一种基于递推协方差阵估计的卡尔曼滤波方法

    公开(公告)号:CN103684349A

    公开(公告)日:2014-03-26

    申请号:CN201310518137.1

    申请日:2013-10-28

    Abstract: 本发明公开了一种基于递推协方差阵估计的卡尔曼滤波方法,属于自适应滤波领域。该方法主要针对离散时间线性时不变系统模型,在系统噪声协方差矩阵完全未知时,能够从系统的观测序列中构建新的统计序列,利用基于大数定律设计的递推计算协方差矩阵估计方法实时计算新构建序列的协方差矩阵估计序列,通过构建序列的协方差矩阵与过程噪声的协方差矩阵的关系计算过程噪声协方差矩阵的估计序列,然后将过程噪声的协方差矩阵的实时估计值代替真实过程噪声协方差矩阵代入标准卡尔曼滤波方法递推计算系统状态的实时估计和估计偏差的协方差矩阵。本发明适用于标准的卡尔曼滤波。

    带有未知观测噪声协方差矩阵递推估计的卡尔曼滤波方法

    公开(公告)号:CN104168005B

    公开(公告)日:2017-01-04

    申请号:CN201410422530.5

    申请日:2014-08-25

    Abstract: 本发明提供了针对离散时间时不变系统的一种带有未知观测噪声协方差阵递推估计的卡尔曼滤波方法,解决了离散时间线性时不变系统中观测噪声协方差矩阵完全未知的情况下的系统状态滤波估计问题。步骤一、利用观测序列构建新统计序列;步骤二、计算{ξk}的协方差矩阵递推公式;步骤三、计算观测噪声协方差矩阵估计序列{f(R)k};步骤四、计算出协方差矩阵的估计序列 然后通过代数关系计算观测噪声协方差矩阵的实时估计;步骤五、将观测噪声的协方差矩阵估计序列 替代真值代入标准卡尔曼滤波方法中,计算系统实时的状态估计以及状态估计偏差的协方差矩阵。

    一种基于递推协方差阵估计的卡尔曼滤波方法

    公开(公告)号:CN103684349B

    公开(公告)日:2016-09-21

    申请号:CN201310518137.1

    申请日:2013-10-28

    Abstract: 本发明公开了一种基于递推协方差阵估计的卡尔曼滤波方法,属于自适应滤波领域。该方法主要针对离散时间线性时不变系统模型,在系统噪声协方差矩阵完全未知时,能够从系统的观测序列中构建新的统计序列,利用基于大数定律设计的递推计算协方差矩阵估计方法实时计算新构建序列的协方差矩阵估计序列,通过构建序列的协方差矩阵与过程噪声的协方差矩阵的关系计算过程噪声协方差矩阵的估计序列,然后将过程噪声的协方差矩阵的实时估计值代替真实过程噪声协方差矩阵代入标准卡尔曼滤波方法递推计算系统状态的实时估计和估计偏差的协方差矩阵。本发明适用于标准的卡尔曼滤波。

    基于极小化矢量距离准则的有限模型滤波方法

    公开(公告)号:CN102679984B

    公开(公告)日:2015-03-25

    申请号:CN201210171112.4

    申请日:2012-05-29

    Abstract: 本发明克服了在惯性系统的惯性器件的随机模型不能精确获知、或者不能用单一线性模型描述时的惯性器件随机误差降噪时经典卡尔曼滤波算法不能应用的困难,提出一种基于极小化矢量距离准则的有限模型滤波方法,步骤一、采集数据并对数据进行预处理;步骤二、对步骤一中预处理后的时间序列数据建模并整定模型参数;步骤三、对每个系统模型设计卡尔曼滤波器并应用基于最小化矢量距离的有限模型算法对模型进行在线实时切换。

    基于极小化矢量距离准则的有限模型滤波方法

    公开(公告)号:CN102679984A

    公开(公告)日:2012-09-19

    申请号:CN201210171112.4

    申请日:2012-05-29

    Abstract: 本发明克服了在惯性系统的惯性器件的随机模型不能精确获知、或者不能用单一线性模型描述时的惯性器件随机误差降噪时经典卡尔曼滤波算法不能应用的困难,提出一种基于极小化矢量距离准则的有限模型滤波方法,步骤一、采集数据并对数据进行预处理;步骤二、对步骤一中预处理后的时间序列数据建模并整定模型参数;步骤三、对每个系统模型设计卡尔曼滤波器并应用基于最小化矢量距离的有限模型算法对模型进行在线实时切换。

    带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法

    公开(公告)号:CN104202019A

    公开(公告)日:2014-12-10

    申请号:CN201410423093.9

    申请日:2014-08-25

    Abstract: 本发明提供了针对离散时间时不变系统的一种基于递推协方差矩阵估计方法的卡尔曼滤波方法,目的是要解决一类离散时间线性时不变系统中观测噪声协方差矩阵完全未知的情况下的系统状态滤波估计问题。步骤一、利用观测序列{yk}构建新统计序列{ξk};步骤二、计算{ξk}的协方差矩阵递推公式:步骤三、利用观测噪声协方差矩阵与新统计序列协方差矩阵实时估计值Covk(ξ)之间的代数关系,计算过程噪声协方差矩阵估计序列;步骤四、通过f(Q)和过程噪声协方差矩阵Q的关系,计算出协方差矩阵的估计序列步骤五、将过程噪声的协方差矩阵估计序列替代真值代入标准卡尔曼滤波方法中,计算系统实时的状态估计以及状态估计偏差的协方差矩阵。

    带有未知观测噪声协方差阵递推估计的卡尔曼滤波方法

    公开(公告)号:CN104168005A

    公开(公告)日:2014-11-26

    申请号:CN201410422530.5

    申请日:2014-08-25

    Abstract: 本发明提供了针对离散时间时不变系统的一种带有未知观测噪声协方差阵递推估计的卡尔曼滤波方法,解决了离散时间线性时不变系统中观测噪声协方差矩阵完全未知的情况下的系统状态滤波估计问题。步骤一、利用观测序列构建新统计序列;步骤二、计算{ξk}的协方差矩阵递推公式;步骤三、计算观测噪声协方差矩阵估计序列{f(R)k};步骤四、计算出协方差矩阵的估计序列然后通过代数关系计算观测噪声协方差矩阵的实时估计;步骤五、将观测噪声的协方差矩阵估计序列替代真值代入标准卡尔曼滤波方法中,计算系统实时的状态估计以及状态估计偏差的协方差矩阵。

    带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法

    公开(公告)号:CN104202019B

    公开(公告)日:2017-05-10

    申请号:CN201410423093.9

    申请日:2014-08-25

    Abstract: 本发明提供了针对离散时间时不变系统的一种基于递推协方差矩阵估计方法的卡尔曼滤波方法,目的是要解决一类离散时间线性时不变系统中观测噪声协方差矩阵完全未知的情况下的系统状态滤波估计问题。步骤一、利用观测序列{yk}构建新统计序列{ξk};步骤二、计算{ξk}的协方差矩阵递推公式:步骤三、利用观测噪声协方差矩阵与新统计序列协方差矩阵实时估计值Covk(ξ)之间的代数关系,计算过程噪声协方差矩阵估计序列;步骤四、通过f(Q)和过程噪声协方差矩阵Q的关系,计算出协方差矩阵的估计序列步骤五、将过程噪声的协方差矩阵估计序列替代真值代入标准卡尔曼滤波方法中,计算系统实时的状态估计以及状态估计偏差的协方差矩阵。

Patent Agency Ranking