CN107765242A - 基于状态增广迭代扩展卡尔曼滤波的系统状态估计方法 - Google Patents
基于状态增广迭代扩展卡尔曼滤波的系统状态估计方法 Download PDFInfo
- Publication number
- CN107765242A CN107765242A CN201710835866.8A CN201710835866A CN107765242A CN 107765242 A CN107765242 A CN 107765242A CN 201710835866 A CN201710835866 A CN 201710835866A CN 107765242 A CN107765242 A CN 107765242A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mover
- msubsup
- msub
- augmentation
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/006—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明公开了一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法,该方法采用准确的公式计算测量预测协方差矩阵,与现有EKF和Modified IEKF算法相比,本发明提出的基于状态增广迭代扩展卡尔曼滤波算法性能经过对位置、速度和弹道系数估计误差的校验证明,能够满足系统状态与测量噪声之间相互正交的关系,具有更快的收敛速度和更高的滤波精度。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法。
背景技术
在弹道再入目标跟踪应用中,最常用的算法是扩展卡尔曼滤波(Extended KalmanFilter-EKF)。针对强非线性测量模型,为提高跟踪精度,可采用基于状态增广迭代扩展卡尔曼滤波算法。这不但能提高目标跟踪精度,而且在快速反应及目标拦截等方面有重要的实用意义。
经对现有技术文献的检索发现,Bell Bradley M.和Cathey Frederick W.,撰文《The Iterated Kalman Filter Update as a Gauss-Newton Method》[J]//IEEETransactions on automatic control,Vol.38,No.2,1993,pp.294-297以及杨争斌、钟丹星,郭福成,周一宇,撰文《一种基于高斯牛顿迭代的单站无源定位算法》[J]//系统工程与电子技术,Vol.29,No.12,2007,pp.2006-2009。根据上述文献可知,目前有两种迭代型扩展卡尔曼滤波算法,在测量模型为强非线性时,这两种算法均具有比EKF更快的收敛速度和更高的滤波精度。但后一种修改的迭代算法(Modified Iterated Extended Kalman Filter-Modified IEKF)存在以下缺点:在滤波测量更新过程中,经过第一次迭代以后,系统状态与测量噪声之间便不再满足相互正交的关系,此时利用标准的计算测量预测协方差矩阵公式会降低滤波精度。因此,重新设计更高滤波精度和相对稳定输出的迭代型扩展卡尔曼滤波算法具有重要的意义。
发明内容
本发明主要解决的技术问题是提供一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法,能够满足系统状态与测量噪声之间相互正交的关系,具有更快的收敛速度和更高的滤波精度。
为解决技术问题,本发明采用的一个技术方案是:提供一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法,该方法的步骤包括:S1:根据系统模型建立非线性系统方程,并对非线性系统方程进行初始化滤波,得到初始化系统状态;其中,系统状态包括系统状态变量和系统误差协方差更新矩阵;S3:对系统模型的非线性系统方程进行标准扩展卡尔曼滤波,计算指定时刻的系统状态;S5:计算指定时刻的测量噪声信息,并将计算得到的测量噪声信息增广到指定时刻的系统状态中;S7:将测量噪声信息对应的状态变量代入系统模型中,利用扩展卡尔曼滤波测量更新步骤进行多次迭代,得到经过多次迭代后的系统状态;S9:在指定时刻的下一时刻继续进行S3-S7的步骤,得到多次迭代后的系统状态。
区别于现有技术,本发明的基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法采用准确的公式计算测量预测协方差矩阵,与现有EKF和Modified IEKF算法相比,本发明提出的基于状态增广迭代扩展卡尔曼滤波算法性能经过对位置、速度和弹道系数估计误差的校验证明,能够满足系统状态与测量噪声之间相互正交的关系,具有更快的收敛速度和更高的滤波精度。
附图说明
图1是本发明提供的一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法的流程示意图;
图2是本发明提供的一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法中位置估计误差的性能比较示意图;
图3是本发明提供的一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法中速度估计误差的性能比较示意图;
图4是本发明提供的一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法中弹道系数估计误差的性能比较图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
其次,本发明利用示意图进行详细描述,在详述本发明实施例时,为便于说明,所述示意图只是实例,其在此不应限制本发明保护的范围。
参阅图1,图1是本发明提供的一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法的流程示意图。
该方法的步骤包括:
S1:根据系统模型建立非线性系统方程,并对非线性系统方程进行初始化滤波,得到初始化系统状态;其中,系统状态包括系统状态变量和系统误差协方差更新矩阵。
其中,非线性系统方程设为:
xk=f(xk-1)+wk-1
yk=g(xk)+vk;
其中,x为系统状态变量;f为非线性系统函数;w为过程噪声;y为测量值;g为非线性测量函数;v为测量噪声;k为时刻值。
且在k=0时,设定初始化系统状态变量为系统状态误差协方差更新矩阵为
S3:对系统模型的非线性系统方程进行标准扩展卡尔曼滤波,计算指定时刻的系统状态预测。
