强跟踪滤波器

摘要： 为了改善实际跟踪过程中因为缺乏目标先验信息造成的模型失配对滤波器跟踪性能造成的影响,引入强跟踪滤波(STF)思想对渐进更新扩展Kalman滤波(PU-EKF)算法进行改进,提出了强跟踪渐进更新扩展Kalman滤波(STPU-EKF)算法。在多种模型失配情况下进行磁偶极子跟踪仿真试验,对所建算法的性能进行验证,仿真结果表明:所建立的STPU-EKF算法兼具PU-EKF和STF算法的优点,具有较高的准确性和较好的鲁棒性。

摘要： 确定采样型滤波算法中的容积卡尔曼滤波(CKF)算法滤波性能优良,但是却难以克服目标模型不确定性或者目标状态突变带来的影响。构造强跟踪CKF能有效改善算法的自适应性,但是在求解渐消因子时大大增加了计算量。为此,提出一种低复杂度自适应CKF算法,通过设立基于新息的自适应修正判决准则和修正方式,直接对状态预测值进行修正,使滤波算法能及时跟上目标真实状态,以提高滤波精度。使用浮点操作数计算并分析了CKF算法、强跟踪CKF算法及所提算法的复杂度,同时将3种算法应用在建模不准确的目标跟踪中,并进行仿真验证。仿真结果表明:在目标建模不匹配的情况下,低复杂度自适应CKF算法和强跟踪CKF算法都能保持较好的滤波精度和数值稳定性,同时所提算法在算法复杂度上有明显改善。

摘要： 针对感应电机高性能矢量控制中的转速与磁链估计问题,提出了一种包含参数跟踪的转速与磁链联合估计强跟踪滤波(STF)方法.考虑电机参数变化及模型不确定性,采用粒子群迭代学习动态优化算法实现对感应电机参数的在线跟踪,修正的STF算法用于实现对感应电机转速与转子磁链的联合估计.仿真结果表明,包含参数跟踪的STF算法能够有效实现对感应电机转速与转子磁链的高性能估计;与扩展卡尔曼滤波算法相比,包含参数跟踪的STF算法在估计精度、跟踪速度和稳定性方面得到大幅度提高,并且能够快速跟踪突变状态,尤其在低速段仍能保持较好的估计性能,有效提高了状态估计精度和模型鲁棒性.

摘要： 在传统扩展卡尔曼滤波算法的基础上,利用带多重次优渐消因子的扩展卡尔曼滤波(SMFEKF)算法对永磁同步电机矢量控制系统进行参数估计,实现无速度传感器矢量控制系统的设计.对两种算法分别进行建模和仿真,验证了 SMFEKF算法的可行性及优越性.结果表明:基于SMFEKF的矢量控制方法相比较传统EKF算法,在一定程度上减小了系统的非线性、参数变化以及外界干扰带来的影响,消弱了抖振现象,降低了系统的稳态误差,提高了参数估计精度.

摘要： 为解决扩展卡尔曼滤波算法估算锂电池荷电状态(State of charge,SOC)时存在的系统噪声统计不确定性和电池模型不准确性问题,该文提出了一种基于改进型Sage-Husa自适应强跟踪卡尔曼滤波的SOC估算算法.以参数辨识得到的锂电池等效电路模型为基础,在扩展卡尔曼滤波算法中引入一个强跟踪滤波器的渐消因子来加强跟踪能力,结合可对时变噪声进行特征统计的Sage-Husa自适应滤波器来调整系统噪声参数,实现了锂电池SOC的估算.最后通过锂电池模拟工况实验,验证了该算法相比于扩展卡尔曼滤波具有更高的精度和实用性.

摘要： 针对强机动目标跟踪模型难以准确匹配以及跟踪滤波器容易发散的问题,提出一种基于参数自适应变化的强机动目标跟踪算法.对"当前"统计Jerk(improved Jerk model based on current statistics,CS-Jerk)跟踪模型中的机动频率及加速度变化率的极大值进行自适应处理,同时将强跟踪滤波器(strong tracking filter,STF)中的单重时变渐消因子调整为自适应变化的多重时变渐消因子,从而实现对强机动目标更高精度的跟踪.仿真实验结果表明,该算法提高了对强机动目标的跟踪精度.

摘要： 半自磨流程具有非线性、多变量耦合、内部信息不可测等特性,其运行优化与控制一直是个难题.为此,提出基于强跟踪滤波器的多目标优化控制方法,研究半自磨流程的优化与控制问题.先建立半自磨流程的重要工作参数数学模型;再引入NSGA-Ⅱ的最优化方法求得半自磨流程的最优运行指标,并建立基于强跟踪滤波器的状态反馈控制算法;最后在Matlab/Simulink软件平台上进行了仿真验证.仿真结果表明,基于强跟踪滤波器的多目标优化控制方法达到预期效果,具有重要的应用价值.

