CN104112079A - 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 - Google Patents
一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 Download PDFInfo
- Publication number
- CN104112079A CN104112079A CN201410365044.4A CN201410365044A CN104112079A CN 104112079 A CN104112079 A CN 104112079A CN 201410365044 A CN201410365044 A CN 201410365044A CN 104112079 A CN104112079 A CN 104112079A
- Authority
- CN
- China
- Prior art keywords
- description
- value
- variance
- covariance
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法。本发明包括估计一步预测目标状态及其协方差阵;迭代估计测量噪声的方差;计算当前时刻的残差方差阵的真实值,估计值,匹配程度指标,调整量以及调整后的测量噪声方差;计算目标状态的估计及其误差协方差。本发明提出的方法具备在线估计测量噪声的统计方差能力,降低了由于噪声统计特性未知时变而导致的滤波误差,提高了非线性滤波估计精度。与此同时,利用基于新息的协方差匹配技术的模糊逻辑方法,实时调整变分贝叶斯方法估计的量测噪声方差,抑制滤波器的发散,增强了滤波方法的鲁棒性。
Description
技术领域
本发明涉及的是一种信号处理技术领域的方法,具体涉及一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法。
背景技术
非线性随机动态***是实际应用中广泛遇到的一类***,诸如火箭的制导和控制***,飞机和舰船的惯性导航***,卫星轨道/姿态的估计,组合导航,雷达或者声纳的探测等等都属于这类***。即使对于线性***,当需要同时估计状态与参数时,也会出现非线性滤波问题。而且非线性滤波问题广泛存在于众多科学领域中,因而非线性***的状态估计无论在理论上还是在工程中都是十分重要的。
非线性***滤波方法中最常用的是扩展卡尔曼滤波(extended Kalman filter,EKF)。EKF通过对非线性模型进行基于泰勒级数展开的线性化处理,得到一阶近似项作为原状态方程和量测方程的近似表达形式。EKF虽然简单易于实现,仍存在线性化会使***产生较大的误差,导致滤波器难以稳定,同时也存在雅克比矩阵计算难等缺陷和使用上的限制,这也促使人们不断寻求新的非线性滤波算法。20世纪90年代,Julier等人提出了无迹卡尔曼滤波(unscented Kalman filter,UKF)算法,用确定性采样的方法解决了EKF的不足。UKF的核心是Unscented变换(UT),它通过在随机变量的周围仔细选择一个最少的采样点的集合,然后将这些采样点代入非线性模型,对于新得到的离散点利用加权和的办法就可以使得后验估计的均值和协方差阵精确到二阶甚至更高阶(对于高斯噪声可以精确到三阶),而EKF 则只能获得一阶的精度。
需要注意的是,在滤波应用过程中,无论是UKF还是EKF,都必须精确己知噪声的统计特性。对实际应用***而言,量测噪声方差总是时变未知的,这是因为量测***受到内外部各种因素的干扰,包括测量误差和环境扰动,这种噪声统计特性的不确定性往往致使现有的滤波方法失效。因此,引入自适应滤波技术进行算法改进显得尤为重要,如极大后验(MAP)估计、模糊逻辑技术、强跟踪技术以及变分贝叶斯(VB)方法等。
发明内容
为了解决上述的问题,本发明中,以无迹卡尔曼滤波(UKF)为基础滤波器,采用变分贝叶斯方法实时估计未知测量噪声的方差,并结合模糊逻辑方法对估计的测量噪声方差进行补偿调整,得到一种模糊自适应变分贝叶斯无迹卡尔曼滤波(FAVB-UKF)方法。
本发明是UKF的改进形式,包括估计一步预测目标状态 及其协方差阵(本发明中为离散时间标记,表示用时刻的目标信息估计第时刻的目标信息);迭代估计测量噪声的方差;计算当前时刻的残差方差阵的真实值,估计值,匹配程度指标,调整量以及调整后的测量噪声方差;计算目标状态的估计(表示该值即为第时刻的最优估计值)及其误差协方差。具体内容如下:
步骤1 设置滤波初始条件,包括:
(1.1)初始状态及其协方差阵;
(1.2)模糊逻辑方法中的移动窗口大小W;
(1.3)VB迭代次数N,初始化参数,;。
步骤2 进行滑动窗口内的变分贝叶斯无迹卡尔曼滤波(VB-UKF)计算,具体包括:
(2.1)设置循环控制变量的初值,令,迭代循环开始;
(2.2)时间更新,估计一步预测目标状态及其协方差阵;
(2.3)量测更新,具体包括:
(2.3.1)计算测量值的预测估计值
(2.3.2)计算状态和测量值的互协方差矩阵
(2.3.3)采用变分贝叶斯方法迭代计算测量噪声方差阵,均方根新息协方差阵,增益阵、最优估计及其误差协方差,迭代过程如下:
(I)设置循环控制变量t的初值,令t=1,根据迭代次数N的值,迭代循环开始
