整滤波增益,降低量测方程中噪声对状态更新的影响,提高列车定位的精度。采用序贯辅助方式增加多重渐消因子的灵活度,使得不同滤波通道具有不同调节能力,提高算法的整体性能。最后,将改进UKF与标准UKF分别应用于列车紧耦合组合定位系统模型,仿真结果表明,在列车卫星信号良好的情况下,相比于标准UKF,改进UKF算法有效降低了列车的位置误差和速度误差;在列车部分卫星信号失锁的情况下,改进UKF算法依然能够提供100 s内10 m以下的导航精度,满足列车定位的基本要求。该算法提高了导航精度,降低了列车定位的误差。

摘要： [目的]针对多自主水下航行器(AUV)在航行过程中的定位精度等问题,提出一种基于自适应渐消Sage-Husa扩展卡尔曼滤波的多AUV协同定位算法。[方法]首先,改进滤波算法中的自适应滤波器,由渐消记忆指数加权得到新息协方差估计值,并引入渐消因子修正预测误差协方差,以达到调节滤波增益的目的。然后,建立多AUV协同导航模型,得到基本的协同导航滤波过程,通过对速度、加速度及位置信息的融合,实现对跟随AUV位置状态的准确估计。最后,采用此算法与EM-EKF,EKF算法分别对AUV协同导航模型进行仿真,并对结果进行对比。[结果]结果表明,在噪声协方差不匹配时,所提算法与EM-EKF,EKF算法相比均方根误差(RMSE)分别减少17.82%和24.48%,平均定位误差分别减少17.87%和22.54%;在噪声协方差时变时,RMSE分别减少42.11%和51.23%,平均定位误差分别减少34.87%和46.90%。[结论]所提算法有效改善了滤波的可靠性、精确性和自适应性。

摘要： 针对强跟踪UKF算法与组合导航紧耦合系统模型不匹配、滤波性能不完善及滤波过程中迭代不稳定等问题,提出一种改进的强跟踪UKF滤波算法,根据强跟踪正交性原理,改进渐消矩阵的求解方法,减少滤波周期中的冗余计算,并重构UKF与强跟踪的结合方式,解决UKF与紧耦合模型不匹配的问题,有效提高强跟踪UKF滤波实际应用中的稳定性.将算法应用于紧耦合系统进行仿真验证,实验结果表明,改进的强跟踪UKF滤波算法可以提高系统的实时性和定位精度,增强系统在复杂环境下的稳定性和鲁棒性.

摘要： 配电网中各类噪声对相量测量产生较大影响,研究在高噪声环境下能够可靠检测并能快速跟踪电力信号突变的同步相量测量算法,对保证电网的稳定性与可靠性具有重要意义.提出基于量测量误差协方差次优估计的自适应强跟踪无迹卡尔曼滤波(SEMEC-ASTUKF)的同步相量测量算法.首先根据递归最小二乘法提出一种自适应常值噪声统计估计器提高量测噪声协方差估计精度;然后根据电力信号突变后特征,构建突变检测算法和渐消因子次优估计算法,改善强跟踪无迹卡尔曼滤波(STUKF)算法在高噪声环境下对突变检测能力弱和跟踪突变慢的缺陷.利用实测信号对算法性能进行验证,结果表明,SEMEC-ASTUKF算法具有更高的测量精度,对突变具有更好的检测灵敏度和更高的跟踪速度.

摘要： 全球导航卫星系统(GNSS)信号的载噪比(CNR)是衡量接收机工作性能的一个重要参数.为了准确得到载噪比估计值,推导并分析了2种常用的GNSS信号载噪比估计方法(方差求和法(VSM)、窄带宽带功率比值法(PRM)),并同时提出一种基于渐消因子容积卡尔曼滤波的自适应载噪比估计方法,比较了3种方法在通常的信号环境下和弱信号环境下的载噪比估计能力.结果显示:在信号较弱环境或信号受到遮挡产生突变等情况时,VSM方法与PRM方法均会产生较大的误差,而自适应载噪比估计方法能准确估计出信号的载噪比.

