發(fā)布時間：2021-10-20 08:12

　　針對線性高斯狀態(tài)空間模型中的噪聲統(tǒng)計特性時變時,變分貝葉斯自適應卡爾曼濾波效果會受影響的問題,提出了基于強跟蹤原理的改進算法。該算法選擇測量噪聲模型為逆Wishart分布,將系統(tǒng)狀態(tài)與時變的測量噪聲協(xié)方差作為待估參數(shù),利用變分貝葉斯方法對二者迭代遞推估計。測量噪聲協(xié)方差的最優(yōu)估計結果再作為時變參數(shù)引入到基于強跟蹤原理的次優(yōu)漸消因子中,以提高其對狀態(tài)預測協(xié)方差的修正精度。仿真結果表明,改進算法在噪聲時變的線性高斯系統(tǒng)中能自適應地跟蹤測量噪聲協(xié)方差,有效克服過程噪聲協(xié)方差時變的影響,估計結果的收斂速度和精度有很大改善。 

【文章來源】：電光與控制. 2020,27(01)北大核心CSCD

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 問題描述
2 強跟蹤變分貝葉斯卡爾曼濾波算法
    2.1 變分貝葉斯自適應卡爾曼濾波
        2.1.1 預測過程
        2.1.2 變分更新過程
    2.2 引入次優(yōu)漸消因子改進
    2.3 ST-VBAKF算法遞推步驟
3 仿真與分析
    3.1 系統(tǒng)狀態(tài)估計效果及計算復雜度分析
    3.2 固定噪聲協(xié)方差初值設定魯棒性能分析
    3.3 測量噪聲協(xié)方差跟蹤效果分析
4 結論


【參考文獻】：
期刊論文
[1]變分貝葉斯自適應容積卡爾曼的SLAM算法[J]. 張抒揚,董鵬,敬忠良.  哈爾濱工業(yè)大學學報. 2019(04)
[2]基于強跟蹤泰勒-卡爾曼濾波器的動態(tài)相量估計算法[J]. 劉潔波,黃純,江亞群,湯濤,謝興.  電工技術學報. 2018(02)
[3]STEKF協(xié)同殘差歸一化的感應電機轉速辨識方法[J]. 尹忠剛,李國銀,張延慶,孫向東,鐘彥儒.  電工技術學報. 2017(05)
[4]基于變分貝葉斯的DR/UTP組合導航濾波方法[J]. 徐健,宋曉萍,張宏瀚,田國強.  儀器儀表學報. 2016(12)
[5]基于不確定模型誤差系統(tǒng)的變分貝葉斯STCKF[J]. 馬天力,王新民,彭程,李婷,邊琦.  控制與決策. 2016(12)
[6]一種簡化的強跟蹤容積卡爾曼濾波算法[J]. 蔡宗平,張雪影,牛創(chuàng),衛(wèi)浩.  電光與控制. 2017(01)
[7]帶測量偏置估計的魯棒卡爾曼濾波算法[J]. 朱光明,蔣榮欣,周凡,田翔,陳耀武.  浙江大學學報(工學版). 2015(07)
[8]一種自適應變分貝葉斯容積卡爾曼濾波方法[J]. 沈鋒,徐廣輝,桑靖.  電機與控制學報. 2015(04)
[9]GPS/INS組合導航的變分貝葉斯自適應卡爾曼濾波[J]. 沈忱,徐定杰,沈鋒,蔡佳楠.  哈爾濱工業(yè)大學學報. 2014(05)
[10]精度分類量測數(shù)據(jù)的變分貝葉斯自適應Kalman濾波算法[J]. 黃建軍,劉杰,虢珺婷.  信號處理. 2013(11)



本文編號：3446560