(II)计算测量噪声方差阵,其中上标t表示第t次迭代时的值
(III)计算均方根新息协方差阵和增益阵。
(IV)计算最优估计及其误差协方差
(V)如果,令;然后返回(II),否则执行(VI)
(VI)结束VB迭代过程,求得,,。
(2.4)如果,令,然后返回步骤2;否则结束滑动窗口内VB-UKF计算,执行步骤3。
步骤3 利用模糊逻辑方法动态调整,具体包括:
(3.1)计算当前时刻的残差方差阵的真实值,估计值以及匹配程度指标。
(3.2)以为模糊推理***(FIS)的输入参数,计算测量噪声方差阵的调整量,并以此对VB方法估计的测量噪声方差进行调整,获得当前时刻测量噪声方差。
步骤4 代回调整后的测量噪声方差,在当前时刻执行一次标准UKF算法,获得目标状态的估计及其误差协方差。
本发明有益效果:一方面,通过引入VB方法在线估计测量噪声的统计方差,降低了由于噪声统计特性未知时变而导致的滤波误差,提高了非线性滤波估计精度。另一方面,利用基于新息的协方差匹配技术的模糊逻辑方法,实时调整VB方法估计的量测噪声方差,抑制滤波器的发散,增强了FAVB-UKF的鲁棒性。
附图说明
图1为本发明的结构框图;
图2为匹配程度参数与调整量关系图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
参照图1,设非线性动态***的状态空间模型为:
(1)
其中,表示***状态(为n维列向量全集),是测量向量,和都是可微函数,和都是均值为零的高斯白噪声,其方差分别为和,且测量噪声方差是时变未知的。
假设***的初始状态为:,,且分别独立于和。
下面,基于***模型,详述FAVB-CKF的具体实施步骤:
步骤1 设置滤波初始条件,包括:
(1.1)初始状态及其协方差阵;
(1.2)模糊逻辑方法中的移动窗口大小W;
(1.3)VB迭代次数N,初始化参数,;。
步骤2 进行滑动窗口内的VB-UKF计算,具体包括:
(2.1)设置循环控制变量的初值,令,迭代循环开始;
(2.2)时间更新,具体包括:
(2.2.1)计算sigma点和权值系数
(2)
其中,为状态向量的维数;和分别为时刻的状态估计值及其误差协方差阵;为尺度参数;决定了sigma点远离均值的程度,通常去一个很小的正数,本实施例中取。设为0。 表示均方根矩阵的第j列。
均值和方差的权值系数计算如下:
(3)
其中,用于刻画分布信息,高斯情况下取值为2。
(2.2.2)计算传播后的sigma点
(4)
(2.2.3)估计一步预测目标状态及其协方差阵;
(5)
(6)
其中,上标“”表示矩阵的转置运算。
(2.3)量测更新,具体包括:
(2.3.1) 计算sigma点
(7)
(2.3.2)计算传播后的sigma点
(8)
(2.3.3)计算测量值的预测估计值
(9)
(2.3.4)计算状态和测量值的互协方差矩阵
(10)
(2.3.5)迭代计算测量噪声方差
(I)计算参数预测值
(11)
其中,“”表示Matlab中的点运算。
(II)VB迭代初始化,令,给出迭代次数的值,迭代循环开始
(12)
(III)计算第t次迭代的测量噪声方差阵
(13)
其中,“diag”表示将向量转化为对角矩阵。
(IV)计算第t次迭代的均方根新息协方差阵
(14)
(V)计算第t次迭代的增益阵
(15)
(VI)计算第t次迭代的最优估计及其误差协方差
(16)
(VII)更新迭代估计参数
(17)
其中,。
如果,令,然后返回(3.3.5);否则执行步骤(VIII)。
(VIII)计算滑动窗口内第次VB-UKF滤波估计结果
(18)
(2.4)如果,令,然后返回步骤2;否则结束滑动窗口内VB-UKF计算,执行步骤3。
步骤3 利用模糊逻辑方法动态调整,具体包括:
(3.1)计算当前时刻的残差方差阵的真实值。
(3.2)计算当前时刻的残差方差阵的估计值
(19)
其中表示滑动窗口的起点。
(3.3)计算匹配程度指标
(20)
(3.4)采用模糊逻辑方法调整测量噪声方差
以为模糊推理***(FIS)的输入参数,计算测量噪声方差阵的调整量,并以此对VB方法估计的测量噪声方差进行调整。对方差阵的调整可采用主对角元素逐一修正的方式进行。因此,对于标量输入, 经由FIS可输出标量的调整量。具体包含如下步骤:
(3.4.1)模糊划分
输入量划分为三类模糊集:N表示为负,ZE表示为零,P表示为正。输出量划分为三类模糊集:I表示增加,M表示保持不变,D表示减小。与的关系如图2所示。
(3.4.2)模糊规则库
根据(3.4.2)中的模糊划分,制定如下的模糊规则库:
(I)若,那么;
(II)若,那么;
(III)若,那么。
(3.4.3)调整测量噪声方差
(21)
步骤4 代回调整后的,在k时刻执行一次标准UKF算法(即只采用式(2)-式(10),式(14)-式(16)计算),获得目标状态的估计及其误差协方差。
Claims (1)
1.一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法,其特征在于:
步骤1 设置滤波初始条件,具体包括:
(1.1) 初始状态及其协方差阵 ;
(1.2) 模糊逻辑方法中的移动窗口大小W;
(1.3) VB迭代次数N,初始化参数,,;
步骤2 进行滑动窗口内的变分贝叶斯无迹卡尔曼滤波(VB-UKF)计算,具体包括:
