强跟踪变分贝叶斯自适应卡尔曼滤波算法

发布时间：2021-10-20 08:12

　　针对线性高斯状态空间模型中的噪声统计特性时变时,变分贝叶斯自适应卡尔曼滤波效果会受影响的问题,提出了基于强跟踪原理的改进算法。该算法选择测量噪声模型为逆Wishart分布,将系统状态与时变的测量噪声协方差作为待估参数,利用变分贝叶斯方法对二者迭代递推估计。测量噪声协方差的最优估计结果再作为时变参数引入到基于强跟踪原理的次优渐消因子中,以提高其对状态预测协方差的修正精度。仿真结果表明,改进算法在噪声时变的线性高斯系统中能自适应地跟踪测量噪声协方差,有效克服过程噪声协方差时变的影响,估计结果的收敛速度和精度有很大改善。 

【文章来源】：电光与控制. 2020,27(01)北大核心CSCD

【文章页数】：6 页

【文章目录】：
0 引言
1 问题描述
2 强跟踪变分贝叶斯卡尔曼滤波算法
    2.1 变分贝叶斯自适应卡尔曼滤波
        2.1.1 预测过程
        2.1.2 变分更新过程
    2.2 引入次优渐消因子改进
    2.3 ST-VBAKF算法递推步骤
3 仿真与分析
    3.1 系统状态估计效果及计算复杂度分析
    3.2 固定噪声协方差初值设定鲁棒性能分析
    3.3 测量噪声协方差跟踪效果分析
4 结论


【参考文献】：
期刊论文
[1]变分贝叶斯自适应容积卡尔曼的SLAM算法[J]. 张抒扬,董鹏,敬忠良.  哈尔滨工业大学学报. 2019(04)
[2]基于强跟踪泰勒-卡尔曼滤波器的动态相量估计算法[J]. 刘洁波,黄纯,江亚群,汤涛,谢兴.  电工技术学报. 2018(02)
[3]STEKF协同残差归一化的感应电机转速辨识方法[J]. 尹忠刚,李国银,张延庆,孙向东,钟彦儒.  电工技术学报. 2017(05)
[4]基于变分贝叶斯的DR/UTP组合导航滤波方法[J]. 徐健,宋晓萍,张宏瀚,田国强.  仪器仪表学报. 2016(12)
[5]基于不确定模型误差系统的变分贝叶斯STCKF[J]. 马天力,王新民,彭程,李婷,边琦.  控制与决策. 2016(12)
[6]一种简化的强跟踪容积卡尔曼滤波算法[J]. 蔡宗平,张雪影,牛创,卫浩.  电光与控制. 2017(01)
[7]带测量偏置估计的鲁棒卡尔曼滤波算法[J]. 朱光明,蒋荣欣,周凡,田翔,陈耀武.  浙江大学学报(工学版). 2015(07)
[8]一种自适应变分贝叶斯容积卡尔曼滤波方法[J]. 沈锋,徐广辉,桑靖.  电机与控制学报. 2015(04)
[9]GPS/INS组合导航的变分贝叶斯自适应卡尔曼滤波[J]. 沈忱,徐定杰,沈锋,蔡佳楠.  哈尔滨工业大学学报. 2014(05)
[10]精度分类量测数据的变分贝叶斯自适应Kalman滤波算法[J]. 黄建军,刘杰,虢珺婷.  信号处理. 2013(11)



本文编号：3446560