摘要： 为提高导航系统的可靠性,实时的故障诊断与隔离十分必要.序贯概率比检验(SPRT)对传感器中缓慢增长的软故障具有较高的灵敏度,但该方法却存在故障检测延迟甚至无法检测故障结束的缺陷,造成故障的漏警和误警.对SPRT在故障检测中存在的缺陷进行了分析并提出了一种渐消SPRT方法.渐消SPRT方法通过引入渐消因子,降低了历史信息对故障时刻统计量变化率与统计量的影响,进一步增强SPRT对故障的灵敏度,从而实现降低故障检测延迟并避免SPRT无法检测故障结束的问题.最后基于捷联惯导/天文/光谱红移(SINS/CNS/SRS)组合导航系统,进行了导航系统实施故障诊断仿真验证.仿真结果表明相比于SPRT,渐消SPRT能够检测到缓变故障的结束并将故障开始时刻的检测延迟降低了41％,极大地提高了SINS/CNS/SRS组合导航系统的实时估计精度与可靠性.在实时导航系统中,渐消SPRT能够起到良好的软故障检测与隔离作用,保证了系统的稳定性.

摘要： 针对基于加性噪声模型的单信标测距定位算法不能精确表征距离观测量的实际特征,存在模型失配的问题,该文给出一种考虑乘性噪声特性的联合最小二乘法和非线性渐消滤波的两步定位算法.在分析有效声速误差与距离观测量乘性噪声内在联系的基础上,建立了乘性噪声背景下的测距误差模型,通过引入一种新的弱化因子计算方法对乘性噪声背景下带单重渐消因子的非线性渐消滤波算法进行了改进,利用基于最小二乘法的预定位过程解决改进算法对初值敏感的问题.仿真及试验数据表明该算法在水下航行器接近信标的态势下定位精度明显优于加性噪声背景下的扩展卡尔曼滤波算法.

摘要： 北斗导航系统发展日益成熟,介绍了北斗定位解算与GPS解算的差异,针对扩展Kalman滤波(Extended Kalman Filter, EKF)算法在北斗解算过程中容易引入非线性误差,无迹Kalman滤波(Unscented Kalman Filter, UKF)算法受初值和系统噪声影响较大问题,提出了一种自适应无迹Kalman滤波(Adaptive Unscented Kalman Filter, AUKF)北斗定位解算算法.该算法利用观测残差信息构建自适应渐消矩阵,消除量测噪声异常带来的影响,同时提高了滤波精度.实验表明,与EKF和UKF定位解算算法相比, AUKF算法在定位精度和对系统噪声鲁棒性方面都有所提高,是一种可靠稳定的北斗定位算法.%The development of BDS is increasingly mature. In this paper, the differences between Beidou positioning solution and GPS positioning solution is described. Due to the fact that extended Kalman filter (EKF) algorithm in solving of Beidou position easily introduces the nonlinear error, the unscented Kalman filter (UKF) algorithm is affected by the sys?tematic noise and the initial value, an adaptive unscented Kalman filter (AUKF) algorithm for Beidou positioning is pro?posed. This algorithm uses the observation residual information to construct the adaptive fading matrix which can eliminate the influence of the abnormal measurement noise and improve the filtering accuracy. It can be shown that AUKF algorithm has improved the positioning accuracy and the ability to resist the system noise compared with EKF and UKF location algo?rithm by the experiment. Therefore, AUKF algorithm is a reliable and stable Beidou location algorithm.

摘要： 针对转弯型机动目标跟踪研究中,文章中提出一种改进的基于强跟踪滤波算法的交互多模算法.通过引入时变的渐消因子,迫使输出残差近似正交,并根据输出残差实时调节过程噪声方差和系统增益,增大了目标状态估计的补偿值,从而提高对机动目标估计和跟踪精度.进一步地,将此算法引入交互多模算法,对复杂的转弯型机动进行滤波跟踪,也能得到较好的跟踪性能.通过与未采用强机动跟踪的交互多模算法仿真进行比较,提出的算法明显提高了对机动目标的跟踪性能.