(2.1) 设置循环控制变量的初值,令,迭代循环开始;
(2.2) 时间更新,估计一步预测目标状态及其协方差阵,其中,表示用时刻的目标信息估计第时刻的目标信息;
(2.3) 量测更新,具体包括:
(2.3.1) 计算测量值的预测估计值;
(2.3.2) 计算状态和测量值的互协方差矩阵;
(2.3.3) 采用变分贝叶斯方法迭代计算测量噪声方差阵,均方根新息协方差阵,增益阵、最优估计及其误差协方差,迭代过程如下:
(I) 设置循环控制变量t的初值,令t=1,根据迭代次数N的值,迭代循环开始;
(II) 计算测量噪声方差阵,其中上标t表示第t次迭代时的值;
(III) 计算均方根新息协方差阵和增益阵;
(IV) 计算第t次迭代的最优估计及其误差协方差;
(V) 如果,令t=t+1,然后返回(II),否则执行(VI);
(VI) 结束VB迭代过程,求得滑动窗口内第次VB-UKF滤波估计结果:,,;
(2.4) 如果,令,然后返回步骤2,否则结束滑动窗口内VB-UKF计算,执行步骤3;
步骤3利用模糊逻辑方法动态调整,具体过程包括:
(3.1) 计算当前时刻的残差方差阵的真实值,估计值以及匹配程度指标;
(3.2) 以为模糊推理***(FIS)的输入参数,计算测量噪声方差阵的调整量,并以此对VB方法估计的测量噪声方差进行调整,获得当前时刻测量噪声方差;
步骤4 代回调整后的测量噪声方差,在当前时刻执行一次UKF算法,获得目标状态的估计及其误差协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410365044.4A CN104112079A (zh) | 2014-07-29 | 2014-07-29 | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410365044.4A CN104112079A (zh) | 2014-07-29 | 2014-07-29 | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104112079A true CN104112079A (zh) | 2014-10-22 |
Family
ID=51708866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410365044.4A Pending CN104112079A (zh) | 2014-07-29 | 2014-07-29 | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104112079A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794101A (zh) * | 2015-04-08 | 2015-07-22 | 河海大学 | 一种分数阶非线性***状态估计方法 |
CN104820788A (zh) * | 2015-05-15 | 2015-08-05 | 河海大学 | 计及Lévy噪声的分数阶扩展卡尔曼滤波方法 |
CN105699903A (zh) * | 2016-01-15 | 2016-06-22 | 宁波飞拓电器有限公司 | 一种基于变分贝叶斯ckf的应急灯电池soc估计方法 |
CN106487297A (zh) * | 2016-11-24 | 2017-03-08 | 北京邮电大学 | 一种基于协方差匹配无迹卡尔曼滤波算法的pmsm参数辨识方法 |
CN107229060A (zh) * | 2017-06-26 | 2017-10-03 | 北京工商大学 | 一种基于自适应滤波的gps测量数据处理方法 |
CN108128308A (zh) * | 2017-12-27 | 2018-06-08 | 长沙理工大学 | 一种分布式驱动电动汽车的车辆状态估计***及方法 |
CN108490472A (zh) * | 2018-01-29 | 2018-09-04 | 哈尔滨工程大学 | 一种基于模糊自适应滤波的无人艇组合导航方法 |
CN108599737A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种变分贝叶斯的非线性卡尔曼滤波器的设计方法 |
CN108896047A (zh) * | 2018-05-09 | 2018-11-27 | 上海交通大学 | 分布式传感器网络协同融合与传感器位置修正方法 |
CN109341690A (zh) * | 2018-09-25 | 2019-02-15 | 江苏大学 | 一种鲁棒高效的组合导航自适应数据融合方法 |
CN109669132A (zh) * | 2019-01-21 | 2019-04-23 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
CN109728796A (zh) * | 2018-12-12 | 2019-05-07 | 哈尔滨理工大学 | 一种基于事件触发机制的滤波方法 |
CN109787584A (zh) * | 2019-01-23 | 2019-05-21 | 桂林航天工业学院 | 一种混合不确定***保性能鲁棒Kalman滤波器设计方法 |