指定时刻为k时刻时,系统状态预测为:
其中,F为非线性系统函数的雅克比矩阵;为k-1时刻的状态误差协方差更新矩阵;T为矩阵转置运算符;Q为过程噪声协方差矩阵。
S5:计算指定时刻的测量噪声信息,并将计算得到的测量噪声信息增广到指定时刻的系统状态中。
将计算得到的测量噪声信息增广到所述指定时刻的系统状态后,得到的系统状态为:
其中,a表示系统状态增广;blkdiag表示矩阵对角化;1表示第一次迭代。
S7:将测量噪声信息对应的状态变量代入系统模型中,利用扩展卡尔曼滤波测量更新步骤进行多次迭代,得到经过多次迭代后的系统状态。
利用扩展卡尔曼滤波测量更新步骤进行多次迭代时的更新公式包括:
其中,K为卡尔曼增益矩阵;H为非线性测量函数的增广雅克比矩阵;为系统状态的测量更新;I为单位矩阵。
经过j次迭代以后,系统状态估计及相应的误差协方差更新矩阵为:
其中:nx为系统状态变量的维数。
S9:在指定时刻的下一时刻继续进行S3-S7的步骤,得到多次迭代后的系统状态。
示例的,以利用雷达测量进行弹道再入目标进行实时跟踪作为实施例进行说明。
动态系统模型为:
其中,x1是弹道再入目标的高度;x2是下落速度;x3是恒定的弹道参数;η是已知的反大气密度标高。
雷达测量方程:
其中,a是雷达站的高度;b是再入目标与雷达之间的水平距离;vk是零均值的测量高斯噪声;tk表示第k时刻。
具体的仿真参数和初始条件分别在表1和表2中所示;
表1
表2
步骤一、初始化,取k=1,具体参数设置由初始条件表2给出。
步骤二、利用标准扩展卡尔曼滤波公式计算第k时刻的状态预测估计及相应的误差协方差预测矩阵
步骤三、将测量噪声信息增广到系统状态中,即:
步骤四、将测量噪声信息对应的状态包含到测量模型中,即新的测量模型为:利用状态增广扩展卡尔曼滤波测量更新步骤进行3次迭代。
步骤五、经过3次迭代以后,系统状态估计及相应的误差协方差更新矩阵为:
步骤六、k=k+1,并返回到第二步进行下一时刻的状态估计。
步骤七、对所提出的基于状态增广迭代扩展卡尔曼滤波算法性能经过对位置、速度和弹道系数估计误差进行校验。
如图2-图4所示,本实施例的基于状态增广迭代扩展卡尔曼滤波(Stateaugmentation-based Modified Iterated Kalman Filter-SM-IEKF)算法相比EKF和Modified IEKF算法效果示意图。根据附图可见,本方法可得到更高的估计精度和更快的收敛速度。
区别于现有技术,本发明的基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法采用准确的公式计算测量预测协方差矩阵,与现有EKF和Modified IEKF算法相比,本发明提出的基于状态增广迭代扩展卡尔曼滤波算法性能经过对位置、速度和弹道系数估计误差的校验证明,能够满足系统状态与测量噪声之间相互正交的关系,具有更快的收敛速度和更高的滤波精度。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用所述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (6)
1.一种基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法,其特征在于,包括:
S1:根据系统模型建立非线性系统方程,并对所述非线性系统方程进行初始化滤波,得到初始化系统状态;其中,所述系统状态包括系统状态变量和系统误差协方差更新矩阵;
S3:对所述系统模型的非线性系统方程进行标准扩展卡尔曼滤波,计算指定时刻的系统状态;
S5:计算所述指定时刻的测量噪声信息,并将计算得到的测量噪声信息增广到所述指定时刻的系统状态中;
S7:将所述测量噪声信息对应的状态变量代入所述系统模型中,利用扩展卡尔曼滤波测量更新步骤进行多次迭代,得到经过多次迭代后的系统状态;
S9:在所述指定时刻的下一时刻继续进行S3-S7的步骤,得到多次迭代后的系统状态。
2.根据权利要求1所述的基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法,其特征在于,所述非线性系统方程为:
xk=f(xk-1)+wk-1
yk=g(xk)+vk;
其中,x为系统状态变量;f为非线性系统函数;w为过程噪声;y为测量值;g为非线性测量函数;v为测量噪声;k为时刻值。
3.根据权利要求2所述的基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法,其特征在于,所述指定时刻为k时刻时,系统的状态预测为:
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>F</mi>
<msub>
<mover>
<mi>P</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mi>F</mi>
<mi>T</mi>
</msup>
<mo>+</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
其中,F为非线性系统函数的雅克比矩阵;为k-1时刻的状态误差协方差更新矩阵;T为矩阵转置运算符;Q为过程噪声协方差矩阵。
4.根据权利要求2所述的基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法,其特征在于,将计算得到的测量噪声信息增广到所述指定时刻的系统状态后,得到的系统状态为:
<mrow>
<msubsup>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mi>a</mi>
</msubsup>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
<mi>T</mi>
</msubsup>
</mtd>
<mtd>
<msup>
<mn>0</mn>
<mi>T</mi>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<msubsup>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
<mi>a</mi>
</msubsup>
<mo>=</mo>
<mi>b</mi>
<mi>l</mi>
<mi>k</mi>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,a表示系统状态增广;blkdiag表示矩阵对角化;1表示第一次迭代。