摘要： 强跟踪滤波器对突变状态有极强的跟踪能力，故可用于管道压力突变信号的快速跟踪。在泄露突变信号位置，滤波器的渐消因子会突然增大，以强制增大滤波器增益阵，使滤波器能快速跟踪突变信号。本文利用滤波器的渐消因子指示压力突变位置，进而采用负压波法对管道泄露位置进行定位。与卡尔曼滤波相比，利用渐消因子的指示方法指示突变位置可避免噪声对指示信号的影响，在小泄露信号的检测上有突出的优势。仿真实验与实例分析证明了该方法的有效性。

摘要： 渐消滤波采用渐消因子来限制Kalman 滤波的记忆长度，具有控制状态模型误差影响的能力。但是现有计算渐消因子的方法公式表示复杂，计算过程较繁琐，尤其在实践中渐消因子求解经常出现负定现象，导致滤波失败。针对这一问题，本文提出了一种基于模糊控制理论的渐消滤波算法。该方法是基于预测残差和模糊理论构造渐消因子，它克服了在实践中现有渐消因子求解可能出现负定现象，求解时必须附加条件这一缺点，从而有效调节动力学模型信息与观测信息对导航解的贡献，保证滤波器的最佳性，提高滤波算法精度和可靠性，并用算例验证了该方法的可行性和有效性。

摘要： 针对混合坐标系下singer模型对跟踪弱机动目标初期误差出现跳变现象,且对突发机动跟踪自适应能力较差的情形,本文提出一种改进算法,通过引入渐消因子,实时调节一步预测协方差,以此调节滤波器增益,增强了滤波器跟踪突发机动目标的适应能力,同时改进了混合坐系下singer模型跟踪算法的精度.仿真结果表明,本文算法对突发机动自适应跟踪能力和弱机动目标跟踪精度都有提高.

摘要： 对陀螺随机漂移AR(P)时变模型的辨识方法和自校正控制进行了探讨,用渐消因子的最小二乘法和广义最小方差控制算法对陀螺随机漂移进行了自校正控制.数据仿真结果表明了该方法的可行性,对陀螺随机漂移能起到较好的控制补偿作用.

摘要： 在惯导与卫星导航系统中,卡尔曼滤波算法是最常用的组合算法.准确地建立系统对象的数学模型和噪声统计是设计卡尔曼滤波器的必要条件,但是在工程应用中,由于系统各种元器件误差、载体机动带来的动态误差和诸多外界不确定性因素等的存在,该条件难以实现.本文以某型制导火箭弹项目为背景,采用了渐消自适应卡尔曼滤波组合算法.通过对SINS/BD2 组合导航系统进行数字仿真,研究、分析和验证了加入渐消自适应卡尔曼滤波后在高动态下对定位精度的影响,以便更好地用于今后的工程研究和应用.

摘要： 在惯导与卫星导航系统中,卡尔曼滤波算法是最常用的组合算法.准确地建立系统对象的数学模型和噪声统计是设计卡尔曼滤波器的必要条件,但是在工程应用中,由于系统各种元器件误差、载体机动带来的动态误差和诸多外界不确定性因素等的存在,该条件难以实现.本文以某型制导火箭弹项目为背景,采用了渐消自适应卡尔曼滤波组合算法.通过对SINS/BD2 组合导航系统进行数字仿真,研究、分析和验证了加入渐消自适应卡尔曼滤波后在高动态下对定位精度的影响,以便更好地用于今后的工程研究和应用.

摘要： 在惯导与卫星导航系统中,卡尔曼滤波算法是最常用的组合算法.准确地建立系统对象的数学模型和噪声统计是设计卡尔曼滤波器的必要条件,但是在工程应用中,由于系统各种元器件误差、载体机动带来的动态误差和诸多外界不确定性因素等的存在,该条件难以实现.本文以某型制导火箭弹项目为背景,采用了渐消自适应卡尔曼滤波组合算法.通过对SINS/BD2 组合导航系统进行数字仿真,研究、分析和验证了加入渐消自适应卡尔曼滤波后在高动态下对定位精度的影响,以便更好地用于今后的工程研究和应用.

