測量值進行卡爾曼濾波完成噪聲下的頻率估計和跟蹤。文章建立了仿真模型，對算法的跟蹤性能及跟蹤誤差進行了仿真，仿真結果表明該算法能夠在Es/N0=-1 dB的高動態(tài)條件下實現(xiàn)載波的估計和跟蹤。關鍵詞：高動態(tài)；低信噪比；載波同步；卡爾曼濾波中圖分類號：TN929.5? 文獻標志碼：A0 引言隨著衛(wèi)星技術的飛速發(fā)展，衛(wèi)星移動通信系統(tǒng)具有覆蓋范圍廣、不受地理條件限制、組網(wǎng)靈活、業(yè)務種類多樣等優(yōu)勢［1］。低軌衛(wèi)星星座相對于地面高速運動或者終端的高速運動，使收發(fā)雙方處在

出基于改進卡爾曼濾波的風電塔筒傾斜監(jiān)測算法。主要工作內容如下：1)對風電塔筒的傾斜角度進行姿態(tài)解算，通過數(shù)據(jù)處理過程中的均值處理零偏，減小零偏對解算的影響；2)調整姿態(tài)解算中卡爾曼濾波方程Rk值，改進卡爾曼濾波方程，提高傾斜角計算精度，減小誤差影響。3)利用Matlab仿真驗證改進后的卡爾曼濾波姿態(tài)解算精度以及估計值方差收斂程度。1 姿態(tài)解算本文對風電塔筒傾斜進行監(jiān)測，通過安裝在塔架頂部、塔身處等多個位置的傾角傳感器感知風電塔筒傾斜。風電塔筒之間的連接采用

某導航設備卡爾曼濾波方位解算修正技術杜毅鵬1,2，孫偉瑋3，徐 飛1,2（1 中國電子科技集團公司第二十研究所，西安 710068；2 陜西省組合與智能導航重點實驗室，西安 710068；3 海軍裝備部）某導航設備信號常使用卡爾曼濾波算法進行方位解算。為改良卡爾曼濾波噪聲系數(shù)，確保算法在較短的時間內準確解算設備信號方位值，提出一種基于LabVIEW的卡爾曼濾波方位解算修正技術，通過LabVIEW快速構建信號模型和卡爾曼濾波方位解算模型，完成對卡爾曼濾波初始

數(shù)的非光滑卡爾曼濾波器來抑制系統(tǒng)中的噪聲,為了說明所提出的非光滑卡爾曼濾波器的有效性,文中在所有參數(shù)都相同的條件下,還用傳統(tǒng)的卡爾曼濾波器對含有噪聲的數(shù)據(jù)進行處理,結果表明傳統(tǒng)的卡爾曼濾波器在設計時沒有考慮間隙環(huán)節(jié)的影響,使得狀態(tài)估計不能很好的跟蹤實際值,而文中提出新的濾波方法能快速準確的跟蹤系統(tǒng)的狀態(tài),誤差也小很多,并能快速收斂到零。因此,從誤差的結果來看,帶有切換函數(shù)的非光滑卡爾曼濾波比傳統(tǒng)的卡爾曼濾波的效果要好很多,這也體現(xiàn)了針對這類復雜的系統(tǒng)構建帶

互補濾波、卡爾曼濾波[2]。其中,互補濾波相對容易實現(xiàn),計算成本低,但其估計精度略低于卡爾曼濾波的估計精度[3]。卡爾曼濾波是由魯?shù)婪蚩柭?等人在1960年提出的用于克服維納濾波缺點的一種最優(yōu)線性狀態(tài)估計方法[4]。卡爾曼濾波能夠利用有限的,不直接的,包含噪聲的測量信息去估計那些缺失的信息[5]。強跟蹤濾波是1990年由清華大學周東華教授提出的用于非線性系統(tǒng)的新型濾波器。強跟蹤濾波有更好的模型參數(shù)失配的魯棒性,對于狀態(tài)突變有很強的跟蹤能力[6]。本研究設

。應用擴展卡爾曼濾波能夠有效降低非視距引起的誤差，但是由于需要解算雅可比矩陣會使計算量大幅增加。無跡卡爾曼濾波是一種非線性濾波器，它可以解決傳統(tǒng)卡爾曼濾波器無法解決的非視距（NLOS）誤差問題，又可以避免擴展卡爾曼濾波器計算量大的缺點。楊紫陽等利用無跡卡爾曼算法對通過CHAN算法解算出的定位數(shù)據(jù)進行濾波處理，效果較好，但實際上誤差來源于UWB傳感器采集原始數(shù)據(jù)的過程。因此文章針對這一問題提出先采用無跡卡爾曼濾波處理數(shù)據(jù)，然后進行定位解算，最后完成了實驗驗證