摘要： 扩展卡尔曼滤波是常用的识别结构物理参数的方法,然而对于时变的参数,传统的扩展卡尔曼滤波精度会有所下降.为了解决这个问题,通过在滤波计算中引入强跟踪滤波器(STF)的方法提高滤波精度,以识别时变的结构参数.通过对滤波更新后的残差进行正交化处理,得到渐消因子对滤波协方差矩阵进行实时修正,从而保证了滤波对结构参数变化的追踪能力.通过仿真算例的识别结果,证明了该方法能够有效识别非线性结构的参数及其变化.

摘要： 该文介绍了强跟踪滤波器理论及其算法,建立伺服系统中直流电动机模型,采用强跟踪滤波器来克服伺服系统中的测量噪声和控制噪声对控制性能的影响,并在MATLAB环境下进行对比仿真试验,验证了强跟踪滤波器对噪声的有效抑制作用.

摘要： 为消除磁悬浮球系统中过程噪声和量测噪声对钢球的稳定悬浮造成的不良影响,采用了一种强跟踪滤波器,解决了卡尔曼滤波器在信号突变情况下无法跟踪钢球位移变化的问题,并给出了磁悬浮球系统的数学模型与强跟踪滤波器的具体设计方法.仿真结果表明,在信号变化缓慢的情况下,强跟踪滤波器和卡尔曼滤波器都能准确地跟踪钢球的位移变化；而在信号突变情况下,强跟踪滤波器对钢球的跟踪效果明显比卡尔曼滤波器的跟踪效果好,对钢球的稳定悬浮起到了很好的作用。

摘要： 针对一类变结构非线性时变系统,研究了DC-DC变换器的自适应控制算法.以Buck变换器为研究对象,在它平均状态模型的基础上,使用强跟踪滤波器在线估计出变换器的参数,实时更新广义一般模型控制的模型参数以补偿时变参数的影响,由此实现DC-DC变换器的自适应广义一般模型控制.仿真结果表明,当输入电压、负载、参考电压或变换器其他参数发生变化时,采用自适应控制的DC-DC交换器仍然具有良好的鲁棒性和控制性能。最大超调量为3.73%,稳态误差为0,Vout、iL和R的真值和估计值相对误差的均值分别为0.18%、2.64%和2.78%.

摘要： 本文针对实际的非线性过程状态估计的复杂性,在以非线性分离模型来描述非线性动态过程的基础上,提出一种基于此模型而设计强跟踪滤波器的方法,所提方法用在浆液混合控制实例仿真中,并与卡尔曼滤波设计的仿真应用结果相比较,结果证明了其有效性和可行性.

摘要： 针对扩展卡尔曼滤波和无迹卡尔曼滤波对非线性系统进行故障诊断存在估计精度低的问题,提出了一种新的故障诊断方法.该方法结合多模型方法和容积卡尔曼滤波器的优点,不仅能在线快速地检测出故障,而且采用的Spherical-Radial原则优化了sigma点的采样策略和权重分配,提高了滤波精度,且采用的强跟踪滤波器能在线更新容积卡尔曼滤波器的采样点,增强了容积卡尔曼滤波器的自适应能力.在作动器不同故障的情况下,通过与其他算法进行诊断对比,结果表明文中提出的算法在精度上具有明显的优势.

摘要： 针对光电武器对机动目标跟踪精度较差的问题,在"当前"统计模型的基础上,形成了机动目标"当前"统计模型下强跟踪滤波算法.该算法通过引入强跟踪滤波器的渐消因子,实时调节滤波器增益,增强了系统对突发机动目标的跟踪能力,同时保留了"当前"统计模型跟踪算法对一般机动目标跟踪精度高的特点。仿真结果表明,该算法对机动目标具有较好的跟踪精度和适中的计算复杂度,是一种较好的光电跟踪算法.

