基于方差补偿自适应卡尔曼滤波的南京铁路隧道沉降变形处理分析

当测量数据中存在粗差时,使用传统卡尔曼滤波对数据进行处理,状态向量的滤波估计值精度和可靠性会明显变差,甚至可能导致滤波发散而无法获得预测结果。通过使用方差补偿自适应卡尔曼滤波进行处理,结果表明能够减弱或消除粗差对数据的影响,从而提高模型的预测精度。结合工程实例分析表明,当观测数据中存在粗差时,使用方差补偿自适应卡尔曼滤波能有效地抵抗粗差的影响,提高数据处理的精度。     

一种Kalman滤波系统误差及其协方差矩阵的半参数估计方法

提出用半参数估计理论来解决系统误差对Kalman滤波解的影响问题。即用半参数模型中的非参数分量表达观测模型和动力学模型中未知的系统误差,在移动的窗口内,基于观测残差和状态向量预测残差拟合模型系统误差,进而修正相应的观测向量和状态预测向量的协方差矩阵,以消除系统误差对滤波的影响。同时这种方法还有明显的优点,就是在滤波过程中不需要对系统误差做任何假设。文中推导了基于正则核估计来解算导航系统半参数模型的相应公式,并根据一个模拟的算例,证明了算法的有效性。     

改进的卡尔曼灰色模型在隧道沉降预测中的应用

为提高地表沉降预测精度,针对灰色预测模型(GM(1,1))易受随机干扰影响致使预测精度不高的问题,建立了基于卡尔曼滤波的灰色理论预测模型。考虑到沉降量受到温度和时间因素影响较大的特点,将地表的沉降看作时间、温度的相关函数来建立卡尔曼滤波模型,并利用迭代滤波理论和LevenbergMarquardt优化滤波,构建改进的卡尔曼滤波模型。改进的卡尔曼滤波模型与灰色模型相结合,应用于地表沉降预测中,并将改进的卡尔曼滤波灰色模型预测结果与卡尔曼滤波灰色模型的预测结果进行对比。实例计算表明,使用改进的卡尔曼滤波对消除检测数据扰动误差后的数据进行灰色模型预测的精度相比于单纯灰色预测的预测精度更高。     

方差分量估计卡尔曼滤波在地铁深基坑变形预测中的应用

在地铁附近基坑工程的施工阶段,通常要对地铁隧道结构进行水平位移监测、分析和预测。采用卡尔曼滤波能实时估计出水平位移状态向量,实现水平位移预测,如果卡尔曼滤波中动态噪声不准或不易确定,就会导致滤波发散而无法获得准确的预测结果。研究和采用基于方差分量估计的卡尔曼滤波,利用预报残差实时更新模型的动态噪声方差,可以避免滤波发散,提高预测精度。实际应用表明,基于方差分量估计的卡尔曼滤波能获得较好的水平位移预测效果。     

自适应渐消卡尔曼滤波及其在SINS初始对准中的应用

卡尔曼滤波常常被用于惯性导航系统初始对准算法,其使用前提是对系统状态进行建模,从而得到比较准确的系统噪声和观测噪声统计特性。在模型失配和观测噪声干扰的情况下,常规卡尔曼滤波会出现精度下降甚至发散,从而影响初始对准精度。针对这一问题,提出了一种新型渐消卡尔曼滤波算法,引入了多重渐消因子对预测误差协方差阵进行调整,设计了基于新息向量统计特性的滤波状态χ2检验条件,使渐消因子的引入时机更加合理,算法的自适应性得到增强。将改进的卡尔曼滤波算法应用到惯性导航系统的初始对准问题中,仿真试验和实测数据试验结果表明,与常规渐消因子滤波算法相比,新算法可以有效提高滤波精度及鲁棒性。     

基于自适应卡尔曼滤波的高层建筑物沉降预测模型研究

由于传统卡尔曼滤波处理实时动态数据中所建立的数学模型不精确或动态噪声特性不准确,导致状态估计失真,甚至导致滤波发散的现象。为了提高高层建筑物沉降监测实时预测的准确性与可靠性,克服传统卡尔曼滤波进行沉降预测中噪声的不足,本文采用方差补偿自适应卡尔曼滤波理论进行分析预测,并通过实测数据对比分析,验证了方差补偿自适应卡尔曼滤滤波理论进行沉降预测的可行性,且预测精度较高。     

抑制卡尔曼滤波发散的组合导航算法研究

卡尔曼滤波是一种递推线性最小方差估计算法,在组合导航数据融合中得到了广泛应用;但由于卡尔曼滤波要求系统模型和噪声统计特性精确已知,而实际中很难做到,因此常常出现滤波发散现象。鉴于此,着重研究了衰减记忆自适应卡尔曼滤波和渐消记忆卡尔曼滤波在INS/GPS组合导航中的应用,并通过对仿真数据的处理,验证了两种滤波算法在抑制滤波发散、提高组合导航系统精度和稳定性方面的可行性。     

基于自适应kalman滤波的高铁桥梁变形预测应用研究

针对传统卡尔曼滤波中动态噪声不准或难以确定等原因而导致模型估计值与真实值不符合,甚至滤波发散现象,已不足以满足高铁变形分析要求。本文采用两种自适应滤波方法优化这一问题,即方差分量估计自适应卡尔曼滤波与方差补偿自适应卡尔曼滤波。采用后验差检验法对比分析两模型精度并进行相关系数评估,结合某高铁段实测数据的处理分析,结果表明:方差补偿卡尔曼滤波模型更优于方差分量估计卡尔曼滤波模型。     

基于衰减因子的虚拟应答器信息融合方法研究

针对虚拟应答器(VB)信息融合时使用Kalman滤波易出现滤波发散的问题,提出了基于改进Sage-Husa自适应滤波算法的信息融合方法. 首先采用自适应滤波动态调节噪声统计特性参数,抑制滤波发散,在预测误差方差矩阵中引入衰减因子,减小陈旧数据的影响进而提高滤波精度,最后进行仿真实验,将所提出的滤波算法与Kalman滤波和Sage-Husa自适应滤波在VB的位置误差和速度误差上进行对比. 仿真结果证明:在相同的时间内,本文所述算法在VB的定位误差上具有显著优势,具有较好地稳定性.      

无迹卡尔曼滤波衰减记忆算法研究

无迹卡尔曼滤波算法作为典型的卡尔曼滤波改进算法,有效地解决了线性化时高阶项的舍弃误差和强非线性模型的无法线性化问题。但是常规的无迹卡尔曼滤波对旧的数据和当前数据的利用率是相同的,很容易导致滤波的发散。通过引进衰减因子加强了对当前数据的利用,降低了旧数据对滤波结果的影响。本文基于此提出了衰减记忆无迹卡尔曼滤波算法,并对衰减因子的确定进行了分析。仿真试验分析表明,衰减记忆无迹卡尔曼滤波算法能够提高滤波结果的精度。