本文關鍵詞：容積卡爾曼濾波方法及其應用研究

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

【摘要】：隨著控制和計算機技術的飛速發(fā)展,人們對濾波器精度要求越來越高。由于非線性濾波算法能夠獲得較高的濾波精度,且在信號處理、自動控制、計算機視覺、無線通信、航空航天、以及目標跟蹤和識別等領域具有越來越廣泛的應用,得到了相關領域專家學者的廣泛關注和研究。擴展卡爾曼濾波(Extended Kalman Filtering,EKF)算法由于算法簡單,易于實現(xiàn)得到了廣泛的應用,然而,需要計算非線性函數(shù)Jacobin矩陣,在強非線性和非高斯環(huán)境下濾波表現(xiàn)較差,甚至會出現(xiàn)濾波發(fā)散,限制了EKF在工程實踐中的應用。無跡卡爾曼濾波(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,計算量增大,實時性較差。容積卡爾曼濾波(Cubature Kalman Filtering,CKF)是近年來新興起的一種性能優(yōu)越的非線性濾波算法,其數(shù)學理論嚴謹,參數(shù)選取方便,收斂效果好。克服了其它非線性濾波算法存在的一些問題,正逐漸成為當前及未來非線性濾波技術的研究熱點和發(fā)展方向。本文圍繞CKF算法改進優(yōu)化展開研究,主要工作如下:針對交互式多模型算法中以犧牲濾波精度為代價來實現(xiàn)模型匹配問題,提出了一種基于量測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。該算法采用當前時刻量測和量測噪聲先驗統(tǒng)計信息構建虛擬量測,通過對虛擬量測采樣以及融合提升系統(tǒng)量測信息可靠性,同時,在交互式多模型容積卡爾曼濾波算法框架下應用分布式加權融合的實現(xiàn)結構。在保證濾波精度的同時,大大提高了模型間切換速度。針對系統(tǒng)噪聲統(tǒng)計特性未知情況下的非線性狀態(tài)估計問題,將最大期望(Expectation Maximization,EM)算法應用在非線性狀態(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)計特性,首先,利用極大似然準則來構造對數(shù)似然函數(shù),然后,通過EM算法和梯度下降法推導出噪聲統(tǒng)計估計的遞推方程。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)計特性未知的情況下濾波精度下降的問題,同時還能夠在線估計系統(tǒng)噪聲統(tǒng)計特性。
【關鍵詞】：容積卡爾曼濾波 交互式多模型 量測虛擬采樣 最大期望算法 RTS平滑
【學位授予單位】：河南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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 國內(nèi)外研究現(xiàn)狀與進展10-14
• 1.2.1 多模型估計理論10-12
• 1.2.2 平滑估計理論12-14
• 1.3 論文研究內(nèi)容和結構安排14-15
• 2 基礎知識15-31
• 2.1 引言15
• 2.2 機動目標模型15-19
• 2.2.1 勻速與勻加速模型15-16
• 2.2.2 勻速轉彎模型16-17
• 2.2.3 一階時間相關模型(Singer模型)17
• 2.2.4 半馬爾可夫模型17-18
• 2.2.5 Noval統(tǒng)計模型18
• 2.2.6“當前”統(tǒng)計模型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28-31
• 3 基于量測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 問題描述31-32
• 3.3 量測提升策略32
• 3.4 基于量測提升策略的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 仿真結果與分析39-40
• 3.6 本章小結40-41
• 4 基于最大期望算法的容積RTS平滑器設計與實現(xiàn)41-55
• 4.1 引言41
• 4.2 問題描述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 標準RTS平滑算法43
• 4.4.2 標準雙濾波平滑算法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53-55
• 5 總結與展望55-57
• 5.1 總結55
• 5.2 展望55-57
• 參考文獻57-61
• 致謝61-63
• 攻讀學位期間的科研成果63-64

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 田宏偉,敬忠良,胡士強,胡洪濤;自適應多速率交互式多模型算法[J];上海交通大學學報;2004年12期

2 李輝;沈瑩;張安;程t$;;交互式多模型目標跟蹤的研究現(xiàn)狀及發(fā)展趨勢[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;胡新梅;;基于修正無偏轉換測量的交互式多模型算法[J];火控雷達技術;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];光子學報;2009年12期

6 劉毅;;自適應交互式多模型濾波在被動制導中的應用[J];現(xiàn)代防御技術;2009年02期

7 廖陽;王睿;曾昭博;熊加遙;;兩階段卡爾曼濾波自適應交互式多模型算法[J];探測與控制學報;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;2011年05期

9 張保山;徐國亮;吳一全;;基于坐標轉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;;改進的交互式多模型粒子濾波跟蹤算法[J];電子與信息學報;2007年12期

中國重要會議論文全文數(shù)據(jù)庫 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現(xiàn)研究[A];1995年中國控制會議論文集（上）[C];1995年

2 于連慶;張煜婕;陳華礎;;多假設跟蹤方法的應用研究[A];2010年通信理論與信號處理學術年會論文集[C];2010年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 馬陽陽;交互式多模型電力負荷建模理論與方法研究[D];山東大學;2016年

2 劉宇璽;載體機動條件下導航接收機濾波解算技術研究[D];國防科學技術大學;2014年

3 李賢;容積卡爾曼濾波方法及其應用研究[D];河南大學;2016年

4 楊艷成;基于交互式多模型的機動目標跟蹤算法研究[D];哈爾濱工程大學;2012年

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

6 鄒潤芳;交互式多模型濾波算法研究及應用[D];上海交通大學;2009年

7 鄭雅聰;基于交互式多模型的機動目標跟蹤算法研究[D];石家莊鐵道大學;2014年

8 任堅斌;基于交互式多模型的機動目標跟蹤算法研究[D];南京理工大學;2007年

9 姜燕;多模型機動目標跟蹤算法研究[D];太原理工大學;2010年

10 高恩克;目標跟蹤的算法研究[D];西安電子科技大學;2007年

，

本文編號：1105940