摘要： 针对光电武器对机动目标跟踪精度较差的问题，在"当前"统计模型的基础上,形成了机动目标"当前"统计模型下强跟踪滤波算法。该算法通过引入强跟踪滤波器的渐消因子,实时调节滤波器增益,增强了系统对突发机动目标的跟踪能力,同时保留了"当前"统计模型跟踪算法对一般机动目标跟踪精度高的特点。仿真结果表明,该算法对机动目标具有较好的跟踪精度和适中的计算复杂度,是一种较好的光电跟踪算法。

摘要： 针对光电跟踪机动目标精度较差的问题,设计了光电跟踪目标的强跟踪滤波算法。该算法通过引入强跟踪滤波器的渐消因子,实时调节滤波器增益,增强了系统对突发机动目标的跟踪能力,仿真结果表明,该算法对机动目标具有较好的跟踪精度和适中的计算复杂度,是一种较好的光电跟踪算法。

摘要： 作为最近提出的一种非线性滤波方法,Unscented卡尔曼滤波器(UKF)具有易实现、较高的估计精度和中等的计算量等优点。然而,像扩展卡尔曼滤波器(EKF)一样,UKF关于模型不确定性的鲁棒性很差、对初始条件很敏感,容易出现状态估计不准,甚至发散等现象。为了克服UKF的缺陷,基于强跟踪滤波器(STF)理论,通过引入一种多重次优渐消因子在线调整滤波器增益矩阵,提出一种改进的UKF,并通过目标跟踪的仿真实验验证了该滤波器的有效性。仿真实验结果表明改进的Unscented卡尔曼滤波器具有好的鲁棒性,而且能够快速收敛。

摘要： 扩展卡尔曼滤波算法是无源跟踪定位中最常用的跟踪算法，存在容易发散和对于机动目标的跟踪精度不高等不足之处。强跟踪扩展卡尔曼滤波器是在扩展卡尔曼滤波器的基础上，引入一种带渐消因子的强跟踪滤波算法，实时调节滤波器的增益，对于无源跟踪定位中的机动目标具有良好的自适应跟踪能力。采用无源单基地跟踪定位系统仿真，比较强跟踪扩展卡尔曼滤波和扩展卡尔曼滤波对于机动目标的跟踪能力。仿真结果表明，强跟踪扩展卡尔曼滤波算法对于机动目标的跟踪性能明显优于一般的扩展卡尔曼滤波算法。

摘要： 本发明涉及一种基于容积强跟踪信息滤波器的目标跟踪方法。本发明包括估计一步预测目标状态，迭代计算伪观测矩阵、新息矩阵、信息矩阵及信息状态向量，计算目标状态的最优线性估计及其误差协方差。本发明衰减因子可以由伪测量矩阵的迭代计算获得，而不用计算雅可比矩阵。同时，通过引入基于最新更新的时变衰减因子，CSTIF具有强跟踪能力，并且在跟踪目标状态突变及系统模型不精确的情况下，还具有不错的鲁棒性。

摘要： 本发明公开了一种基于目标状态跟踪的强非线性系统卡尔曼滤波器设计方法。本发明将目标状态和测量方程中的基本函数定义为隐变量，从而将原始目标状态模型和测量模型改写成伪线性形式；然后，将隐变量视为系统的参数变量，建立各隐变量与其他隐变量及目标状态变量之间的动态线性模型；进一步将测量模型改写成当前时刻目标状态估计值和各参数变量值之间的一阶线性乘积形式；最后，借助卡尔曼滤波器组逐步求解参数变量，设计出一个逐步线性化的高阶扩展卡尔曼滤波器。通过三个目标状态追踪案例对比的仿真测试，验证了本发明的有效性。

摘要： 本发明公开了一种基于强跟踪卡尔曼滤波器的电压相位检测算法，具体为：步骤1，将检测到的三相电压Ua、Ub、Uc变换到角速度ω＝100πrad/s的两相旋转xy坐标系上得到Ux和Uy；步骤2，将Ux和Uy应用低通滤波器提取出正序基波电压分量Ux+和Uy+；步骤3，将Ux+和Uy+变换到两相静止αβ坐标系上得到Uα+和Uβ+；步骤4，将步骤1中的Ux作为输入信号，设计STKF检测输入信号的突变，得到反映信号突变的增益因子K；步骤5，将增益因子K引入相位计算过程。将步骤3中的Uα+和Uβ+应用改进同步坐标系锁相环得到电压相位。本发明方法解决了传统PLL在检测精度与响应速度无法同时满足需求的问题。

摘要： 本发明涉及一种基于容积强跟踪信息滤波器的目标跟踪方法。本发明包括估计一步预测目标状态，迭代计算伪观测矩阵、新息矩阵、信息矩阵及信息状态向量，计算目标状态的最优线性估计及其误差协方差。本发明衰减因子可以由伪测量矩阵的迭代计算获得，而不用计算雅可比矩阵。同时，通过引入基于最新更新的时变衰减因子，CSTIF具有强跟踪能力，并且在跟踪目标状态突变及系统模型不精确的情况下，还具有不错的鲁棒性。

