CN112446010B - 自适应弱敏秩卡尔曼滤波方法及其应用 - Google Patents
自适应弱敏秩卡尔曼滤波方法及其应用 Download PDFInfo
- Publication number
- CN112446010B CN112446010B CN202011082252.5A CN202011082252A CN112446010B CN 112446010 B CN112446010 B CN 112446010B CN 202011082252 A CN202011082252 A CN 202011082252A CN 112446010 B CN112446010 B CN 112446010B
- Authority
- CN
- China
- Prior art keywords
- state
- sensitivity
- measurement
- rank
- calculating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001914 filtration Methods 0.000 title claims abstract description 29
- 230000035945 sensitivity Effects 0.000 claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 23
- 230000004907 flux Effects 0.000 claims description 7
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000005562 fading Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F17/11—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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于自适应弱敏秩卡尔曼滤波方法及应用,旨在提供或改善非线性系统状态估计中的滤波精度及滤波性能。该方法主要包括如下步骤:初始化离散的状态方程、量测方程的状态和状态误差方差阵;计算状态和量测的秩采样点以及协方差和量测方差;确定秩采样点的敏感性传播;计算自适应弱敏秩卡尔曼滤波的卡尔曼增益;计算敏感性矩阵;第步的状态估计;以上各步循环迭代,得到系统的实时状态监测结果。本发明基于量测残差正交原理,结合实践经验,创造性的设计了敏感性权重自适应因子,进一步降低了因不确定参数而造成的状态估计误差,从而提高或改善滤波精度及性能。
Description
技术领域
本发明非线性系统状态估计技术领域,具体涉及一种自适应弱敏秩卡尔曼滤波方法及其应用。
背景技术
非线性状态估计问题广泛应用于航空航天器导航、运动目标跟踪、电力系统等众多领域。学者们提出了多种滤波方法来解决非线性系统的状态估计问题。秩卡尔曼滤波(RKF)适用于高斯分布、多元t分布、多元极值分布等非线性滤波,是建立在秩采样方法上的一种滤波方法。但是,RKF方法对系统模型的参数高度敏感,只有当系统模型的参数是精确已知时才能得到状态最优估计,当系统模型参数不确定时,状态估计精度下降。
弱敏秩卡尔曼滤波(全称,DRKF)是在RKF的基础上,将基于状态估计误差敏感性和敏感性权重加权的惩罚函数引入RKF的代价函数中,建立弱敏代价函数,并通过将该函数最小化获得弱敏最优增益,从而在一定程度上解决了不确定参数带来的状态估计误差敏感性问题。
发明内容
本发明要解决的技术问题是提供一种自适应弱敏秩卡尔曼滤波(ADRKF)方法,并将其应用于非线性系统的状态估计过程,旨在解决非线性系统状态估计中的滤波精度不够所导致的准确性差的技术问题。
由于弱敏秩卡尔曼滤波方法中没有给出合适的敏感性权重矩阵的取值方式,本发明基于该领域长期的实践研究,并结合量测残差的正交原理,设计了敏感性权重的自适应因子,以解决敏感性权重的自适应问题,进而降低非线性系统模型中不确定参数的影响,提高滤波精度。
为解决上述技术问题,本发明采用如下技术方案:
设计一种基于自适应弱敏秩卡尔曼滤波的非线性系统状态估计方法,主要包括以下步骤:
(一)建立非线性系统的状态方程及量测方程
xk=f(xk-1,c)+wk-1 (1)
zk=h(xk,c)+vk (2)
其中,xk和zk分别是系统的状态向量和量测向量,k指第k步,代表tk时刻,f(·)和h(·)为非线性函数向量,c为不确定参数向量;wk和vk是零均值高斯白噪声,方差分别为Qk和Rk,满足:
其中,δkj为Kroneckerδ函数,当k=j时,δkj=1;当k≠j时,δkj=0;为wk的转置矩阵/>为vk的转置矩阵。