文介紹應用卡爾曼濾波對給出的電力正弦[4]方程進行仿真，通過加裝卡爾曼濾波器來分析圖形，能更好地預測圖形趨勢。1 卡爾曼濾波經(jīng)典最優(yōu)濾波分為2類:Wiener濾波(采用頻域方法)，卡爾曼濾波(時域狀態(tài)空間方法)。維納濾波與卡爾曼濾波的使用方法大不相同。Wiener(采用頻域方法)這種濾波方法的條件相對要求比較高。其缺點和局限性是要求信號是平穩(wěn)和隨機的，所有應用數(shù)據(jù)都必須存儲，并且濾波器也不是遞歸的。Wiener濾波計算量和存儲量也比較大，很難在工程上適用單

法[4]、卡爾曼濾波算法[5-7]及動態(tài)阿倫方差算法[8-12]。其中卡爾曼濾波算法是一種無偏線性最小方差估計算法,屬于預測性濾波算法,采用遞歸運算,計算成本低。卡爾曼濾波算法對頻率跳變具有相對更高的檢測概率,在進行濾波的同時可以基于內部的分析來更新數(shù)據(jù),無需附加方程來檢測異常數(shù)據(jù)。但是在無法確定被研究對象的精確數(shù)學模型及噪聲精確統(tǒng)計特性時,卡爾曼濾波算法的濾波精度將大大降低,嚴重時甚至會發(fā)生濾波發(fā)散。同時,在容錯能力上,卡爾曼濾波算法相對較差。由于傳統(tǒng)的

6109)卡爾曼濾波是從線性最小方差估計的角度出發(fā)的一種以最小均方誤差為估計最佳準則來尋求一套遞推估計的算法，具有計算量小、存儲量低、實時性高的優(yōu)點，被廣泛應用到自動控制、航天、通信技術、天氣預報、動態(tài)GPS測量、變形測量、慣性導航以及航道測量等許多領域[1]。在GPS測量中，關于卡爾曼濾波應用的研究取得了豐碩的成果。例如，為減弱多種誤差源和粗差的影響，諸多學者提出了抗差Kalman濾波[2-3]，自適應Kalman濾波[4-6]。另外，也有學者將抗差和自

問題?；?span id="mc0wuyq" class="hl">卡爾曼濾波的方法很多，其主要有2種實現(xiàn)結構：1)在碼環(huán)鑒別器和環(huán)路濾波器之間加入卡爾曼濾波器；2)用卡爾曼濾波器代替原有的鑒別器。卡爾曼濾波主要有線性卡爾曼濾波[10](Kalman filter，簡稱KF)、擴展卡爾曼濾波[11-12](extended Kalman filter，簡稱EKF)和平淡卡爾曼濾波[13](unscented Kalman filter，簡稱UKF)3種，其中EKF和UKF都是非線性的。采用非線性卡爾曼濾波雖然效果

俊華自適應卡爾曼濾波在BDS變形監(jiān)測數(shù)據(jù)處理中的應用雷孟飛，孔 超，周俊華（湖南聯(lián)智橋隧技術有限公司，長沙 410073）針對在變形監(jiān)測結果中高頻噪聲、粗差較多，以及普通卡爾曼濾波在模型建立不準確情況下易產(chǎn)生數(shù)據(jù)發(fā)散的問題，提出一種自適應卡爾曼濾波方法：在普通的卡爾曼濾波算法中增加觀測噪聲方差縮放因子以及參考方差動態(tài)計算窗口；并根據(jù)前期監(jiān)測結果中的殘差方差動態(tài)調整卡爾曼濾波中的測量誤差方差陣，達到自適應卡爾曼濾波的效果。實驗結果表明，該方法的濾波結果相較普

是采用降維卡爾曼濾波器組[1-5]來解決。Kobayashi使用1組卡爾曼濾波器來解決發(fā)動機傳感器的故障診斷與隔離問題，每個濾波器用來監(jiān)視某一特定傳感器，通過濾波器的不同表現(xiàn)完成故障傳感器的定位。在在線故障診斷過程中，為保障其診斷可靠性，系統(tǒng)必須具有對存在于真實環(huán)境中的非故障信號的魯棒性，否則可能導致誤報。此外，線性卡爾曼濾波器的基準數(shù)據(jù)是針對蛻化前的發(fā)動機建立的，而發(fā)動機在運行過程中會出現(xiàn)性能蛻化的狀況[6-8]。為了避免基準數(shù)據(jù)與蛻化后的發(fā)動機輸出之間