摘要： 本发明公开了一种基于强跟踪滤波的高阶扩展卡尔曼滤波器设计方法。本发明将状态模型中的高阶多项式定义为系统的隐变量，并将状态模型等价改写成基于原始变量和隐变量相结合的伪线性模型；视高阶隐变量为系统的各阶加性参数，再通过对它们之间进行随机动态建模，建立起由状态与参数相结合的扩维线性状态模型；对测量模型进行相应处理，建立基于状态与参数相结合的扩维线性测量模型；然后对扩维后的模型进行进一步的初始化，滤波器迭代，时间更新和测量更新，设计得到基于强跟踪滤波的高阶扩展卡尔曼滤波器。本发明在解决状态模型和观测模型为强非线性情况下的估计精度低，计算成本高，鲁棒性差等问题，可以应用到非线性动态系统的目标跟踪领域。

摘要： 一种用于对滤波器跟踪速度进行加速的方法，包括：至少部分基于在时分双工(TDD)或者多媒体广播单频网(MBSFN)系统中的上行链路/下行链路配置，来对滤波器系数进行缩放。该方法还包括：在至少一个下行链路子帧期间应用所缩放的滤波器系数，以便控制滤波器跟踪速度。

摘要： 本发明公开了一种基于目标状态跟踪的强非线性系统卡尔曼滤波器设计方法。本发明将目标状态和测量方程中的基本函数定义为隐变量，从而将原始目标状态模型和测量模型改写成伪线性形式；然后，将隐变量视为系统的参数变量，建立各隐变量与其他隐变量及目标状态变量之间的动态线性模型；进一步将测量模型改写成当前时刻目标状态估计值和各参数变量值之间的一阶线性乘积形式；最后，借助卡尔曼滤波器组逐步求解参数变量，设计出一个逐步线性化的高阶扩展卡尔曼滤波器。通过三个目标状态追踪案例对比的仿真测试，验证了本发明的有效性。

摘要： 本发明公开了一种基于强跟踪卡尔曼滤波器的电压相位检测算法，具体为：步骤1，将检测到的三相电压Ua、Ub、Uc变换到角速度ω＝100πrad/s的两相旋转xy坐标系上得到Ux和Uy；步骤2，将Ux和Uy应用低通滤波器提取出正序基波电压分量Ux+和Uy+；步骤3，将Ux+和Uy+变换到两相静止αβ坐标系上得到Uα+和Uβ+；步骤4，将步骤1中的Ux作为输入信号，设计STKF检测输入信号的突变，得到反映信号突变的增益因子K；步骤5，将增益因子K引入相位计算过程。将步骤3中的Uα+和Uβ+应用改进同步坐标系锁相环得到电压相位。本发明方法解决了传统PLL在检测精度与响应速度无法同时满足需求的问题。

摘要： 本发明涉及一种噪声自适应强跟踪扩展卡尔曼滤波器四旋翼姿态解算方法，属于无人机技术领域，包括构建状态方程和观测方程，初始化系统噪声和量测噪声初值；计算下一时刻的一次预测状态；计算新息，更新强跟踪滤波器，将次优渐消因子拆分；计算得到改进的一步预测误差协方差矩阵对下一时刻的噪声方差及噪声均值重新估计，将估计值引入EKF公式；计算卡尔曼增益矩阵、状态的二次估计和误差协方差的二次估计，判断是否循环结束；输出结果。本发明引入强跟踪滤波器，解决了传统扩展卡尔曼滤波器因泰勒展开近似线性化等问题导致的跟踪能力弱的问题，通过改进次优渐消因子引入形式，保证了协方差矩阵计算结果的对称性，提高了系统跟踪速度。

摘要： 本发明涉及高阶扩展滤波技术领域，具体地说，涉及一种非线性系统的高阶扩展强跟踪滤波器。其滤波方法包括以下步骤：将状态模型中的高阶多项式定义为系统的隐变量；将状态模型等价改写成基于原始变量和隐变量相结合的伪线性模型；将高阶隐变量作为系统的各阶加性参数，并进行随机动态建模；对状态模型进行处理；建立基于状态与参数相结合的扩维线性测量模型；通过仿真验证所提方法的有效性。本发明中通过将伪线性模型进行线性的转化，以降低在计算舍入误差时的计算复杂程度，使舍入误差计算的方法变得简单，将状态模型的数据通过隐变量和原始变量来建立伪线性模型，过滤隐变量加入到系统中对系统波动的影响，保证系统运算数据的准确性。