基于IGGⅢ方案的自适应渐消卡尔曼滤波器
发布时间：2021-06-06 06:56
渐消卡尔曼滤波器滑动采样区间长度N的取值为单一定值,难以实现滤波精度与动态性之间的平衡。针对该问题,提出了一种基于IGGⅢ方案的自适应渐消卡尔曼滤波器。该滤波器进行新息异常卡方检测,通过构建一个类似于IGGⅢ权函数的三段式滑动采样区间长度N的取值函数,实现滑动采样区间长度N的自适应优化选取,提升滤波精度。Matlab仿真结果证明,基于IGGⅢ方案的自适应渐消卡尔曼滤波器在系统稳定情况下滤波结果更加精确,系统模型参数发生变化时具有更好的动态性,能够实现滤波精度与动态性之间的平衡。
【文章来源】：计算机工程与应用. 2020,56(14)北大核心CSCD
【文章页数】：5 页
【部分图文】：
基于IGGIII方案的自适应卡尔曼滤波器原理框图
本文利用以上仿真模型进行了卡尔曼滤波器（KF）、自适应渐消卡尔曼滤波器（AFKF）以及基于IGGIII方案的自适应渐消卡尔曼滤波器（IGGAFKF）的对比验证，仿真结果如图2所示。如图2三种算法的位置估计仿真结果所示，IGGAFKF的滤波估计结果更加接近于目标的真实位置。KF和AFKF位置估计都存在不同程度的偏离。KF在目标机动位置出现较大估计偏差，AFKF滤波估计结果偏离程度要小于KF，但高于IGGAFKF。
图3分别展示了三种算法的位置误差对比。通过对比三种算法的误差曲线可知，在目标稳定行进过程中，AFKF的估计误差存在较大波动，IGGAFKF通过增大滑动采样区间长度，增强滤波鲁棒性，估计结果更加平稳、精确。在目标进行机动时，KF、AFKF、IGGAFKF误差都开始变大，但是IGGAFKF误差峰值明显低于KF及AFKF，说明IGGAFKF在目标运动状态发生较大变化时对于准确量测信息具有更好的动态跟踪性能，能够抑制模型不准造成的滤波发散。并且IGGAFKF通过减小滑动采样区间长度，在经过2次迭代后将误差控制在1 m范围内，KF和AFKF分别需要8次和4次，所以，IGGAFKF能够在滤波出现发散时实现快速收敛，提高滤波精度。由上可知，IGGAFKF在系统稳定情况下滤波结果更加精确，系统模型参数发生变化时具有更好的动态性，能够实现滤波精度与动态性之间的平衡，验证了此算法的可行性与优越性。图4显示了位置误差的占比。IGGAFKF 42%的采样点位置误差小于0.25 m,89%采样点位置误差小于0.5 m,100%的采样点误差小于2 m。KF相同误差的占比分别为38%、77%和89%。AFKF相同误差的占比为33%、77%和98%。且由表1中三种滤波算法的误差统计数据可知，IGGAFKF最大误差为1.66 m，明显小于KF和AFKF最大误差。IGGAFKF平均误差为0.32 m，相对于KF与AFKF的平均误差分别提升了121%、37%。因此，IGGAFKA具有更高的滤波估计精度。
【参考文献】：
期刊论文
[1]基于M估计的鲁棒后向平滑CKF单站跟踪算法[J]. 任臻,李积英,吴昊. 计算机工程与应用. 2019(11)
[2]基于目标跟踪的自适应广义高阶CKF算法[J]. 彭志颖,夏海宝,许蕴山. 计算机工程与应用. 2018(11)
[3]一种基于渐消因子的区间卡尔曼滤波器方法[J]. 徐韩,曾超,黄清华. 武汉大学学报(信息科学版). 2017(12)
[4]基于滑动窗口的新息自适应组合导航算法[J]. 赵琳,李久顺,程建华. 系统工程与电子技术. 2017(11)
[5]改进的自适应Kalman滤波在SINS/GPS组合导航中的应用[J]. 胡方强,吕涛,包亚萍. 计算机工程与应用. 2018(05)
[6]两种新的IGGⅢ的改进方案[J]. 刘宸,刘长建,王赛,许岭峰,张学东. 测绘通报. 2016(10)
[7]改进的强跟踪SVD-UKF算法在组合导航中的应用[J]. 孙磊,黄国勇,李越. 计算机工程与应用. 2017(10)
[8]基于新息χ2检测的扩展抗差卡尔曼滤波及其应用[J]. 苗岳旺,周巍,田亮,崔志伟. 武汉大学学报(信息科学版). 2016(02)
[9]改进新息自适应交互多模的GPS/SINS组合导航滤波算法[J]. 张闯,赵修斌,庞春雷,徐杰,张建安. 空军工程大学学报(自然科学版). 2015(06)
