一种数值稳定的次优并行Sage自适应滤波器

提出了一种新的次优Sage自适应Kalman滤波算法。该算法通过对滤波器发散的综合抑制，有效提高了滤波器的数值稳定性，针对经典次优Sage滤波器经常存在结果偏移现象，设计了一种附加伴随滤波器的并行滤波结构，消除了结果偏移，提高了滤波精度。     

一种次优并行Sage自适应滤波器

提出了一种新的次优Sage自适应卡尔曼滤波算法，该算法针对经典次优Sage滤波器经常存在的结果偏移现象，设计了一种附加伴随滤器的并行滤波结构，消除了结果偏移，提高了滤波精度。     

基于SPRT检验的并行递推次优Sage滤波器

提出了一种新的并行递推次优Sage滤波算法。在新方法中,设计了一种附加伴随滤波器的并行滤波结构,消除了结果常值偏差;并引入SPRT检验方法,通过检验模型的噪声统计是否发生了扰动,达到对噪声统计调整进行控制的目的,使得滤波器可以有效跟踪时变噪声,并减少了计算量。     

Sage滤波器的发散问题解决

提出了一种新的次优Sage自适应卡尔曼滤波算法。该算法通过对滤波器发散的综合抑制，有效提高了滤波器的数值稳定性。     

一种自适应两阶段卡尔曼滤波算法

当动力学模型存在未知的随机系统偏差时,两阶段卡尔曼滤波要优于标准卡尔曼滤波。两阶段卡尔曼滤波的基础是准确的知道随机系统偏差的统计特性,这在实际过程中是很难做到的。提出了基于新息向量的自适应两阶段卡尔曼滤波。它不仅能够很好的估计随机系统偏差,而且在随机系统偏差的先验统计特性不准确时也能取得良好的效果。最后通过一个仿真算例,验证了自适应两阶段卡尔曼滤波的适用性。     

一种自适应两阶段卡尔曼滤波算法

当动力学模型存在未知的随机系统偏差时,两阶段卡尔曼滤波要优于标准卡尔曼滤波。两阶段卡尔曼滤波的基础是准确的知道随机系统偏差的统计特性,这在实际过程中是很难做到的。提出了基于新息向量的自适应两阶段卡尔曼滤波。它不仅能够很好的估计随机系统偏差,而且在随机系统偏差的先验统计特性不准确时也能取得良好的效果。最后通过一个仿真算例,验证了自适应两阶段卡尔曼滤波的适用性。     

一种地形遥测图像自适应滤波器

提出了一种新颖的脉冲噪声自适应滤除算法,该算法基于数理统计和模糊数学思想,对局部数据(滤波窗口)进行均值和方差估计,并根据估计结果自动选择检噪门限,进而实现噪声检测和平滑。试验结果显示,在脉冲噪声密度小于5%时,该算法的滤波信噪比增益远高于常用滤波算法和其他同类算法;算法对平稳信号的处理效果较好。     

组合导航中一种新息自适应卡尔曼滤波算法

全球定位系统/航位推算组合导航定位中,由于目标运动的不确定性,GPS接收机与DR器件接收的数据存在噪声,使预置目标运动模型通常很难得到较高跟踪精度,针对应用常规卡尔曼滤波进行组合导航解算由于噪声统计特性未知而引起滤波不稳定的问题,本文提出了一种基于新息序列的量测计算进行自适应估计的卡尔曼滤波算法。该算法通过对新息方差强度进行极大似然估计,将新息计算引入卡尔曼滤波器的增益计算,达到控制发散的目的。最后对改进的算法与一般卡尔曼滤波算法做了对比仿真试验分析,结果表明了改进算法的有效性。     

改进的Sage自适应滤波方法

本文首先介绍了 Sage自适应滤波方法 ,分析了基于新息向量、残差向量和状态参数预报值改正向量的协方差自适应估计所存在的问题 ,提出了改进 Sage自适应滤波的新方法。结果表明 ,该方法能有效地控制状态方程异常对动态系统参数估值的影响     

自适应卡尔曼滤波在地表沉降监测中的应用

方差补偿自适应卡尔曼滤波是在对观测数据进行递推滤波的同时,不断的对难以确定的模型参数和噪声进行估计和修正,以减小模型误差,使滤波结果更准确。本文采用方差补偿自适应卡尔曼滤波预测模型,对某矿区首采工作面地表沉降监测数据进行计算,得到相应的预测值,并与标准卡尔曼滤波预测值进行比较。探讨了方差补偿自适应卡尔曼滤波预测模型进行矿区地表沉降预测的可行性。     

GPS非差相位动态定位中Sage自适应滤波算法的研究及软件实现

介绍了GPS非差定位中的卡尔曼滤波模型,详细分析了滤波发散的原因.研究并给出了一种改进的自适应滤波,在此基础上编制了相应的软件,结合实例分析了该方法的有效性.     

基于信噪比的InSAR干涉图自适应滤波

提出一种基于信噪比的InSAR干涉图相位噪声抑制算法.该算法对Goldstein滤波方法进行改进,使Goldstein滤波参数α依赖于局部信噪比,从而实现对低信噪比区域进行强滤波、高信噪比区域弱滤波.采用模拟数据和真实数据进行验证,结果表明新算法能有效抑制InSAR干涉图的噪声.     

An Optimal Adaptive Kalman Filter

In a robustly adaptive Kalman filter, the key problem is to construct an adaptive factor to balance the contributions of the kinematic model information and the measurements on the state vector estimates, and the corresponding learning statistic for identifying the kinematic model biases. What we pursue in this paper are some optimal adaptive factors under the particular conditions that the state vector can or cannot be estimated by measurements. Two optimal adaptive factors are derived, one of which is deduced by requiring that the estimated covariance matrix of the predicted residual vector equals the corresponding theoretical one. The other is obtained by requiring that the estimated covariance matrix of the predicted state vector equals its theoretical one. The two related optimal adaptive factors are given. These are analyzed and compared in theory and in an actual example. This shows, through the actual computations, that the filtering results obtained by optimal adaptive factors are superior to those obtained by adaptive factors based on experience.