本文關(guān)鍵詞：容積卡爾曼濾波方法及其應(yīng)用研究

  更多相關(guān)文章： 容積卡爾曼濾波 交互式多模型 量測(cè)虛擬采樣 最大期望算法 RTS平滑

【摘要】：隨著控制和計(jì)算機(jī)技術(shù)的飛速發(fā)展,人們對(duì)濾波器精度要求越來(lái)越高。由于非線性濾波算法能夠獲得較高的濾波精度,且在信號(hào)處理、自動(dòng)控制、計(jì)算機(jī)視覺(jué)、無(wú)線通信、航空航天、以及目標(biāo)跟蹤和識(shí)別等領(lǐng)域具有越來(lái)越廣泛的應(yīng)用,得到了相關(guān)領(lǐng)域?qū)＜覍W(xué)者的廣泛關(guān)注和研究。擴(kuò)展卡爾曼濾波(Extended Kalman Filtering,EKF)算法由于算法簡(jiǎn)單,易于實(shí)現(xiàn)得到了廣泛的應(yīng)用,然而,需要計(jì)算非線性函數(shù)Jacobin矩陣,在強(qiáng)非線性和非高斯環(huán)境下濾波表現(xiàn)較差,甚至?xí)霈F(xiàn)濾波發(fā)散,限制了EKF在工程實(shí)踐中的應(yīng)用。無(wú)跡卡爾曼濾波(Unscented Kalman Filtering,UKF)和中心差分卡爾曼濾波(Central Difference Kalman Filtering,CDKF)雖然不需要計(jì)算Jacobin矩陣,但只有選擇合適的參數(shù)才能保證其收斂性。粒子濾波(Particle Filtering,PF)隨著采樣粒子數(shù)的不斷增加,計(jì)算量增大,實(shí)時(shí)性較差。容積卡爾曼濾波(Cubature Kalman Filtering,CKF)是近年來(lái)新興起的一種性能優(yōu)越的非線性濾波算法,其數(shù)學(xué)理論嚴(yán)謹(jǐn),參數(shù)選取方便,收斂效果好�？朔似渌蔷�性濾波算法存在的一些問(wèn)題,正逐漸成為當(dāng)前及未來(lái)非線性濾波技術(shù)的研究熱點(diǎn)和發(fā)展方向。本文圍繞CKF算法改進(jìn)優(yōu)化展開(kāi)研究,主要工作如下:針對(duì)交互式多模型算法中以犧牲濾波精度為代價(jià)來(lái)實(shí)現(xiàn)模型匹配問(wèn)題,提出了一種基于量測(cè)虛擬采樣提升策略的交互式多模型容積卡爾曼濾波(IMM-CKF-S)算法。該算法采用當(dāng)前時(shí)刻量測(cè)和量測(cè)噪聲先驗(yàn)統(tǒng)計(jì)信息構(gòu)建虛擬量測(cè),通過(guò)對(duì)虛擬量測(cè)采樣以及融合提升系統(tǒng)量測(cè)信息可靠性,同時(shí),在交互式多模型容積卡爾曼濾波算法框架下應(yīng)用分布式加權(quán)融合的實(shí)現(xiàn)結(jié)構(gòu)。在保證濾波精度的同時(shí),大大提高了模型間切換速度。針對(duì)系統(tǒng)噪聲統(tǒng)計(jì)特性未知情況下的非線性狀態(tài)估計(jì)問(wèn)題,將最大期望(Expectation Maximization,EM)算法應(yīng)用在非線性狀態(tài)空間模型中,提出了一種基于最大期望算法的容積RTS平滑(Cubature Rauch Tung Striebel Smoother,CRTSS)算法。為了求出系統(tǒng)的噪聲統(tǒng)計(jì)特性,首先,利用極大似然準(zhǔn)則來(lái)構(gòu)造對(duì)數(shù)似然函數(shù),然后,通過(guò)EM算法和梯度下降法推導(dǎo)出噪聲統(tǒng)計(jì)估計(jì)的遞推方程。該算法有效克服了傳統(tǒng)非線性濾波算法在系統(tǒng)噪聲統(tǒng)計(jì)特性未知的情況下濾波精度下降的問(wèn)題,同時(shí)還能夠在線估計(jì)系統(tǒng)噪聲統(tǒng)計(jì)特性。
【關(guān)鍵詞】：容積卡爾曼濾波 交互式多模型 量測(cè)虛擬采樣 最大期望算法 RTS平滑
【學(xué)位授予單位】：河南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN713
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 1 緒論9-15
• 1.1 研究背景和意義9-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀與進(jìn)展10-14
• 1.2.1 多模型估計(jì)理論10-12
• 1.2.2 平滑估計(jì)理論12-14
• 1.3 論文研究?jī)?nèi)容和結(jié)構(gòu)安排14-15
• 2 基礎(chǔ)知識(shí)15-31
• 2.1 引言15
• 2.2 機(jī)動(dòng)目標(biāo)模型15-19
• 2.2.1 勻速與勻加速模型15-16
• 2.2.2 勻速轉(zhuǎn)彎模型16-17
• 2.2.3 一階時(shí)間相關(guān)模型(Singer模型)17
• 2.2.4 半馬爾可夫模型17-18
• 2.2.5 Noval統(tǒng)計(jì)模型18
• 2.2.6“當(dāng)前”統(tǒng)計(jì)模型18-19
• 2.3 交互式多模型算法19-22
• 2.3.1 跳變馬爾可夫建模20
• 2.3.2 輸入交互20-21
• 2.3.3 模型濾波器選擇21
• 2.3.4 模型概率更新21-22
• 2.3.5 估計(jì)融合輸出交互22
• 2.4 最優(yōu)線性平滑22-28
• 2.4.1 固定區(qū)間最優(yōu)平滑22-25
• 2.4.2 固定點(diǎn)最優(yōu)平滑25-27
• 2.4.3 固定滯后最優(yōu)平滑27-28
• 2.5 小結(jié)28-31
• 3 基于量測(cè)提升策略的交互式多模型容積卡爾曼濾波31-41
• 3.1 引言31
• 3.2 問(wèn)題描述31-32
• 3.3 量測(cè)提升策略32
• 3.4 基于量測(cè)提升策略的IMMCKF算法32-38
• 3.4.1 容積卡爾曼濾波(CKF)32-34
• 3.4.2 交互式多模型容積卡爾曼濾波算法34-35
• 3.4.3 量測(cè)提升策略的交互式多模型容積卡爾曼濾波算法35-36
• 3.4.4 IMM-CKF-S算法具體實(shí)現(xiàn)36-38
• 3.5 仿真分析38-40
• 3.5.1 仿真環(huán)境38-39
• 3.5.2 仿真結(jié)果與分析39-40
• 3.6 本章小結(jié)40-41
• 4 基于最大期望算法的容積RTS平滑器設(shè)計(jì)與實(shí)現(xiàn)41-55
• 4.1 引言41
• 4.2 問(wèn)題描述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 固定區(qū)間最優(yōu)平滑算法43-44
• 4.4.1 標(biāo)準(zhǔn)RTS平滑算法43
• 4.4.2 標(biāo)準(zhǔn)雙濾波平滑算法43-44
• 4.5 容積RTS平滑器44-48
• 4.5.1 貝葉斯最優(yōu)濾波和平滑方程44-45
• 4.5.2 Sigma點(diǎn)RTS平滑算法45-48
• 4.6 基于最大期望算法的容積RTS平滑器48-51
• 4.7 仿真分析51-53
• 4.8 本章小結(jié)53-55
• 5 總結(jié)與展望55-57
• 5.1 總結(jié)55
• 5.2 展望55-57
• 參考文獻(xiàn)57-61
• 致謝61-63
• 攻讀學(xué)位期間的科研成果63-64