(二)对步骤(一)中的状态方程和量测方程进行自适应弱敏秩卡尔曼滤波估计
(a)初始化非线性系统状态方程、量测方程的状态和状态误差方差阵
其中,P0和Qk、Rk不相关。
(b)计算状态和量测的秩采样点以及协方差和量测方差
设第k-1步的状态估计值为误差方差阵为/>计算第k步的秩采样点集:
式中,up1与up2为正态偏量,用中位秩计算pi=(i+2.7)/5.4,i=1,2,p1=0.6852,p2=0.8704,up1=0.4823,up2=1.1281;n表示状态向量x的维数,为平方根/>的第j列向量;
时间更新:计算状态一步预测
其中,
计算一步预测误差的方差阵:
其中,上标“-”表示变量的先验估计;为协方差权重系数。
(c)量测更新
重新秩采样,得到采样点集:
量测采样点集:
状态估计:
估计误差的方差阵:
式(13)中,
其中,Pxz,k为状态和量测的协方差,Pzz,k为量测方差。
(d)秩采样点的敏感性传播
第一步,计算k-1步秩采样点的敏感性:
式中,为第k-1步的敏感性,上标“+”表示变量的后验估计。
更新秩采样点集:
第二步,计算先验状态估计和先验协方差矩阵的敏感性
式中为第k步的敏感性的先验估计;
第三步,计算重新秩采样点集的敏感性和量测秩采样点的敏感性
计算量测的敏感性:
第四步,计算状态和量测协方差的敏感性和量测方差的敏感性:
第五步,计算状态估计的敏感性和状态误差方差阵的敏感性:
其中,
其中,是一个斜对称矩阵,满足ΓT=-Γ,Ψ和Θ均为非奇异矩阵,且满足
(e)计算滤波增益矩阵
其中,l为不确定参数个数,λk为渐消因子,wi,k对应第i个不确定参数ci的敏感性权重;wi,k通过下述方法求得:
其中,bci和aci分别对应ci的上下限,为ci的均值;λk通过下述方法求得:
令:
式中,
式(32)中Vk为残差矩阵,通过下式估计:
渐消因子取为:
敏感性代价函数:
(f)计算敏感性矩阵
(g)计算状态更新
以上(a)至(g)步循环迭代,得到系统的实时状态监测结果。
所述非线性系统包括弹道再入目标跟踪系统、电机转速估计、电力系统控制等。
(Ⅰ)建立弹道再入目标跟踪系统的模型:
其中,x(t)=[x1(t) x2(t) x3(t)]T为状态变量,分别为位置x1(t)(m)、速度x2(t)(m/s)和弹道常数x3(t),c为具有不确定性的弹道系数;M和H为观测雷达的位置坐标;v为量测的零均值Gauss白噪声。
(Ⅱ)建立电机转速状态估计的模型:
异步电机离散状态方程:
其中,dt对应于构建量测方程步骤的采样时间间隔,是tk-1时刻的第一定子电压控制输入,/>为tk-1时刻的第二定子电压控制输入,x=[x1,x2,x3,x4,x5]T为状态向量,x1和x2是定子电流,x3和x4是转子磁链,x5是角速度;xk表示tk时刻的状态向量;J是转子惯性;pn是极对数;u1和u2是定子电压控制输入;c=[c1 c2],是不确定参数向量,c1和c2分别是定子电阻和转子电阻;w是零均值高斯白噪声;Ls、Lr和Lm分别为转子电感、定子电感和互感。其它模型参数为:
式中,k对应于tk时刻的步数;UN是三相对称电源的额定电压;f是供电频率;dt对应于构建量测方程步骤的采样时间间隔;un=[un1,un2,un3]T。
将测得的定子电流和转子磁链/>角速度/>作为量测值,以此建立相应的量测模型,则相应的量测方程为:
zk=h(xk,c)+vk=[x1,x3]T+vk (44)
其中,wk和vk是相互独立的零均值高斯白噪声序列,且wk和vk的方差分别为Qk和Rk,且满足
其中,δkj为Kronecker δ函数,当k=j时,δkj=1;当k≠j时,δkj=0;
与现有技术相比,本发明的主要有益技术效果在于:
1.本发明基于量测残差正交原理,结合工程应用实践经验,创造性的设计了敏感性权重自适应因子,提供了弱敏秩卡尔曼滤波(DRKF)中敏感性权重的自适应取值方法,降低了因不确定参数而造成的状态估计误差,从而提高滤波精度,改善滤波性能。
2.本发明滤波方法可广泛应用于航空航天器导航、运动目标跟踪、电机转速状态估计、电力系统控制等非线性系统或工程中,通过提高或改善其系统状态估计中的滤波精度和滤波性能,进而改善非线性系统监测的准确性。
附图说明
图1为本发明自适应弱敏秩卡尔曼滤波的原理示意图。
图2为本发明试验例与DRKF和RKF在弹道目标再入过程中对于目标的状态监测结果的均方根误差对比图。
图3为本发明试验例与DRKF和RKF在感应电机空载启动过程中对于感应电机的状态监测结果的均方根误差对比图。
具体实施方式
下面结合实施例来说明本发明的具体实施方式,但以下实施例只是用来详细说明本发明,并不以任何方式限制本发明的范围。
在以下实施例中所涉及的仪器设备如无特别说明,均为常规仪器设备;所涉及的试验方法或计算方法,如无特别说明,均为常规方法;各公式或方程中所涉及的字母、符合,如无特别说明,其代表本领域常规的物理或数学含义。