5.根据权利要求2所述的基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法,其特征在于,利用扩展卡尔曼滤波测量更新步骤进行多次迭代时的更新公式包括:
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
<mi>a</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>H</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>a</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>H</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>a</mi>
</msubsup>
<msubsup>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
<mi>a</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>H</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>a</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
<mrow>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>a</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>a</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>g</mi>
<mo>(</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>a</mi>
</msubsup>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mover>
<mi>P</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>a</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>-</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>H</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>a</mi>
</msubsup>
<mo>)</mo>
</mrow>
<msubsup>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
<mi>a</mi>
</msubsup>
</mrow>
其中,K为卡尔曼增益矩阵;H为非线性测量函数的增广雅克比矩阵;为系统状态的测量更新;I为单位矩阵。
6.根据权利要求2所述的基于状态增广迭代扩展卡尔曼滤波算法的系统状态估计方法,其特征在于,经过j次迭代以后,系统状态估计及相应的误差协方差更新矩阵为:
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>a</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>:</mo>
<msub>
<mi>n</mi>
<mi>x</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mover>
<mi>P</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<msubsup>
<mover>
<mi>P</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>a</mi>
</msubsup>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>:</mo>
<msub>
<mi>n</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>1</mn>
<mo>:</mo>
<msub>
<mi>n</mi>
<mi>x</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中:nx为系统状态变量的维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710835866.8A CN107765242A (zh) | 2017-09-16 | 2017-09-16 | 基于状态增广迭代扩展卡尔曼滤波的系统状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710835866.8A CN107765242A (zh) | 2017-09-16 | 2017-09-16 | 基于状态增广迭代扩展卡尔曼滤波的系统状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107765242A true CN107765242A (zh) | 2018-03-06 |
Family
ID=61265027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710835866.8A Pending CN107765242A (zh) | 2017-09-16 | 2017-09-16 | 基于状态增广迭代扩展卡尔曼滤波的系统状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107765242A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520107A (zh) * | 2018-03-19 | 2018-09-11 | 山西大学 | 基于最大似然准则鲁棒卡尔曼滤波的系统状态估计方法 |
CN108872973A (zh) * | 2018-08-30 | 2018-11-23 | 北京电子工程总体研究所 | 一种弹道导弹目标定轨的ekf滤波方法 |
CN110289989A (zh) * | 2019-05-27 | 2019-09-27 | 东南大学 | 一种基于容积卡尔曼滤波算法的分布式状态估计方法 |