摘要： 在惯导与卫星导航系统中,卡尔曼滤波算法是最常用的组合算法.准确地建立系统对象的数学模型和噪声统计是设计卡尔曼滤波器的必要条件,但是在工程应用中,由于系统各种元器件误差、载体机动带来的动态误差和诸多外界不确定性因素等的存在,该条件难以实现.本文以某型制导火箭弹项目为背景,采用了渐消自适应卡尔曼滤波组合算法.通过对SINS/BD2 组合导航系统进行数字仿真,研究、分析和验证了加入渐消自适应卡尔曼滤波后在高动态下对定位精度的影响,以便更好地用于今后的工程研究和应用.

摘要： 在惯导与卫星导航系统中,卡尔曼滤波算法是最常用的组合算法.准确地建立系统对象的数学模型和噪声统计是设计卡尔曼滤波器的必要条件,但是在工程应用中,由于系统各种元器件误差、载体机动带来的动态误差和诸多外界不确定性因素等的存在,该条件难以实现.本文以某型制导火箭弹项目为背景,采用了渐消自适应卡尔曼滤波组合算法.通过对SINS/BD2 组合导航系统进行数字仿真,研究、分析和验证了加入渐消自适应卡尔曼滤波后在高动态下对定位精度的影响,以便更好地用于今后的工程研究和应用.

摘要： 本发明提供了基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法，属于锂电池荷电状态估计方法技术领域。本发明通过建立等效电路模型，推导电压电流方程；结合实际容量与放电倍率关系定义SOC方程；通过离散化得到状态方程以及测量方程；对模型的参数进行辨识；通过扩展卡尔曼滤波得到线性化状态方程，并得到初始化、时间更新和测量更新；在扩展卡尔曼滤波协方差的更新方程式中加入一个渐消因子矩阵，并通过调节渐消因子实现对状态的强跟踪性能。本发明通过引入多重渐消因子对不同状态以不同的速率进行渐消跟踪，能有效的提高算法对SOC估计的收敛速度和估计精度。

摘要： 本发明公开了一种基于多渐消因子自适应动机座旋转调制精对准方法。首先，为了提高MEMS的对准精度，推导了扩展角速率量测的单轴旋转调制原理，其次，研究了多衰落因子的自适应卡尔曼滤波器，以消除扩展测量引起的模型误差，针对传统自适应方法的缺陷，建立基于BAS搜索算法的最佳渐消因子获取算法模型。通过本发明方法对具有确定参数单轴旋转调制动机座精对准方法进行验证，取得效果能够满足高精度精对准要求。

摘要： 本发明公开了一种基于最小二乘和多重渐消因子的改进kalman滤波方法，本发明在滤波开始前利用最小二乘法选取滤波初值，减小初值偏差，在滤波过程中通过新息协方差计算得到多重渐消因子矩阵，进而对预测误差协方差进行修正，从而实现对单渐消因子的自适应渐消kalman滤波的改进。该发明能够有效抑制滤波发散，滤波精度高，且计算量小，实时性高。

摘要： 本发明涉及一种分布式融合结构中的强跟踪渐消因子计算方法。本发明通过引入一个名为渐消参数向量的新参数，间接揭示了局部传感器强跟踪渐消因子与融合中心强跟踪渐消因子的解析关系，有效降低了融合中心计算全局渐消因子的计算量。与此同时，本发明涉及的方法适用于线性系统和非线性系统，因此在分布式融合框架下是一种通用的强跟踪渐消因子计算方法，推动了强跟踪滤波技术在分布式融合系统中的应用。

摘要： 一种基于多重渐消因子的自适应目标跟踪滤波方法，属于目标跟踪领域，具体涉及一种自适应目标跟踪滤波方法。本发明包括：步骤一，建立运动目标的状态模型和量测模型；步骤二，初始化运动状态向量和状态误差协方差矩阵，计算目标运动状态向量预测值、量测向量预测值、新息、新息协方差和新息协方差的估计值；步骤三，计算指数加权因子和多重渐消因子；步骤四，计算状态预测协方差矩阵、卡尔曼增益、滤波值和滤波协方差；步骤五，重复执行步骤二～步骤四，直到目标跟踪结束。本发明渐消因子的计算简单，可以在系统模型未知或噪声统计信息不准确的情况下防止滤波器发散，提高了目标跟踪精度。本发明可运用于雷达目标跟踪。