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 田宏偉,敬忠良,胡士強(qiáng),胡洪濤;自適應(yīng)多速率交互式多模型算法[J];上海交通大學(xué)學(xué)報(bào);2004年12期

2 李輝;沈瑩;張安;程t$;;交互式多模型目標(biāo)跟蹤的研究現(xiàn)狀及發(fā)展趨勢(shì)[J];火力與指揮控制;2006年11期

3 齊立峰;馮新喜;李峰;;多速率交互式多模型粒子濾波研究[J];指揮控制與仿真;2008年02期

4 張世倉(cāng);胡新梅;;基于修正無(wú)偏轉(zhuǎn)換測(cè)量的交互式多模型算法[J];火控雷達(dá)技術(shù);2009年04期

5 汪大寶;劉上乾;馬彩文;;基于多速率交互式多模型的快速光電跟蹤算法[J];光子學(xué)報(bào);2009年12期

6 劉毅;;自適應(yīng)交互式多模型濾波在被動(dòng)制導(dǎo)中的應(yīng)用[J];現(xiàn)代防御技術(shù);2009年02期

7 廖陽(yáng);王睿;曾昭博;熊加遙;;兩階段卡爾曼濾波自適應(yīng)交互式多模型算法[J];探測(cè)與控制學(xué)報(bào);2010年03期

8 孫杰;江朝抒;;基于卷積粒子濾波的交互式多模型算法[J];系統(tǒng)工程與電子技術(shù);2011年05期

9 張保山;徐國(guó)亮;吳一全;;基于坐標(biāo)轉(zhuǎn)換的卡爾曼交互式多模型濾波算法[J];指揮控制與仿真;2007年05期

10 劉貴喜;高恩克;范春宇;;改進(jìn)的交互式多模型粒子濾波跟蹤算法[J];電子與信息學(xué)報(bào);2007年12期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前2條

1 潘泉;張洪才;戴冠中;杜宏偉;;交互式多模型濾波器及其并行實(shí)現(xiàn)研究[A];1995年中國(guó)控制會(huì)議論文集（上）[C];1995年

2 于連慶;張煜婕;陳華礎(chǔ);;多假設(shè)跟蹤方法的應(yīng)用研究[A];2010年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 馬陽(yáng)陽(yáng);交互式多模型電力負(fù)荷建模理論與方法研究[D];山東大學(xué);2016年

2 劉宇璽;載體機(jī)動(dòng)條件下導(dǎo)航接收機(jī)濾波解算技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 李賢;容積卡爾曼濾波方法及其應(yīng)用研究[D];河南大學(xué);2016年

4 楊艷成;基于交互式多模型的機(jī)動(dòng)目標(biāo)跟蹤算法研究[D];哈爾濱工程大學(xué);2012年

5 張健;基于交互式多模型的無(wú)源多傳感器目標(biāo)跟蹤研究[D];電子科技大學(xué);2015年

6 鄒潤(rùn)芳;交互式多模型濾波算法研究及應(yīng)用[D];上海交通大學(xué);2009年

7 鄭雅聰;基于交互式多模型的機(jī)動(dòng)目標(biāo)跟蹤算法研究[D];石家莊鐵道大學(xué);2014年

8 任堅(jiān)斌;基于交互式多模型的機(jī)動(dòng)目標(biāo)跟蹤算法研究[D];南京理工大學(xué);2007年

9 姜燕;多模型機(jī)動(dòng)目標(biāo)跟蹤算法研究[D];太原理工大學(xué);2010年

10 高恩克;目標(biāo)跟蹤的算法研究[D];西安電子科技大學(xué);2007年

，

本文編號(hào)：1105940