CN110501624A (zh) * | 2019-08-29 | 2019-11-26 | 中国人民解放军国防科技大学 | 一种荧光寿命显微镜中系统冲激响应估计方法 |
CN110572139A (zh) * | 2019-08-16 | 2019-12-13 | 上海智驾汽车科技有限公司 | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 |
CN111273279A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 一种基于加速度噪声参数的多雷达数据处理方法 |
CN111506873A (zh) * | 2020-04-13 | 2020-08-07 | 深圳埃瑞斯瓦特新能源有限公司 | 基于扩展卡尔曼滤波算法的非线性系统参数估计方法 |
CN111665495A (zh) * | 2020-06-16 | 2020-09-15 | 苏州慧至智能科技有限公司 | 一种基于vsmm-gmphd的多目标跟踪方法 |
CN111721298A (zh) * | 2020-06-24 | 2020-09-29 | 重庆赛迪奇智人工智能科技有限公司 | 一种slam室外大场景精准定位方法 |
CN111984919A (zh) * | 2020-06-16 | 2020-11-24 | 济南大学 | 水泥回转窑温度场与物料密度的计算方法及系统 |
CN113534661A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法 |
CN113884098A (zh) * | 2021-10-15 | 2022-01-04 | 上海师范大学 | 一种基于具体化模型的可迭代的卡尔曼滤波定位方法 |
CN114048433A (zh) * | 2021-10-26 | 2022-02-15 | 南京大学 | 基于集合卡尔曼滤波框架的混合同化系统及方法 |
CN114928497A (zh) * | 2022-06-01 | 2022-08-19 | 广东石油化工学院 | 一种基于多粒度特征的身份认证方法 |
CN117713750A (zh) * | 2023-12-14 | 2024-03-15 | 河海大学 | 一种基于分数次幂的一致性卡尔曼滤波状态估计方法 |
CN117713750B (zh) * | 2023-12-14 | 2024-05-17 | 河海大学 | 一种基于分数次幂的一致性卡尔曼滤波状态估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102980579A (zh) * | 2012-11-15 | 2013-03-20 | 哈尔滨工程大学 | 一种自主水下航行器自主导航定位方法 |
CN103312297A (zh) * | 2013-06-13 | 2013-09-18 | 北京航空航天大学 | 一种迭代扩展增量卡尔曼滤波方法 |
CN103900574A (zh) * | 2014-04-04 | 2014-07-02 | 哈尔滨工程大学 | 一种基于迭代容积卡尔曼滤波姿态估计方法 |
KR101529515B1 (ko) * | 2014-06-12 | 2015-06-17 | 국방과학연구소 | Mmae-ekf를 이용한 배터리의 soc 추정 방법 및 그 장치 |
CN106197428A (zh) * | 2016-07-10 | 2016-12-07 | 北京工业大学 | 一种利用测量信息优化分布式ekf估计过程的slam方法 |
CN106500693A (zh) * | 2016-12-07 | 2017-03-15 | 中国电子科技集团公司第五十四研究所 | 一种基于自适应扩展卡尔曼滤波的ahrs算法 |
-
2017
- 2017-09-16 CN CN201710835866.8A patent/CN107765242A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102980579A (zh) * | 2012-11-15 | 2013-03-20 | 哈尔滨工程大学 | 一种自主水下航行器自主导航定位方法 |
CN103312297A (zh) * | 2013-06-13 | 2013-09-18 | 北京航空航天大学 | 一种迭代扩展增量卡尔曼滤波方法 |
CN103900574A (zh) * | 2014-04-04 | 2014-07-02 | 哈尔滨工程大学 | 一种基于迭代容积卡尔曼滤波姿态估计方法 |
KR101529515B1 (ko) * | 2014-06-12 | 2015-06-17 | 국방과학연구소 | Mmae-ekf를 이용한 배터리의 soc 추정 방법 및 그 장치 |
CN106197428A (zh) * | 2016-07-10 | 2016-12-07 | 北京工业大学 | 一种利用测量信息优化分布式ekf估计过程的slam方法 |
CN106500693A (zh) * | 2016-12-07 | 2017-03-15 | 中国电子科技集团公司第五十四研究所 | 一种基于自适应扩展卡尔曼滤波的ahrs算法 |
Non-Patent Citations (1)
Title |
---|
伍雪冬: "《非线性时间序列在线预测建模与仿真》", 30 November 2015 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520107A (zh) * | 2018-03-19 | 2018-09-11 | 山西大学 | 基于最大似然准则鲁棒卡尔曼滤波的系统状态估计方法 |
CN108872973B (zh) * | 2018-08-30 | 2022-07-29 | 北京电子工程总体研究所 | 一种弹道导弹目标定轨的ekf滤波方法 |
CN108872973A (zh) * | 2018-08-30 | 2018-11-23 | 北京电子工程总体研究所 | 一种弹道导弹目标定轨的ekf滤波方法 |
CN110289989A (zh) * | 2019-05-27 | 2019-09-27 | 东南大学 | 一种基于容积卡尔曼滤波算法的分布式状态估计方法 |
CN110572139A (zh) * | 2019-08-16 | 2019-12-13 | 上海智驾汽车科技有限公司 | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 |
