摘要：研究了带有乘性噪声的线性时滞系统的局部最优预报估计和全局最优线性加权信息融合问题。通过虚拟噪声补偿技术,将该问题转化为一类带有未知时变噪声的随机系统的状态最优估计问题。基于等价系统的新息重组分析及Hilbert空间上的投影定理,给出局部最优预报器设计,进而通过求解与各单传感器子系统有相同维数的Riccati方程得到多传感器分布式全局最优加权信息融合算法。与集中式融合估计算法相比,该方法无需扩维。最后通过一个仿真实例证明该算法的有效性。

摘要：针对水下被动目标跟踪数据率低、跟踪误差大的特点和难点 ,研究了混合坐标下的自适应推广卡尔曼滤波算法 ,并将其应用于水下被动目标跟踪估计器设计。该算法充分应用了直角坐标系下动态方程的线性特性和极坐标系下测量方程的线性特性 ,针对两坐标体系间协方差矩阵变换的近似 ,引入了虚拟噪声进行补偿。通过系统的 Monte Carlo仿真结果表明

摘要：设计了卡尔曼滤波器用于消除GPS测量中由于设备自身产生的热噪声,提出了一种消除模型误差的自适应卡尔曼滤波与GPS单点定位结合的方法。该方法通过引入虚拟噪声设计针对未知事变噪声统计系统的卡尔曼自适应滤波器器,结合GPS单点定位测量数据,消除误差模型,剔除了野值,实现了精准定位。研究结果表明,自适应卡尔曼滤波在机动车辆定位中具有极好的消除误差效果,消除误差效果比一般卡尔曼滤波器提高了34%;提升了GPS系统移动状态下的适应性,具有重要的工程应用价值。

摘要：采用虚拟噪声补偿模型误差和有偏的噪声方差估值器、滤波器收敛性判据相结合的方法来解决自适应Kalman滤波发散的问题。首先若模型不准确,则引入虚拟噪声对模型误差进行虚拟补偿,然后采用有偏的噪声方差估值器、滤波器收敛性判据对噪声方差估计值进行监控,阻止滤波器发散。采用混合式自适应Kalman滤波算法对Gill公司的风向风速仪实时采集的数据进行处理,实验结果表明,该方法能有效的提高性能、抑制滤波发散,具有较强的实用性、自适应能力。

摘要：机动目标状态估计中的一个主要问题是:目标运动的突变性导致状态噪声无法进行统计预测。传统的EKF将噪声看成是高斯白噪声有着本质上的不足,因而无法实现稳定的跟踪。引入Sage-Husa滤波算法对有色噪声进行在线的估计,一定程度上弥补了目标运动模型不够合理的缺憾。在此基础上,从系统容错设计基本原理出发,用归一化残差功率法实时地检测可能出现的数值发散现象,一旦检测到发散,即通过一种改进的强跟踪自适应滤波器进行抑制,有效地提升了滤波的健硕性,实现了稳定跟踪。最后,针对高机动目标的运动特性,仿真验证采用变维滤波模型,用EKF对目标的简单机动进行跟踪,只有目标运动突变时才采用本文提出的算法,以提升计算的实时性。仿真结果表明此算法对高机动目标的跟踪是有效的。

摘要：对于有模型误差的惯导系统 ,采用常规卡尔曼滤波会导致较大的状态估计误差 ,甚至使滤波器发散。可采用自适应卡尔曼滤波算法 ,通过引入虚拟噪声 ,利用观测数据带来的信息 ,在线改进滤波器的设计 ,并将其运用到捷联惯导系统的初始对准中 ,由此得到的滤波估计比常规卡尔曼估计具有更高的精度和准确度。试验及计算机仿真结果验证了该方法的有效性。