实施例一、基于自适应弱敏秩卡尔曼滤波的非线性系统状态估计方法,主要步骤如下:
步骤(一),建立非线性系统的状态方程及量测方程:
xk=f(xk-1,c)+wk-1 (1)
zk=h(xk,c)+vk (2)
其中,xk和zk分别是系统的状态向量和量测向量,k指第k步,代表tk时刻,f(·)和h(·)为非线性函数向量,c为不确定参数向量;wk和vk是零均值高斯白噪声,方差分别为Qk和Rk,满足:
其中,δkj为Kronecker δ函数,当k=j时,δkj=1;当k≠j时,δkj=0;为wk的转置矩阵/>为vk的转置矩阵。
步骤(二),对步骤(一)中的状态方程和量测方程进行自适应弱敏秩卡尔曼滤波估计(参见图1):
1.对离散的状态方程、量测方程的状态和状态误差方差阵分别进行初始化
其中,P0、Qk和Rk均不相关。
2.计算状态和量测的秩采样点以及协方差和量测方差
设第k-1步的状态估计值和误差方差阵分别为和/>则第k步的秩采样点集为:
式中,up1与up2为正态偏量,用中位秩计算pi=(i+2.7)/5.4,i=1,2,p1=0.6852,p2=0.8704,up1=0.4823,up2=1.1281;n表示状态向量x的维数,为平方根/>的第j列向量。
时间更新:状态一步预测为:
式(7)中,
一步预测误差的方差阵:
其中,上标“-”表示变量的先验估计;为协方差权重系数。
量测更新:重新秩采样,得到采样点集:
量测均值:
状态估计:
估计误差的方差阵:
式(13)中,
其中,Pxz,k为状态和量测的协方差,Pzz,k为量测方差。
3.秩采样点的敏感性传播
第一步,计算k-1步秩采样点的敏感性:
式中,为第k-1步的敏感性的后验估计,上标“+”表示变量的后验估计;更新秩采样点集:
第二步,计算先验状态估计和先验协方差矩阵的敏感性
式中为第k步的敏感性的先验估计;
第三步,计算重新秩采样点集和预测量测秩采样点的敏感性
计算量测均值的敏感性:
第四步,计算状态和量测协方差以及量测方差的敏感性:
最后,计算状态估计和状态误差方差阵的敏感性:
式中,
式(27)中,
其中,是一个斜对称矩阵,满足ΓT=-Γ,Ψ和Θ均为非奇异矩阵,且满足/>
4.计算自适应弱敏秩卡尔曼滤波的卡尔曼增益Kk
其中,l为不确定参数个数,λk为渐消因子,wi,k对应第i个不确定参数ci的敏感性权重;wi,k通过下述方法求得:
其中,bci和aci分别对应ci的上、下限,为ci的均值;;λk通过下述方法求得:
令:
式(31)中,
以上式中Vk为残差矩阵,通过下式估计:
渐消因子可取为:
敏感性代价函数:
5.计算敏感性矩阵
6.第k步的状态估计
以上6步循环迭代,得到系统的实时状态监测结果。
试验例1
以一个弹道目标的再入问题为例,通过对目标的状态检测,对本发明的方法进行仿真验证。首先建立如下状态方程和量测方程:
状态方程:
量测方程:
其中,x(t)=[x1(t) x2(t) x3(t)]T为状态变量,分别为位置x1(t)(m)、速度x2(t)(m/s)和弹道常数x3(t),c为具有不确定性的弹道系数,经验值为M=105m和H=105m为观测雷达的位置坐标;v为量测的零均值Gauss白噪声,其方差为R=104m2。
假设参数c服从均匀分布状态的初始真值和初始估计值分别为
[x1(0),x2(0),x3(0)]=[3×105m,-2×104m/s,1×10-3] (41)
方差阵的初始值为
P0=diag{1×106m2,4×106m2/s2,1×10-4} (43)
整个Monte Carlo仿真时间为60s,采样时间为0.1s,仿真次数为1000次;连续状态方程式采用四阶Runge-Kutta方法进行离散化;仿真中,imp.RKF算法和ADRKF算法的敏感性权重均为W=104。
使用本发明方法与本领域常规方法DRKF和RKF对此弹道目标再入问题中目标的位置,速度以及弹道参数进行实时状态监测结果对比如下:
在弹道目标再入过程中对于目标的状态监测,本发明方法与DRKF、RKF监测结果的均方根误差对比如图2所示。
从图2中可以看出,per.RKF算法中系统模型的参数是精确已知的,因此取得了最好的估计效果;imp.RKF,DRKF与ADRKF算法中没有给出具体的不确定参数。可以看出,与imp.RKF和DRKF算法相比,本发明方法的均方根误差值最小,具有更好的精确度。
特别地,per.RKF算法为已知参数真实值的RKF(Perfect RKF),imp.RKF为仅知道参数经验值而不知真实值的RKF(imperfect RKF),DRKF为具有解析增益的弱敏RKF(Desensitized Rank Kalman Filter)。
试验例2
再以异步电机空载启动的状态监测为例,对本发明的方法进行仿真验证。
建立异步电机的离散状态方程:
/>
