没有合适的资源?快使用搜索试试~ 我知道了~
首页2012年变分贝叶斯自适应双迭代卡尔曼滤波算法:高精度与鲁棒性
本文档探讨了一种创新的双重迭代变分贝叶斯自适应卡尔曼滤波算法,发表于2012年的《电子科技大学学报》第41卷第3期。该算法针对系统中过程噪声方差与测量噪声方差之间的未知函数关系进行处理,这两种噪声方差均随时间变化,而传统的卡尔曼滤波方法通常假设这些噪声参数是已知的。算法的核心思想是: 1. 自适应性设计:算法的关键在于其自适应能力,它不依赖于噪声方差的精确知识,而是通过迭代的方式逐步逼近这些未知参数。首先,作者假设当前时刻的过程噪声方差等于前一时刻的值,以此作为初始估计。 2. 变分贝叶斯近似:变分贝叶斯方法被用于处理复杂概率模型的估计问题,这种方法通过引入一个简单的分布来近似真实的后验概率分布,简化计算并降低计算复杂度。在这个过程中,算法会迭代地优化量测噪声方差的估计,同时进行状态估计。 3. 迭代求解:算法通过在卡尔曼滤波框架下进行多次迭代,不断更新量测噪声方差和状态估计。每一轮迭代都会基于当前的估计和新的观测数据,以提高滤波精度。 4. 鲁棒性分析:实验结果显示,即使在假设条件不完全确定的情况下,这种自适应算法仍然表现出良好的鲁棒性。这意味着它能够在实际应用中,即使面对噪声参数的变化,也能维持相对稳定的性能。 5. 应用领域:该算法具有广泛的应用前景,特别是在需要实时处理不确定性和噪声变化的动态系统中,如导航、机器人控制、信号处理等领域。 总结来说,这篇论文提供了一种新颖的自适应滤波技术,对于提高系统估计的准确性和鲁棒性具有重要意义,并展示了在实际问题中的可行性和有效性。这不仅提升了卡尔曼滤波算法的理论基础,也为未来处理复杂系统噪声问题提供了新的思考方向。
资源详情
资源推荐
第 41 卷 第 3 期 电 子 科 技 大 学 学 报 Vol.41 No.3
2012年5月 Journal of University of Electronic Science and Technology of China May 2012
双重迭代变分贝叶斯自适应卡尔曼滤波算法
陈金广
1,2
,李 洁
1
,高新波
1
(1. 西安电子科技大学电子工程学院 西安 710071; 2. 西安工程大学计算机科学学院 西安 710048)
【摘要】提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已
知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近
似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声
方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不
确知的情况下仍具有较强的鲁棒性。
关 键 词 自适应卡尔曼滤波; 噪声方差未知; 状态估计; 变分贝叶斯近似
中图分类号 TN911.23 文献标识码 A doi:10.3969/j.issn.1001-0548.2012.03.006
Dual Recursive Variational Bayesian
Adaptive Kalman Filtering Algorithm
CHEN Jin-guang
1,2
, LI Jie
1
, and GAO Xin-bo
1
(1. School of Electronic Engineering, Xidian University Xi’an 710071;
2. School of Computer Science, Xi’an Polytechnic University Xi’an 710048)
Abstract A new adaptive Kalman filtering algorithm is presented. The new algorithm assumes that the
variance relationship between process noise and measurement noise is known, but both kinds of variance are
unknown and varying with time. At first, let the process noise variance at the current time point be equal to that at
the prior time point. Applying the method of variational Bayesian approximation, the measurement noise variance
and state estimation are solved under the framework of Kalman filter, and then a new process noise variance is
obtained via the function relationship. After the process above is implemented for some runs, the final state
estimation and covariance are obtained. Experimental results show that the new algorithm has higher accuracy;
Furthermore, the new algorithm still has strong robustness when the assumption is uncertain.
Key words adaptive Kalman filter; noise variance unknown; state estimation; variational Bayesian
approximation
收稿日期:2010 03 19; 修回日期:2012 01 19
基金项目:国家自然科学基金(60832005, 61125204)
作者简介:陈金广(1977 ),男,博士,副教授,主要从事信息融合、目标跟踪方面的研究.
滤波问题是指从被噪声污染的观测信号中过滤
噪声,尽可能消除或减少噪声的干扰,获得未知真
实信号或系统状态的最优估计。通常噪声、真实信
号或状态均为随机过程,在自动控制、通讯、航空
和航天等领域中有广泛的应用。经典的滤波算法是
卡尔曼滤波(Kalman filter, KF)。卡尔曼滤波算法假
定过程噪声和量测噪声是高斯白噪声序列,这些噪
声的方差在求解过程中是已知量。如果噪声方差未
知,则标准卡尔曼滤波算法失效。需要采用自适应
卡尔曼滤波算法。
自适应卡尔曼滤波长期以来一直是学者研究的
热点。文献[1]对其进行了总结,将其分为贝叶斯方
法、最大似然方法、相关和方差匹配方法4类,并给
出了各自特点。文献[2]针对量测噪声方差未知且变
化的情况,提出应用多个噪声方差模型的交互式多
模型(interacting multiple model, IMM)估计算法,该
算法通过把噪声方差划分为多级,从而形成多个滤
波模型,但该算法时间复杂度很高,且事先需要已
知噪声方差的转移矩阵,难以推广应用。同样针对
量测噪声方差未知的情况,文献[3]提出了变分贝叶
斯自适应卡尔曼滤波算法(variational bayesian
approximation adaptive Kalman filtering, VBAKF),该
下载后可阅读完整内容,剩余4页未读,立即下载
weixin_38626928
- 粉丝: 2
- 资源: 948
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++多态实现机制详解:虚函数与早期绑定
- Java多线程与异常处理详解
- 校园导游系统:无向图实现最短路径探索
- SQL2005彻底删除指南:避免重装失败
- GTD时间管理法:提升效率与组织生活的关键
- Python进制转换全攻略:从10进制到16进制
- 商丘物流业区位优势探究:发展战略与机遇
- C语言实训:简单计算器程序设计
- Oracle SQL命令大全:用户管理、权限操作与查询
- Struts2配置详解与示例
- C#编程规范与最佳实践
- C语言面试常见问题解析
- 超声波测距技术详解:电路与程序设计
- 反激开关电源设计:UC3844与TL431优化稳压
- Cisco路由器配置全攻略
- SQLServer 2005 CTE递归教程:创建员工层级结构
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功