介紹了基于卡爾曼濾波的高速公路車輛跟蹤系統(tǒng)的建模與仿真，通過利用高速公路上的車輛迭代運動和卡爾曼濾波器，有助于信號傳輸后的車輛定位。這種方法將有助于識別司機、車輛以及適當?shù)母櫸恢?。根?jù)卡爾曼算法得到的結果顯示，與車輛的實際信號相比，傳輸后的信號中噪聲水平較高。因此，當采用卡爾曼濾波器濾除噪聲的時候，高速公路上的車輛位置預測精度將會大大提高，而此時創(chuàng)建的車輛模型的狀態(tài)將更接近真實狀態(tài)。即使測量環(huán)境非常嘈雜，也能保證誤差在有效范圍內。隨著高斯白噪聲的消除，車

5]，應用卡爾曼濾波(Kalman Filter，KF)算法[1-5]、粒子濾波(Particle Filter，PF)算法[6]等獲取目標狀態(tài)估計．而在實際當中，由于測量系統(tǒng)往往是非線性模型，需要采用非線性濾波方法來提高濾波精度．擴展卡爾曼濾波器(Extended Kalman Filter，EKF)作為一種應用最為廣泛的非線性濾波器[2]，其通過對非線性函數(shù)進行一階泰勒級數(shù)展開并舍棄高級誤差項，將濾波過程中的非線性目標狀態(tài)估計問題轉化為線性估計問題，再

影響。針對卡爾曼濾波降低誤差的研究，國內外學者取得了比較顯著的成果。比如，孫罡等[1]通過改良參數(shù)和穩(wěn)定模型的方法獲得靜態(tài)的精準的GPS定位；SHI E[2]通過獲得大量數(shù)據(jù)，實現(xiàn)動態(tài)的精準的GPS定位；王虎等[3]根據(jù)不同的情況建立不同的卡爾曼濾波器，保證了動態(tài)定位的動態(tài)性和準確性?，F(xiàn)有的卡爾曼濾波器要么無法適用于動態(tài)定位，要么不具有普適性。本文在前人研究基礎上，以農(nóng)用機動車輛的GPS定位為研究對象。設計卡爾曼濾波器既能適用于動態(tài)定位，又具有廣泛應用性，

802)?卡爾曼濾波算法研究毛秀華，吳 健(中國電子科技集團公司第五十一研究所，上海 201802)對卡爾曼濾波的起源和發(fā)展進行了簡述，然后對標準卡爾曼濾波的定義和模型進行了回顧，重點對近似二階擴展卡爾曼濾波、擴維無跡卡爾曼濾波和自適應卡爾曼濾波等3種最新改進型的卡爾曼濾波算法進行了詳細闡述，最后對這3種新改進型的卡爾曼濾波算法的優(yōu)缺點進行了對比分析，對各自的適用領域和場景進行了說明。卡爾曼濾波；近似二階擴展卡爾曼濾波；無跡卡爾曼濾波；自適應卡爾曼濾波0

因子的容積卡爾曼濾波算法賀 姍，師 昕（西安工程大學計算機科學學院，陜西 西安 710048）在實際的非線性系統(tǒng)濾波問題中，會出現(xiàn)模型不匹配的情況，而標準容積卡爾曼濾波器對于這種模型不確定性的魯棒性比較差，其濾波估計后的效果會出現(xiàn)較大的偏差。針對這個問題，結合強跟蹤濾波器的思想，提出了一種新的帶漸消因子的容積卡爾曼濾波算法。這個算法的主要思想是，在濾波過程中，引入漸消因子修正濾波器的狀態(tài)協(xié)方差矩陣。應用這種方法能夠獲得比容積卡爾曼濾波更高的濾波精度。非線性

72）不敏卡爾曼濾波方法研究肖賢1張維中2（1.西安鐵路職業(yè)技術學院，陜西西安710014；2.西北工業(yè)大學，陜西西安710072）針對卡爾曼濾波（KF）在對非線性目標系統(tǒng)目標跟蹤問題時易出現(xiàn)跟蹤精度較低，濾波發(fā)散等問題，將不敏卡爾曼濾波器（UKF）運用在非線性系統(tǒng)的目標跟蹤中。通過不敏卡爾曼濾波器在非線性目標跟蹤中的應用和仿真結果比較表明，不敏卡爾曼濾波與傳統(tǒng)卡爾曼濾波器和擴展卡爾曼濾波器（EKF）相比，提高了濾波精度，改善了濾波性能，具有較好的跟蹤效果

0 引 言卡爾曼濾波是在組合導航中常用的信息融合算法,使用標準卡爾曼濾波的前提條件是系統(tǒng)的動力學特性和噪聲的統(tǒng)計特性已知,但在實際情況中由于全球定位系統(tǒng)接收機與航位推算(DR)器件及外部環(huán)境變化導致的不確定噪聲使得這個前提不能滿足,常導致濾波發(fā)散[1]。要控制發(fā)散首先需要判斷系統(tǒng)所處的不穩(wěn)定狀況,然后選擇不同的發(fā)散控制方式,新息可以用來作為判斷和調整濾波器增益的依據(jù)[2]。目前,國內外對于自適應卡爾曼濾波器的研究逐漸集中在兩個方面:基于新息自適應估計(IA