其中,dt对应于构建量测方程步骤的采样时间间隔,是tk-1时刻的第一定子电压控制输入,/>为tk-1时刻的第二定子电压控制输入,x=[x1,x2,x3,x4,x5]T为状态向量,x1和x2是定子电流,x3和x4是转子磁链,x5是角速度;xk表示tk时刻的状态向量;J是转子惯性;pn是极对数;u1和u2是定子电压控制输入;c=[c1 c2],是不确定参数向量,c1和c2分别是定子电阻和转子电阻;w是零均值高斯白噪声;其它模型参数为:
其中,转子电感Ls=0.265[H],定子电感Lr=0.265[H],互感Lm=0.253[H],转子惯性J=0.02[kg·m2],极对数pn=2,k对应于tk时刻的步数;UN是三相对称电源的额定电压;f是供电频率;dt对应于构建量测方程步骤的采样时间间隔;un=[un1,un2,un3]T。
将测得的定子电流和转子磁链/>角速度/>作为量测值,以此建立相应的量测模型,则相应的量测方程为:
zk=h(xk,c)+vk=[x1,x3]T+vk (47)
其中,wk和vk是相互独立的零均值高斯白噪声序列,且wk和vk的方差分别为Qk和Rk,且满足
其中,δkj为Kroneckerδ函数,当k=j时,δkj=1;当k≠j时,δkj=0;
经保密实验,发明人获取的系统噪声方差阵Qk和量测噪声方差阵Rk矩阵如下:
其中,观测次数为N=150,总采样时间为t=0.15s/>
初始状态初始误差方差矩阵/>P0、Qk和Rk均不相关;
使用本发明方法与本领域常规方法DRKF和RKF对感应电机的定子电流、转子磁链、角速度参数进行实时状态监测结果对比如下:
在感应电机空载启动过程中对于感应电机的状态监测,本发明方法与DRKF、RKF监测结果的均方根误差对比图如图3所示。
从图3中可以看出,本发明的均方根误差值较小,具有更好的精确度。
以上两个仿真试验例均是在MATLAB(R2016b)软件上进行的建模和仿真,并在CPU为i5-7400、内存为8G的电脑上进行运行。仿真过程中,在MATLAB(R2016b)软件上通过程序的编写搭建了仿真模型,并进行了初始数据的输入(上面的具体实施过程中已给出),然后再通过运行MATLAB(R2016b)软件进行计算。图2与图3均是通过MATLAB(R2016b)仿真计算获取。
上面结合实施例对本发明作了详细的说明;但是,所属技术领域的技术人员能够理解,在不脱离本发明构思的前提下,还可以对上述实施例中的各个具体参数进行变更,或者对相关技术手段进行等同替代,从而形成多个具体的实施例,均为本发明的常见变化范围,在此不再逐一详述。
Claims (1)
1.一种基于自适应弱敏秩卡尔曼滤波的非线性系统状态估计方法,其特征在于,所述非线性系统为弹道再入目标跟踪系统或异步电机系统,包括以下步骤:
(1)建立非线性系统的状态方程及量测方程
对于弹道再入目标跟踪系统,建立如下状态方程和量测方程:
其中,x(t)=[x1(t) x2(t) x3(t)]T为状态变量,分别为位置x1(t)、速度x2(t)和弹道常数x3(t),c为具有不确定性的弹道系数;M和H为观测雷达的位置坐标;v为量测的零均值Gauss白噪声;
对于异步电机系统,先建立如下离散状态方程:
其中,dt对应于构建量测方程步骤的采样时间间隔,是tk-1时刻的第一定子电压控制输入,/>为tk-1时刻的第二定子电压控制输入,x=[x1,x2,x3,x4,x5]T为状态向量,x1和x2是定子电流,x3和x4是转子磁链,x5是角速度;xk表示tk时刻的状态向量;J是转子惯性;pn是极对数;u1和u2是定子电压控制输入;c=[c1 c2],是不确定参数向量,c1和c2分别是定子电阻和转子电阻;w是零均值高斯白噪声;Ls、Lr和Lm分别为转子电感、定子电感和互感;其模型参数为:
式中,k对应于tk时刻的步数;UN是三相对称电源的额定电压;f是供电频率;dt对应于构建量测方程步骤的采样时间间隔;un=[un1,un2,un3]T;
将测得的定子电流和转子磁链/>角速度/>作为量测值,以此建立相应的量测方程:
zk=h(xk,c)+vk=[x1,x3]T+vk (6)
其中,wk和vk是相互独立的零均值高斯白噪声序列,且wk和vk的方差分别为Qk和Rk,且满足
其中,δkj为Kroneckerδ函数,当k=j时,δkj=1;当k≠j时,δkj=0;
(2)利用自适应弱敏秩卡尔曼滤波方法对所述状态方程和量测方程进行自适应弱敏秩卡尔曼滤波估计;所述自适应弱敏秩卡尔曼滤波方法包括如下步骤:
(a)初始化非线性系统状态方程、量测方程的状态和状态误差方差阵
(b)计算状态和量测的秩采样点以及协方差和量测方差
设第k-1步的状态估计值为误差方差阵为/>计算第k步的秩采样点集:
式中,up1与up2为正态偏量,用中位秩计算pi=(i+2.7)/5.4,i=1,2;n表示状态向量x的维数,为平方根/>的第j列向量;
时间更新,计算状态一步预测
其中,