CN110794409A (zh) * | 2019-10-21 | 2020-02-14 | 哈尔滨工程大学 | 一种可估计未知有效声速的水下单信标定位方法 |
CN112556721A (zh) * | 2019-09-26 | 2021-03-26 | 中国科学院微电子研究所 | 导航装置滤波器的随机误差的标定方法及*** |
CN112946641A (zh) * | 2021-01-27 | 2021-06-11 | 北京航空航天大学 | 一种基于卡尔曼滤波新息与残差相关的数据滤波方法 |
CN113514810A (zh) * | 2021-07-07 | 2021-10-19 | 北京信息科技大学 | Mimo雷达观测噪声优化方法及装置 |
CN114567288A (zh) * | 2022-01-25 | 2022-05-31 | 河南大学 | 基于变分贝叶斯的分布协同非线性***状态估计方法 |
CN114662535A (zh) * | 2022-03-15 | 2022-06-24 | 中国矿业大学 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
WO2023110451A1 (fr) * | 2021-12-17 | 2023-06-22 | Vitesco Technologies GmbH | Procédé de réduction de bruit de signaux radar et calculateur |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080492A1 (en) * | 2011-09-27 | 2013-03-28 | International Business Machines Corporation | Processing kalman filter |
CN103033186A (zh) * | 2012-12-30 | 2013-04-10 | 东南大学 | 一种用于水下滑翔器的高精度组合导航定位方法 |
CN103761450A (zh) * | 2014-02-24 | 2014-04-30 | 中国石油大学(华东) | 一种基于模糊自适应预测的动态过程故障预报方法 |
-
2014
- 2014-07-29 CN CN201410365044.4A patent/CN104112079A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080492A1 (en) * | 2011-09-27 | 2013-03-28 | International Business Machines Corporation | Processing kalman filter |
CN103033186A (zh) * | 2012-12-30 | 2013-04-10 | 东南大学 | 一种用于水下滑翔器的高精度组合导航定位方法 |
CN103761450A (zh) * | 2014-02-24 | 2014-04-30 | 中国石油大学(华东) | 一种基于模糊自适应预测的动态过程故障预报方法 |
Non-Patent Citations (5)
Title |
---|
DEOK-JIN LEE ET AL: "Nonlinear Estimation and Multiple Sensor Fusion Using Unscented Information Filtering", 《IEEE SIGNAL PROCESSING LETTERS》 * |
E.E.EI MADBOULY ET AL: "Fuzzy Adaptive Kalman Filter for Multi-Sensor System", 《PROC.OF INTERNATIONAL CONFERENCE ON NETWORKING AND MEDIA CONVERGENCE》 * |
SIMO SäRKKä ET AL: "Recursive Noise Adaptive Kalman Filtering by Variational Bayesian Approximations", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 * |
郝燕玲 等: "基于VB-UKF的SINS/GPS自适应融合技术", 《华中科技大学学报》 * |
陈兴林 等: "基于模糊自适应卡尔曼滤波算法的多传感器信息融合", 《航天控制》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794101A (zh) * | 2015-04-08 | 2015-07-22 | 河海大学 | 一种分数阶非线性***状态估计方法 |
CN104820788A (zh) * | 2015-05-15 | 2015-08-05 | 河海大学 | 计及Lévy噪声的分数阶扩展卡尔曼滤波方法 |
CN105699903A (zh) * | 2016-01-15 | 2016-06-22 | 宁波飞拓电器有限公司 | 一种基于变分贝叶斯ckf的应急灯电池soc估计方法 |
