容积卡尔曼滤波方法及其应用研究

发布时间：2017-10-28 01:02

  本文关键词：容积卡尔曼滤波方法及其应用研究

  更多相关文章： 容积卡尔曼滤波 交互式多模型 量测虚拟采样 最大期望算法 RTS平滑

【摘要】：随着控制和计算机技术的飞速发展,人们对滤波器精度要求越来越高。由于非线性滤波算法能够获得较高的滤波精度,且在信号处理、自动控制、计算机视觉、无线通信、航空航天、以及目标跟踪和识别等领域具有越来越广泛的应用,得到了相关领域专家学者的广泛关注和研究。扩展卡尔曼滤波(Extended Kalman Filtering,EKF)算法由于算法简单,易于实现得到了广泛的应用,然而,需要计算非线性函数Jacobin矩阵,在强非线性和非高斯环境下滤波表现较差,甚至会出现滤波发散,限制了EKF在工程实践中的应用。无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)和中心差分卡尔曼滤波(Central Difference Kalman Filtering,CDKF)虽然不需要计算Jacobin矩阵,但只有选择合适的参数才能保证其收敛性。粒子滤波(Particle Filtering,PF)随着采样粒子数的不断增加,计算量增大,实时性较差。容积卡尔曼滤波(Cubature Kalman Filtering,CKF)是近年来新兴起的一种性能优越的非线性滤波算法,其数学理论严谨,参数选取方便,收敛效果好。克服了其它非线性滤波算法存在的一些问题,正逐渐成为当前及未来非线性滤波技术的研究热点和发展方向。本文围绕CKF算法改进优化展开研究,主要工作如下:针对交互式多模型算法中以牺牲滤波精度为代价来实现模型匹配问题,提出了一种基于量测虚拟采样提升策略的交互式多模型容积卡尔曼滤波(IMM-CKF-S)算法。该算法采用当前时刻量测和量测噪声先验统计信息构建虚拟量测,通过对虚拟量测采样以及融合提升系统量测信息可靠性,同时,在交互式多模型容积卡尔曼滤波算法框架下应用分布式加权融合的实现结构。在保证滤波精度的同时,大大提高了模型间切换速度。针对系统噪声统计特性未知情况下的非线性状态估计问题,将最大期望(Expectation Maximization,EM)算法应用在非线性状态空间模型中,提出了一种基于最大期望算法的容积RTS平滑(Cubature Rauch Tung Striebel Smoother,CRTSS)算法。为了求出系统的噪声统计特性,首先,利用极大似然准则来构造对数似然函数,然后,通过EM算法和梯度下降法推导出噪声统计估计的递推方程。该算法有效克服了传统非线性滤波算法在系统噪声统计特性未知的情况下滤波精度下降的问题,同时还能够在线估计系统噪声统计特性。
【关键词】：容积卡尔曼滤波 交互式多模型 量测虚拟采样 最大期望算法 RTS平滑
【学位授予单位】：河南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN713
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 1 绪论9-15
• 1.1 研究背景和意义9-10
• 1.2 国内外研究现状与进展10-14
• 1.2.1 多模型估计理论10-12
• 1.2.2 平滑估计理论12-14
• 1.3 论文研究内容和结构安排14-15
• 2 基础知识15-31
• 2.1 引言15
• 2.2 机动目标模型15-19
• 2.2.1 匀速与匀加速模型15-16
• 2.2.2 匀速转弯模型16-17
• 2.2.3 一阶时间相关模型(Singer模型)17
• 2.2.4 半马尔可夫模型17-18
• 2.2.5 Noval统计模型18
• 2.2.6“当前”统计模型18-19
• 2.3 交互式多模型算法19-22
• 2.3.1 跳变马尔可夫建模20
• 2.3.2 输入交互20-21
• 2.3.3 模型滤波器选择21
• 2.3.4 模型概率更新21-22
• 2.3.5 估计融合输出交互22
• 2.4 最优线性平滑22-28
• 2.4.1 固定区间最优平滑22-25
• 2.4.2 固定点最优平滑25-27
• 2.4.3 固定滞后最优平滑27-28
• 2.5 小结28-31
• 3 基于量测提升策略的交互式多模型容积卡尔曼滤波31-41
• 3.1 引言31
• 3.2 问题描述31-32
• 3.3 量测提升策略32
• 3.4 基于量测提升策略的IMMCKF算法32-38
• 3.4.1 容积卡尔曼滤波(CKF)32-34
• 3.4.2 交互式多模型容积卡尔曼滤波算法34-35
• 3.4.3 量测提升策略的交互式多模型容积卡尔曼滤波算法35-36
• 3.4.4 IMM-CKF-S算法具体实现36-38
• 3.5 仿真分析38-40
• 3.5.1 仿真环境38-39
• 3.5.2 仿真结果与分析39-40
• 3.6 本章小结40-41
• 4 基于最大期望算法的容积RTS平滑器设计与实现41-55
• 4.1 引言41
• 4.2 问题描述41
• 4.3 最大期望(EM)算法41-43
• 4.3.1 概念41-42
• 4.3.2 最大期望算法42-43
• 4.4 固定区间最优平滑算法43-44
• 4.4.1 标准RTS平滑算法43
• 4.4.2 标准双滤波平滑算法43-44
• 4.5 容积RTS平滑器44-48
• 4.5.1 贝叶斯最优滤波和平滑方程44-45
• 4.5.2 Sigma点RTS平滑算法45-48
• 4.6 基于最大期望算法的容积RTS平滑器48-51
• 4.7 仿真分析51-53
• 4.8 本章小结53-55
• 5 总结与展望55-57
• 5.1 总结55
• 5.2 展望55-57
• 参考文献57-61
• 致谢61-63
• 攻读学位期间的科研成果63-64