计算一步预测误差的方差阵:
其中,上标“-”表示变量的先验估计;ω为协方差权重系数;
(c)量测更新
重新秩采样,得到采样点集:
量测采样点集:
状态估计:
估计误差的方差阵:
式(17)中,
其中,Pxz,k为状态和量测的协方差,Pzz,k为量测方差;
(d)秩采样点的敏感性传播
第一步,计算k-1步秩采样点的敏感性:
式中,为第k-1步的敏感性的后验估计,上标“+”表示变量的后验估计;更新秩采样点集:
第二步,计算先验状态估计和先验协方差矩阵的敏感性
式中,为第k步的敏感性的先验估计;
第三步,计算重新秩采样点集的敏感性和量测秩采样点的敏感性
计算量测的敏感性:
第四步,计算状态和量测协方差的敏感性和量测方差的敏感性:
第五步,计算状态估计的敏感性和状态误差方差阵的敏感性:
其中,
其中,是一个斜对称矩阵,满足ΓT=-Γ,Ψ和Θ均为非奇异矩阵,且满足
(e)计算滤波增益矩阵
其中,l为不确定参数个数,λk为渐消因子,wi,k对应第i个不确定参数ci的敏感性权重;wi,k通过下述方法求得:
其中,bci和aci分别对应ci的上下限,为ci的均值;λk通过下述方法求得:
令:
式(35)中,
其中,Vk为残差矩阵,通过下式估计:
渐消因子取为:
敏感性代价函数:
(f)计算敏感性矩阵
(g)计算状态更新
(3)循环迭代所述步骤(a)至(g),得到非线性系统的实时状态监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082252.5A CN112446010B (zh) | 2020-10-12 | 2020-10-12 | 自适应弱敏秩卡尔曼滤波方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082252.5A CN112446010B (zh) | 2020-10-12 | 2020-10-12 | 自适应弱敏秩卡尔曼滤波方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446010A CN112446010A (zh) | 2021-03-05 |
CN112446010B true CN112446010B (zh) | 2023-08-08 |
Family
ID=74736540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011082252.5A Active CN112446010B (zh) | 2020-10-12 | 2020-10-12 | 自适应弱敏秩卡尔曼滤波方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446010B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208425B (zh) * | 2020-01-13 | 2022-02-18 | 郑州轻工业大学 | 高精度异步电机系统状态模型的构建方法及异步电机状态检测方法 |
CN113532416A (zh) * | 2021-05-28 | 2021-10-22 | 河南应用技术职业学院 | 基于抗差秩卡尔曼滤波的轮式机器人状态估计方法及自主导航方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063212A (zh) * | 2013-01-04 | 2013-04-24 | 哈尔滨工程大学 | 一种基于非线性映射自适应混合Kalman/H∞滤波器的组合导航方法 |
CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
US10274318B1 (en) * | 2014-09-30 | 2019-04-30 | Amazon Technologies, Inc. | Nine-axis quaternion sensor fusion using modified kalman filter |
CN111208425A (zh) * | 2020-01-13 | 2020-05-29 | 郑州轻工业大学 | 高精度异步电机系统状态模型的构建方法及异步电机状态检测方法 |
-
2020
- 2020-10-12 CN CN202011082252.5A patent/CN112446010B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063212A (zh) * | 2013-01-04 | 2013-04-24 | 哈尔滨工程大学 | 一种基于非线性映射自适应混合Kalman/H∞滤波器的组合导航方法 |