量估計值。卡爾曼濾波實際是對隨時間變化的參數(shù)估計的一種順序最小二乘逼近，特別適用于動態(tài)測量。目前，卡爾曼濾波技術已經(jīng)廣泛應用在導航，數(shù)據(jù)融合技術，控制技術等領域，特別是在計算機圖像處理方面，臉部識別，圖像邊緣處理中大都采用卡爾曼濾波技術［3］。而在實際工程當中，經(jīng)常會遇到有色噪聲。對于卡爾曼濾波，需要同時考慮有色動態(tài)噪聲和有色觀測噪聲的雙重影響?，F(xiàn)有的處理方法，大都是采用白噪聲驅動下的有色卡爾曼濾波技術，就是將有色噪聲進行白化處理，即表達成白噪聲函數(shù)［4］

因此，利用卡爾曼濾波數(shù)學模型對控制測量中的GPS信號、星歷和殘差進行優(yōu)化，從而在同一時、間同一地點、同一天氣的情況下盡量提高GPS精度。1 卡爾曼濾波1960年，卡爾曼發(fā)表了用遞歸方法解決離散數(shù)據(jù)線性濾波問題的論文。在這篇文章里，一種克服了維納濾波缺點的新方法被提出來，這就是我們今天稱之為卡爾曼濾波的方法。卡爾曼濾波應用廣泛且功能強大，它可以估計信號的過去和當前狀態(tài)，甚至能估計將來的狀態(tài)，即使并不知道模型的確切性質[1]。1.1 濾波器的計算模型從建立的系

網(wǎng)絡方法、卡爾曼濾波器法等［1］。而無速度傳感器技術對測量參數(shù)的要求較高，主要存在轉速估計方案存在動態(tài)特性差、調節(jié)能力有限、易受外界環(huán)境干擾、存在抖動等問題。卡爾曼濾波器感應電動機轉速估計方法是線性卡爾曼濾波器方法在非線性中的應用。其主要思想是將電機的運動方程作為一個狀態(tài)方程，把電機負載轉矩看作系統(tǒng)的擴展狀態(tài)量，根據(jù)定子側測量的電壓、電流值(包括測量誤差)，由卡爾曼濾波器估算出電機轉子磁鏈、轉速等信息。當系統(tǒng)接近線性但不是絕對線性時，卡爾曼濾波器通過一系列

題，將集合卡爾曼濾波算法引入到非線性目標跟蹤領域，驗證了其可行性和有效性，提出了基于分塊集合卡爾曼濾波的非線性目標跟蹤算法.采用分塊思想生成初始集合，使用協(xié)方差矩陣加權方法解決分塊間的航跡相關問題.仿真結果表明基于分塊集合卡爾曼濾波的目標跟蹤算法計算復雜度和以往的集合卡爾曼濾波算法同階的情況下可以提供更高的運動參數(shù)估計精度，解決了粒子濾波算法計算量大難以進行實時跟蹤的問題.

)基于聯(lián)合卡爾曼濾波的汽車防碰撞多傳感器信息融合方法孔金生，張西雅，崔盈慧(鄭州大學 電氣工程學院 河南 鄭州 450001)車輛行駛信息感知是汽車防碰撞系統(tǒng)的關鍵技術之一，只用單一傳感器對目標車輛進行測量容易產(chǎn)生虛警.在對聯(lián)合卡爾曼濾波分析的基礎上，給出了基于聯(lián)合卡爾曼濾波的汽車防碰撞多傳感器信息融合方法.計算機仿真結果表明，該算法可以得到較精確的融合數(shù)據(jù)，對于增強汽車防碰撞系統(tǒng)的安全性具有重要意義.聯(lián)合卡爾曼濾波； 汽車防碰撞； 信息融合0 引言國際上

0063)卡爾曼濾波是從與被測信號有關的觀測中通過算法估計出所需信號的一種最優(yōu)化自回歸數(shù)據(jù)處理算法.由于卡爾曼濾波具有最小無偏方差性,目前廣泛應用于機器人導航、控制、傳感器數(shù)據(jù)融合、設備狀態(tài)檢測和計算機圖像處理等領域.卡爾曼濾波與其他傳統(tǒng)的濾波器相比,最大的特點是能夠去除測量系統(tǒng)中的隨機誤差,來獲取更接近真實值的信息.1 離散型卡爾曼濾波的數(shù)學模型卡爾曼濾波有連續(xù)和離散型兩種算法,其中離散型算法目前被廣泛應用于線性系統(tǒng)的狀態(tài)估計中.設tk時刻的狀態(tài)估計為X