[10]基于多重渐消因子的自适应卡尔曼滤波器[J]. 高伟,李敬春,奔粤阳,杨晓龙. 系统工程与电子技术. 2014(07)
本文编号：3213846
【文章来源】：计算机工程与应用. 2020,56(14)北大核心CSCD
【文章页数】：5 页
【部分图文】：
基于IGGIII方案的自适应卡尔曼滤波器原理框图
本文利用以上仿真模型进行了卡尔曼滤波器（KF）、自适应渐消卡尔曼滤波器（AFKF）以及基于IGGIII方案的自适应渐消卡尔曼滤波器（IGGAFKF）的对比验证，仿真结果如图2所示。如图2三种算法的位置估计仿真结果所示，IGGAFKF的滤波估计结果更加接近于目标的真实位置。KF和AFKF位置估计都存在不同程度的偏离。KF在目标机动位置出现较大估计偏差，AFKF滤波估计结果偏离程度要小于KF，但高于IGGAFKF。
图3分别展示了三种算法的位置误差对比。通过对比三种算法的误差曲线可知，在目标稳定行进过程中，AFKF的估计误差存在较大波动，IGGAFKF通过增大滑动采样区间长度，增强滤波鲁棒性，估计结果更加平稳、精确。在目标进行机动时，KF、AFKF、IGGAFKF误差都开始变大，但是IGGAFKF误差峰值明显低于KF及AFKF，说明IGGAFKF在目标运动状态发生较大变化时对于准确量测信息具有更好的动态跟踪性能，能够抑制模型不准造成的滤波发散。并且IGGAFKF通过减小滑动采样区间长度，在经过2次迭代后将误差控制在1 m范围内，KF和AFKF分别需要8次和4次，所以，IGGAFKF能够在滤波出现发散时实现快速收敛，提高滤波精度。由上可知，IGGAFKF在系统稳定情况下滤波结果更加精确，系统模型参数发生变化时具有更好的动态性，能够实现滤波精度与动态性之间的平衡，验证了此算法的可行性与优越性。图4显示了位置误差的占比。IGGAFKF 42%的采样点位置误差小于0.25 m,89%采样点位置误差小于0.5 m,100%的采样点误差小于2 m。KF相同误差的占比分别为38%、77%和89%。AFKF相同误差的占比为33%、77%和98%。且由表1中三种滤波算法的误差统计数据可知，IGGAFKF最大误差为1.66 m，明显小于KF和AFKF最大误差。IGGAFKF平均误差为0.32 m，相对于KF与AFKF的平均误差分别提升了121%、37%。因此，IGGAFKA具有更高的滤波估计精度。
【参考文献】：
期刊论文
[1]基于M估计的鲁棒后向平滑CKF单站跟踪算法[J]. 任臻,李积英,吴昊. 计算机工程与应用. 2019(11)
[2]基于目标跟踪的自适应广义高阶CKF算法[J]. 彭志颖,夏海宝,许蕴山. 计算机工程与应用. 2018(11)
[3]一种基于渐消因子的区间卡尔曼滤波器方法[J]. 徐韩,曾超,黄清华. 武汉大学学报(信息科学版). 2017(12)
[4]基于滑动窗口的新息自适应组合导航算法[J]. 赵琳,李久顺,程建华. 系统工程与电子技术. 2017(11)
[5]改进的自适应Kalman滤波在SINS/GPS组合导航中的应用[J]. 胡方强,吕涛,包亚萍. 计算机工程与应用. 2018(05)
[6]两种新的IGGⅢ的改进方案[J]. 刘宸,刘长建,王赛,许岭峰,张学东. 测绘通报. 2016(10)
[7]改进的强跟踪SVD-UKF算法在组合导航中的应用[J]. 孙磊,黄国勇,李越. 计算机工程与应用. 2017(10)
[8]基于新息χ2检测的扩展抗差卡尔曼滤波及其应用[J]. 苗岳旺,周巍,田亮,崔志伟. 武汉大学学报(信息科学版). 2016(02)
[9]改进新息自适应交互多模的GPS/SINS组合导航滤波算法[J]. 张闯,赵修斌,庞春雷,徐杰,张建安. 空军工程大学学报(自然科学版). 2015(06)
[10]基于多重渐消因子的自适应卡尔曼滤波器[J]. 高伟,李敬春,奔粤阳,杨晓龙. 系统工程与电子技术. 2014(07)
本文编号：3213846
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3213846.html