CN105699903B (zh) * | 2016-01-15 | 2019-03-26 | 宁波飞拓电器有限公司 | 一种基于变分贝叶斯ckf的应急灯电池soc估计方法 |
CN106487297B (zh) * | 2016-11-24 | 2019-03-05 | 北京邮电大学 | 一种基于无迹卡尔曼滤波算法的pmsm参数辨识方法 |
CN106487297A (zh) * | 2016-11-24 | 2017-03-08 | 北京邮电大学 | 一种基于协方差匹配无迹卡尔曼滤波算法的pmsm参数辨识方法 |
CN107229060B (zh) * | 2017-06-26 | 2019-12-03 | 北京工商大学 | 一种基于自适应滤波的gps测量数据处理方法 |
CN107229060A (zh) * | 2017-06-26 | 2017-10-03 | 北京工商大学 | 一种基于自适应滤波的gps测量数据处理方法 |
CN108128308A (zh) * | 2017-12-27 | 2018-06-08 | 长沙理工大学 | 一种分布式驱动电动汽车的车辆状态估计***及方法 |
CN108490472A (zh) * | 2018-01-29 | 2018-09-04 | 哈尔滨工程大学 | 一种基于模糊自适应滤波的无人艇组合导航方法 |
CN108599737A (zh) * | 2018-04-10 | 2018-09-28 | 西北工业大学 | 一种变分贝叶斯的非线性卡尔曼滤波器的设计方法 |
CN108599737B (zh) * | 2018-04-10 | 2021-11-23 | 西北工业大学 | 一种变分贝叶斯的非线性卡尔曼滤波器的设计方法 |
CN108896047A (zh) * | 2018-05-09 | 2018-11-27 | 上海交通大学 | 分布式传感器网络协同融合与传感器位置修正方法 |
CN109341690A (zh) * | 2018-09-25 | 2019-02-15 | 江苏大学 | 一种鲁棒高效的组合导航自适应数据融合方法 |
CN109728796A (zh) * | 2018-12-12 | 2019-05-07 | 哈尔滨理工大学 | 一种基于事件触发机制的滤波方法 |
CN109728796B (zh) * | 2018-12-12 | 2022-11-15 | 哈尔滨理工大学 | 一种基于事件触发机制的滤波方法 |
CN109669132A (zh) * | 2019-01-21 | 2019-04-23 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
CN109669132B (zh) * | 2019-01-21 | 2020-09-22 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
CN109787584A (zh) * | 2019-01-23 | 2019-05-21 | 桂林航天工业学院 | 一种混合不确定***保性能鲁棒Kalman滤波器设计方法 |
CN112556721A (zh) * | 2019-09-26 | 2021-03-26 | 中国科学院微电子研究所 | 导航装置滤波器的随机误差的标定方法及*** |
CN112556721B (zh) * | 2019-09-26 | 2022-10-28 | 中国科学院微电子研究所 | 导航装置滤波器的随机误差的标定方法及*** |
CN110794409A (zh) * | 2019-10-21 | 2020-02-14 | 哈尔滨工程大学 | 一种可估计未知有效声速的水下单信标定位方法 |
CN110794409B (zh) * | 2019-10-21 | 2021-09-21 | 哈尔滨工程大学 | 一种可估计未知有效声速的水下单信标定位方法 |
CN112946641A (zh) * | 2021-01-27 | 2021-06-11 | 北京航空航天大学 | 一种基于卡尔曼滤波新息与残差相关的数据滤波方法 |
CN113514810A (zh) * | 2021-07-07 | 2021-10-19 | 北京信息科技大学 | Mimo雷达观测噪声优化方法及装置 |
CN113514810B (zh) * | 2021-07-07 | 2023-07-18 | 北京信息科技大学 | Mimo雷达观测噪声优化方法及装置 |
WO2023110451A1 (fr) * | 2021-12-17 | 2023-06-22 | Vitesco Technologies GmbH | Procédé de réduction de bruit de signaux radar et calculateur |
FR3131001A1 (fr) * | 2021-12-17 | 2023-06-23 | Vitesco Technologies | Procédé de réduction de bruit de signaux RADAR et calculateur associé |