US10274318B1 (en) * | 2014-09-30 | 2019-04-30 | Amazon Technologies, Inc. | Nine-axis quaternion sensor fusion using modified kalman filter |
CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
CN111208425A (zh) * | 2020-01-13 | 2020-05-29 | 郑州轻工业大学 | 高精度异步电机系统状态模型的构建方法及异步电机状态检测方法 |
Non-Patent Citations (1)
Title |
---|
LED chip visual servo positioning control under variable system parameters using adaptive dual rate Kalman filter with adaptive recursive least squares;Ziyue Wang等;《ISA Transactions》;第103卷;第280–294页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112446010A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN104567871B (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 | |
CN112446010B (zh) | 自适应弱敏秩卡尔曼滤波方法及其应用 | |
CN107561503A (zh) | 一种基于多重渐消因子的自适应目标跟踪滤波方法 | |
Rao | Pseudo-linear estimator for bearings-only passive target tracking | |
CN111551895B (zh) | 基于加权多维标度和拉格朗日乘子的运动源tdoa和fdoa定位方法 | |
CN107290742B (zh) | 一种非线性目标跟踪系统中平方根容积卡尔曼滤波方法 | |
CN108319570B (zh) | 一种异步多传感器空时偏差联合估计与补偿方法及装置 | |
CN112671373B (zh) | 一种基于误差控制的卡尔曼滤波自适应滤波算法 | |
CN111750865B (zh) | 一种用于双功能深海无人潜器导航系统的自适应滤波导航方法 | |
CN103940433A (zh) | 一种基于改进的自适应平方根ukf算法的卫星姿态确定方法 | |
CN109586645A (zh) | 一种永磁同步电机惯量识别方法及设备 | |
CN112713587A (zh) | 一种基于平方根容积卡尔曼滤波器的配电网动态状态估计方法及系统 | |
CN111208425B (zh) | 高精度异步电机系统状态模型的构建方法及异步电机状态检测方法 | |
CN110912535B (zh) | 一种新型无先导卡尔曼滤波方法 | |
CN109270455B (zh) | 基于弱敏集合卡尔曼滤波的感应电机状态监测方法 | |
CN115655285B (zh) | 一种权值及参考四元数修正的无迹四元数姿态估计方法 | |
CN115828533A (zh) | 一种基于Student’s t分布的交互多模型鲁棒滤波方法 | |
Quang et al. | FPGA sensorless PMSM drive with adaptive fading extended Kalman filtering | |
CN116415478A (zh) | 基于神经网络的转矩估测方法、装置、设备及存储介质 | |
CN110208791B (zh) | 一种纯角度跟踪伪线性滤波方法 | |
CN112241583A (zh) | 一种最小化后验距离的传感器路径优化方法 | |
Han et al. | Improved adaptive unscented Kalman filter algorithm for target tracking | |
Peng et al. | Maneuvering Target Tracking Using Current Statistical Model Based Adaptive UKF for Wireless Sensor Network. | |
Zhang et al. | A Localization Algorithm Based on Alternating Direction Multiplier Method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |