乘性噪声干扰下基于卡尔曼滤波算法的状态估计研究
发布时间：2021-11-25 23:48
带乘性噪声的线性系统实际是经典的线性卡尔曼滤波系统的扩展,随着通信、卫星姿态估计等领域对系统模型的准确度要求的不断提升,带乘性噪声系统也越来越受到关注,其自身的优点及特点也随之显现。随着对系统自身的运动特点的有了更清晰的认识,人们也进一步得到关于系统更多的先验条件,滤波精度也得到很大的提高。基于此,本文针对系统在乘性噪声干扰下,并考虑状态加性噪声与测量加性噪声相关的情况下,研究系统的状态滤波估计。本文主要的研究工作如下:1.讨论了KF算法、EKF算法、UKF算法的滤波估计。并详细分析了UKF算法的不敏变换,并通过举例验证了EKF算法和UKF算法性能的优越性。2.针对系统的量测方程中包含乘性噪声,且乘性噪声为高斯白噪声,且系统的量测加性噪声与状态噪声满足某一确定的线性关系,通过正交投影定理,依据最小均方误差估计准则,得到一个新的递推的最优算法,通过实验仿真,验证了所提出的最优算法的有效性,有利于噪声的进一步扩展。3.针对系统的状态方程和量测方程均受乘性噪声干扰,且系统的量测加性噪声与状态加性噪声依旧满足一定的线性关系,计算目标的最优滤波状态估计。该算法是依据最小均方误差估计准则,计算得到...
【文章来源】：河南理工大学河南省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
状杰估计樟型框图
表 2-1 卡尔曼滤波递推公式Tab.2-1 Kalman filter recursion formula步预测值： | 1 | 1 1 | 1 1 k k k k k k k kx x B u = Φ + 一步预测：| 1| 1 | 1 1P P Qk kTk k k k k k = Φ Φ + 差： | 1 | 1 | 1 k k k k k k k k kz z z z H x = = 差协方差：T| 1Pkk k k k kS H H R = + 滤波增益：T 1| 1Pkk k k kK H S = (2状态估计： | 1 | 1 ( )k k k k k k k kx x K z H x = + (2协方差估计： | 1( )k k k k kP I K H P = (2
换基本原理基于先验知识[40]；用无迹变换在估计值附近确定采样线性做线性化处理，用所确定的采样点表示非线性函换方法可用图 2-3 解释。其采样点的选择是基于先验的相关列来实现的。的中心思想分三步，第一步：按某一标准选取一些采样和协方差等于初始状态分布的均值和协方差；第二步线性函数，相应得到非线性函数值的点集；第三步：变换后的均值和协方差。通过这样的思想得到的均值 2 阶以上，并没忽略其 2 阶以上的项，所以用该思想 EKF 滤波算法，其精确度更高，估计值更逼近真实值
【参考文献】：
期刊论文
[1]具有乘性噪声和随机量测时滞的目标跟踪算法[J]. 吴骁航,宋申民. 中国惯性技术学报. 2017(01)
[2]一种改进的基于交互式模型的机动目标跟踪算法[J]. 左现刚,武变霞,王建平,贾蒙. 火力与指挥控制. 2016(11)
[3]鲁棒EKF在脉冲星导航系统中的应用[J]. 李敏,张迎春,耿云海,祝宝龙,李化义. 航空学报. 2016(04)
[4]IMM PF算法在反舰导弹跟踪滤波中的应用[J]. 雷振达,马春草. 火力与指挥控制. 2015(06)
[5]基于虚拟检测函数下的IMM-UKF机动目标跟踪[J]. 徐洋,徐松涛,罗文涛,向建军,秦占师. 火力与指挥控制. 2015(01)
[6]一类具有等式约束的带乘性噪声系统的最优滤波算法[J]. 褚东升,于兴凯,张玲. 中国海洋大学学报(自然科学版). 2014(11)
[7]基于Kalman滤波算法的姿态传感器信号融合技术研究[J]. 陈航科,张东升,盛晓超,王凯. 传感器与微系统. 2013(12)
[8]车辆导航中的交互多模卡尔曼滤波跟踪方法[J]. 孔金生,翟弦. 计算机工程与应用. 2009(14)
博士论文
[1]宽带信号波达方向估计方法研究[D]. 刘付刚.哈尔滨工程大学 2013
硕士论文