【相似文献】

中国期刊全文数据库 前10条

1 田宏伟,敬忠良,胡士强,胡洪涛;自适应多速率交互式多模型算法[J];上海交通大学学报;2004年12期

2 李辉;沈莹;张安;程t$;;交互式多模型目标跟踪的研究现状及发展趋势[J];火力与指挥控制;2006年11期

3 齐立峰;冯新喜;李峰;;多速率交互式多模型粒子滤波研究[J];指挥控制与仿真;2008年02期

4 张世仓;胡新梅;;基于修正无偏转换测量的交互式多模型算法[J];火控雷达技术;2009年04期

5 汪大宝;刘上乾;马彩文;;基于多速率交互式多模型的快速光电跟踪算法[J];光子学报;2009年12期

6 刘毅;;自适应交互式多模型滤波在被动制导中的应用[J];现代防御技术;2009年02期

7 廖阳;王睿;曾昭博;熊加遥;;两阶段卡尔曼滤波自适应交互式多模型算法[J];探测与控制学报;2010年03期

8 孙杰;江朝抒;;基于卷积粒子滤波的交互式多模型算法[J];系统工程与电子技术;2011年05期

9 张保山;徐国亮;吴一全;;基于坐标转换的卡尔曼交互式多模型滤波算法[J];指挥控制与仿真;2007年05期

10 刘贵喜;高恩克;范春宇;;改进的交互式多模型粒子滤波跟踪算法[J];电子与信息学报;2007年12期

中国重要会议论文全文数据库 前2条

1 潘泉;张洪才;戴冠中;杜宏伟;;交互式多模型滤波器及其并行实现研究[A];1995年中国控制会议论文集（上）[C];1995年

2 于连庆;张煜婕;陈华础;;多假设跟踪方法的应用研究[A];2010年通信理论与信号处理学术年会论文集[C];2010年

中国硕士学位论文全文数据库 前10条

1 马阳阳;交互式多模型电力负荷建模理论与方法研究[D];山东大学;2016年

2 刘宇玺;载体机动条件下导航接收机滤波解算技术研究[D];国防科学技术大学;2014年

3 李贤;容积卡尔曼滤波方法及其应用研究[D];河南大学;2016年

4 杨艳成;基于交互式多模型的机动目标跟踪算法研究[D];哈尔滨工程大学;2012年

5 张健;基于交互式多模型的无源多传感器目标跟踪研究[D];电子科技大学;2015年

6 邹润芳;交互式多模型滤波算法研究及应用[D];上海交通大学;2009年

7 郑雅聪;基于交互式多模型的机动目标跟踪算法研究[D];石家庄铁道大学;2014年

8 任坚斌;基于交互式多模型的机动目标跟踪算法研究[D];南京理工大学;2007年

9 姜燕;多模型机动目标跟踪算法研究[D];太原理工大学;2010年

10 高恩克;目标跟踪的算法研究[D];西安电子科技大学;2007年

，

本文编号：1105940