CN110572139B (zh) * | 2019-08-16 | 2022-11-29 | 上海智驾汽车科技有限公司 | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 |
CN110501624A (zh) * | 2019-08-29 | 2019-11-26 | 中国人民解放军国防科技大学 | 一种荧光寿命显微镜中系统冲激响应估计方法 |
CN111273279A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 一种基于加速度噪声参数的多雷达数据处理方法 |
CN111273279B (zh) * | 2020-02-18 | 2022-05-10 | 中国科学院合肥物质科学研究院 | 一种基于加速度噪声参数的多雷达数据处理方法 |
CN111506873A (zh) * | 2020-04-13 | 2020-08-07 | 深圳埃瑞斯瓦特新能源有限公司 | 基于扩展卡尔曼滤波算法的非线性系统参数估计方法 |
CN111665495A (zh) * | 2020-06-16 | 2020-09-15 | 苏州慧至智能科技有限公司 | 一种基于vsmm-gmphd的多目标跟踪方法 |
CN111984919A (zh) * | 2020-06-16 | 2020-11-24 | 济南大学 | 水泥回转窑温度场与物料密度的计算方法及系统 |
CN111984919B (zh) * | 2020-06-16 | 2023-06-23 | 济南大学 | 水泥回转窑温度场与物料密度的计算方法及系统 |
CN111721298A (zh) * | 2020-06-24 | 2020-09-29 | 重庆赛迪奇智人工智能科技有限公司 | 一种slam室外大场景精准定位方法 |
CN113534661A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法 |
CN113884098A (zh) * | 2021-10-15 | 2022-01-04 | 上海师范大学 | 一种基于具体化模型的可迭代的卡尔曼滤波定位方法 |
CN113884098B (zh) * | 2021-10-15 | 2024-01-23 | 上海师范大学 | 一种基于具体化模型的可迭代的卡尔曼滤波定位方法 |
CN114048433B (zh) * | 2021-10-26 | 2022-06-21 | 南京大学 | 基于集合卡尔曼滤波框架的混合同化系统及方法 |
CN114048433A (zh) * | 2021-10-26 | 2022-02-15 | 南京大学 | 基于集合卡尔曼滤波框架的混合同化系统及方法 |
CN114928497A (zh) * | 2022-06-01 | 2022-08-19 | 广东石油化工学院 | 一种基于多粒度特征的身份认证方法 |
CN117713750A (zh) * | 2023-12-14 | 2024-03-15 | 河海大学 | 一种基于分数次幂的一致性卡尔曼滤波状态估计方法 |
CN117713750B (zh) * | 2023-12-14 | 2024-05-17 | 河海大学 | 一种基于分数次幂的一致性卡尔曼滤波状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107765242A (zh) | 基于状态增广迭代扩展卡尔曼滤波的系统状态估计方法 | |
Liu et al. | Mercury: An infrastructure-free system for network localization and navigation | |
CN106487358B (zh) | 一种机动目标转弯跟踪方法 | |
CN104376581A (zh) | 一种采用自适应重采样的高斯混合无迹粒子滤波算法 | |
Doğançay | Bearings-only target localization using total least squares | |
Kim et al. | Statistical-temperature Monte Carlo and molecular dynamics algorithms | |
AU2009289008B2 (en) | Estimating a state of at least one target | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
Huang et al. | Design of sigma-point Kalman filter with recursive updated measurement | |
CN107045490A (zh) | 一种非线性系统的状态估计方法 | |
CN109388778A (zh) | 一种迭代容积点无迹卡尔曼滤波方法 | |
CN103065037B (zh) | 非线性系统基于分散式容积信息滤波的目标跟踪方法 | |
CN106802416A (zh) | 一种快速因式分解后向投影sar自聚焦方法 | |
CN104836760B (zh) | 一种信道估计方法及装置 | |
CN105975747A (zh) | 一种基于无迹卡尔曼滤波算法的cstr模型参数辨识方法 | |
CN104102836A (zh) | 一种电力系统快速抗差状态估计方法 | |
CN104640204A (zh) | 一种非直达波环境下无线传感器网络节点定位方法 | |
CN106156451A (zh) | 一种基于改进量子粒子群的波达方向估计技术 | |
CN110532517A (zh) | 基于改进的arukf的燃气管道参数估计方法 | |
Liu et al. | EM-based extended object tracking without a priori extension evolution model | |
Chen et al. | A high speed method of SMTS | |
CN106855626A (zh) | 矢量跟踪方法及滤波器 | |
CN104331087B (zh) | 一种鲁棒的水下传感器网络目标跟踪方法 | |
CN105978833A (zh) | 一种改进的sage信道参数估计方法 | |
CN105068090A (zh) | 一种利用单快拍数据进行gnss天线阵干扰抑制的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |
|
RJ01 | Rejection of invention patent application after publication |