[1]一类带乘性噪声附等式约束的非线性系统状态估计算法研究[D]. 王昌盛.中国海洋大学 2015
[2]一类带乘性噪声系统的自适应估计算法研究[D]. 刘祺.中国海洋大学 2011
[3]基于Jordan变换的带乘性噪声广义系统最优估计算法研究[D]. 郭丽娜.中国海洋大学 2008
[4]一类带乘性噪声非线性系统的估计算法研究[D]. 张征.中国海洋大学 2006
[5]带乘性噪声系统的状态分部滤波算法研究[D]. 李莉.中国海洋大学 2005
本文编号：3519022
【文章来源】：河南理工大学河南省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
状杰估计樟型框图
表 2-1 卡尔曼滤波递推公式Tab.2-1 Kalman filter recursion formula步预测值： | 1 | 1 1 | 1 1 k k k k k k k kx x B u = Φ + 一步预测：| 1| 1 | 1 1P P Qk kTk k k k k k = Φ Φ + 差： | 1 | 1 | 1 k k k k k k k k kz z z z H x = = 差协方差：T| 1Pkk k k k kS H H R = + 滤波增益：T 1| 1Pkk k k kK H S = (2状态估计： | 1 | 1 ( )k k k k k k k kx x K z H x = + (2协方差估计： | 1( )k k k k kP I K H P = (2
换基本原理基于先验知识[40]；用无迹变换在估计值附近确定采样线性做线性化处理，用所确定的采样点表示非线性函换方法可用图 2-3 解释。其采样点的选择是基于先验的相关列来实现的。的中心思想分三步，第一步：按某一标准选取一些采样和协方差等于初始状态分布的均值和协方差；第二步线性函数，相应得到非线性函数值的点集；第三步：变换后的均值和协方差。通过这样的思想得到的均值 2 阶以上，并没忽略其 2 阶以上的项，所以用该思想 EKF 滤波算法，其精确度更高，估计值更逼近真实值
【参考文献】：
期刊论文
[1]具有乘性噪声和随机量测时滞的目标跟踪算法[J]. 吴骁航,宋申民. 中国惯性技术学报. 2017(01)
[2]一种改进的基于交互式模型的机动目标跟踪算法[J]. 左现刚,武变霞,王建平,贾蒙. 火力与指挥控制. 2016(11)
[3]鲁棒EKF在脉冲星导航系统中的应用[J]. 李敏,张迎春,耿云海,祝宝龙,李化义. 航空学报. 2016(04)
[4]IMM PF算法在反舰导弹跟踪滤波中的应用[J]. 雷振达,马春草. 火力与指挥控制. 2015(06)
[5]基于虚拟检测函数下的IMM-UKF机动目标跟踪[J]. 徐洋,徐松涛,罗文涛,向建军,秦占师. 火力与指挥控制. 2015(01)
[6]一类具有等式约束的带乘性噪声系统的最优滤波算法[J]. 褚东升,于兴凯,张玲. 中国海洋大学学报(自然科学版). 2014(11)
[7]基于Kalman滤波算法的姿态传感器信号融合技术研究[J]. 陈航科,张东升,盛晓超,王凯. 传感器与微系统. 2013(12)
[8]车辆导航中的交互多模卡尔曼滤波跟踪方法[J]. 孔金生,翟弦. 计算机工程与应用. 2009(14)
博士论文
[1]宽带信号波达方向估计方法研究[D]. 刘付刚.哈尔滨工程大学 2013
硕士论文
[1]一类带乘性噪声附等式约束的非线性系统状态估计算法研究[D]. 王昌盛.中国海洋大学 2015
[2]一类带乘性噪声系统的自适应估计算法研究[D]. 刘祺.中国海洋大学 2011
[3]基于Jordan变换的带乘性噪声广义系统最优估计算法研究[D]. 郭丽娜.中国海洋大学 2008
[4]一类带乘性噪声非线性系统的估计算法研究[D]. 张征.中国海洋大学 2006
[5]带乘性噪声系统的状态分部滤波算法研究[D]. 李莉.中国海洋大学 2005
本文编号：3519022
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3519022.html