摘要： 本发明提供一种基于新息协方差带渐消因子的EKF锂离子电池SOC估算方法，其特征在于，包括以下步骤：步骤1.建立二阶双极化等效电路模型并进行离散化；步骤2.进行模型参数的辨识，获取开路电压UOCV，欧姆内阻R0，极化电容CP1、CP2，极化电阻RP1、RP2，和SOC的函数关系；步骤3.进行SOC估算，包括：步骤3‑1.基于安时积分法和二阶双极化等效电路的离散方程建立状态方程和观测方程：步骤3‑2.时间更新；步骤3‑3.计算卡尔曼增益；步骤3‑4.测量校正；步骤3‑5.循环迭代。本方法能够有效解决噪声统计特性不能在估算过程中进行自适应和状态突变而容易导致估算精度下降、滤波不收敛的问题。

摘要： 本发明涉及一种基于渐消因子EKF与FFRLS的锂电池SOC估算方法，其特征在于，通过渐消因子的引入对过去数据进行渐消，实时调整预测协方差矩阵。降低环境因素导致的参数变化对荷电状态估计造成的误差，提高锂电池荷电状态的精度；考虑到模型内部参数受多种因素影响，采用遗忘因子最小二乘法，实现模型参数的精确估计；建立二阶RC等效电路模型，克服极化效应出现的误差，步骤简短且原理清晰，适合功率型电池充放电的暂态分析，且对电池具有更好的表征效果；该方法在充分考虑锂离子电池成组工作基础上，基于等效模型电路，改进以卡尔曼滤波为基础的迭代计算过程，实现锂离子电池组SOC估算模型的建立和SOC值的数学迭代运算算法的可靠运行。

摘要： 本发明提供一种基于渐消因子的ECEF‑GLS偏差估计方法及装置，该方法包括：基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子；基于第一量测数据、第二量测数据和渐消因子，确定第一雷达和第二雷达之间的雷达系统偏差。本发明实施例提供的基于渐消因子的ECEF‑GLS偏差估计方法及装置，基于在误差估计的迭代过程引入与航迹突变时间所对应的渐消因子后，再将第一量测数据、第二量测数据代入计算，获取第一雷达和第二雷达之间的雷达系统偏差，进而引导误差配准。能够利用渐消因子弱化历史量测的影响，实现对突变系统偏差的实时估计，同时兼顾偏差估计的精度和实时性，使得目标跟踪更加稳定。

摘要： 本发明公开了一种基于多渐消因子自适应动机座旋转调制精对准方法。首先，为了提高MEMS的对准精度，推导了扩展角速率量测的单轴旋转调制原理，其次，研究了多衰落因子的自适应卡尔曼滤波器，以消除扩展测量引起的模型误差，针对传统自适应方法的缺陷，建立基于BAS搜索算法的最佳渐消因子获取算法模型。通过本发明方法对具有确定参数单轴旋转调制动机座精对准方法进行验证，取得效果能够满足高精度精对准要求。

摘要： 本发明公开了一种基于渐消因子矩阵的强跟踪UKF异步电机转速辨识方法。该方法如下：建立基于UKF的电机状态方程，选取电机的状态变量；初始化电机的状态变量及状态误差协方差，构造并计算Sigma点；求解电机的状态变量预测均值和状态误差协方差，并确定渐消因子矩阵；进行测量误差协方差矩阵的更新，计算状态变量与观测变量的互协方差矩阵；计算卡尔曼滤波增益矩阵；通过计算的渐消因子矩阵对电机的状态变量预测均值进行修正更新，得到修正后的电机的状态变量和状态误差协方差，计算得到电机转速信息。本发明引入多重次优渐消因子矩阵来改进UKF转速估计器，提升了电机在状态突变以及电机参数失配等情况下的转速辨识鲁棒性。