CN114567288A (zh) * | 2022-01-25 | 2022-05-31 | 河南大学 | 基于变分贝叶斯的分布协同非线性***状态估计方法 |
CN114567288B (zh) * | 2022-01-25 | 2024-04-26 | 河南大学 | 基于变分贝叶斯的分布协同非线性***状态估计方法 |
CN114662535A (zh) * | 2022-03-15 | 2022-06-24 | 中国矿业大学 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
CN114662535B (zh) * | 2022-03-15 | 2022-11-11 | 中国矿业大学 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104112079A (zh) | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 | |
CN103217175B (zh) | 一种自适应容积卡尔曼滤波方法 | |
Gao et al. | Maximum likelihood principle and moving horizon estimation based adaptive unscented Kalman filter | |
Chen et al. | Novel hybrid of strong tracking Kalman filter and wavelet neural network for GPS/INS during GPS outages | |
Gao et al. | Adaptive unscented Kalman filter based on maximum posterior and random weighting | |
Gao et al. | Multi-sensor centralized fusion without measurement noise covariance by variational Bayesian approximation | |
US20130246006A1 (en) | Method for kalman filter state estimation in bilinear systems | |
CN104567871A (zh) | 一种基于地磁梯度张量的四元数卡尔曼滤波姿态估计方法 | |
CN102980579A (zh) | 一种自主水下航行器自主导航定位方法 | |
CN109448124B (zh) | 用于河道的水质模拟方法和装置 | |
CN104019817A (zh) | 一种用于卫星姿态估计的范数约束强跟踪容积卡尔曼滤波方法 | |
CN103776449A (zh) | 一种提高鲁棒性的动基座初始对准方法 | |
Huang et al. | Design of Gaussian approximate filter and smoother for nonlinear systems with correlated noises at one epoch apart | |
Gao et al. | Adaptively random weighted cubature Kalman filter for nonlinear systems | |
CN103312297B (zh) | 一种迭代扩展增量卡尔曼滤波方法 | |
CN109341690B (zh) | 一种鲁棒高效的组合导航自适应数据融合方法 | |
CN111310110B (zh) | 一种高维耦合不确定***混合状态估计方法 | |
CN109115228A (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
CN117890901A (zh) | 一种广义未知扰动下带有色量测噪声的目标状态估计方法 | |
Li et al. | Track a smoothly maneuvering target based on trajectory estimation | |
CN104331087A (zh) | 一种鲁棒的水下传感器网络目标跟踪方法 | |
CN109582915B (zh) | 应用于纯方位跟踪的改进非线性可观测度自适应滤波方法 | |
Rezaie et al. | Shrinked (1− α) ensemble Kalman filter and α Gaussian mixture filter | |
McDougall et al. | Optimal strategies for the control of autonomous vehicles in data assimilation | |
Qiu et al. | A novel stochastically stable variational Bayesian Kalman filter for spacecraft attitude estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141022 |