×
王世元;尹、赵;段淑凯;王丽丹

一种改进的变分贝叶斯噪声自适应卡尔曼滤波器。 （英语） Zbl 1371.93202号

电路系统。信号处理。 36，第10号，4260-4277（2017）.
摘要：卡尔曼滤波器应用于噪声统计未知的动态系统时，性能会下降。为了解决这个问题，变分贝叶斯噪声自适应卡尔曼滤波器（VB-AKF）使用变分贝叶斯近似方法联合估计状态和噪声。本文通过设计一种跟踪测量噪声方差的动态模型，提出了一种改进的变分贝叶斯噪声自适应卡尔曼滤波器（VB-MAKF）。在所提出的动态模型中，利用估计噪声方差的变化来控制一个连续的有界函数，该函数专门用于自适应地跟踪实际噪声方差的改变。从数值模拟中可以看出，与VB-AKF相比，所提出的VB-MAKF可以实现更高的噪声方差估计精度，从而提供更高的状态估计精度。

引用于4文件

MSC公司：

93E11号机组 随机控制理论中的滤波
第93页第35页 随机学习与自适应控制
94甲12 信号理论（表征、重建、滤波等）

关键词：

状态估计;卡尔曼滤波器;噪声自适应滤波器;变分贝叶斯方法
PDF格式BibTeX公司 XML格式引用
\textit｛S.-Y.Wang｝等人，电路系统。信号处理。36，第10号，4260--4277（2017；Zbl 1371.93202）
全文： 内政部

参考文献：

[1] I.Arasaratnam，S.Haykin，Cubature卡尔曼滤波器。IEEE传输。自动。控制54（6），1254-1269（2009）·Zbl 1226.93123号 ·doi:10.1109/TAC.2009.2019800
[2] I.Arasartnam，S.Haykin，R.J.Elliott，使用高斯-海米特求积的离散时间非线性滤波算法。程序。IEEE 95（5），953-977（2007）·doi:10.1109/JPROC.2007.894705
[3] J.Bernardo，M.Bayarri，J.Berger，A.Dawid，D.Heckerman，A.Smith，M.West等人，《不完全数据的变分贝叶斯EM算法：应用于图形模型结构评分》。贝叶斯统计7，453-464（2003）
[4] B.Chen，J.Liang，N.Zheng，J.C.Príncipe，自适应核大小的核最小均方。神经计算191、95-106（2016）·doi:10.1016/j.neucom.2016.01.004
[5] B.Chen，J.Wang，H.Zhao，N.Zheng，J.C.Príncipe，最大相关熵准则下不动点算法的收敛性。IEEE信号处理。莱特。22(10), 1723-1727 (2015) ·Zbl 1361.03010号 ·doi:10.1109/LSP.2015.2428713
[6] 黄彦，张彦，李南立，赵立林，带递推更新测量的sigma-point卡尔曼滤波器设计。电路系统。信号处理。35(5), 1767-1782 (2016) ·Zbl 1346.93378号 ·doi:10.1007/s00034-015-0137-y
[7] B.Jia，M.Xin，Y.Cheng，稀疏网格正交非线性滤波。Automatica 48（2），327-341（2012）·Zbl 1260.93161号 ·doi:10.1016/j.automatica.2011.08.057
[8] B.Jia，M.Xin，Y.Cheng，高阶容积卡尔曼滤波器。Automatica 49（2），510-518（2013）·Zbl 1259.93118号 ·doi:10.1016/j.自动2012.11.014
[9] S.J.Julier、J.K.Uhlmann，《无中心滤波和非线性估计》。程序。IEEE 92（3），401-422（2004）·doi:10.1109/JPROC.2003.823141
[10] 李伟，贾永嘉，基于变分贝叶斯近似的跳马尔可夫线性系统状态估计。IET控制理论应用。6(2), 319-326 (2012) ·doi:10.1049/iet-cta.2011.0167
[11] W.Li，Y.Jia，具有未知噪声协方差的跳马尔可夫系统的自适应滤波。IET控制理论应用。7(13), 1765-1772 (2013) ·doi:10.1049/iet-cta.2013.0162
[12] W.Li，S.Sun，Y.Jia，J.Du，具有过程和测量噪声协方差自适应的鲁棒无迹卡尔曼滤波器。数字。信号处理。48, 93-103 (2016) ·doi:10.1016/j.dsp.2015.09.004
[13] I.S.Mbalawata，S.Särkkä，M.Vihola，H.Haario，使用变分贝叶斯自适应卡尔曼滤波器的自适应大都会算法。计算。统计数据分析。83, 101-115 (2015) ·Zbl 1507.62134号 ·doi:10.1016/j.csda.2014.10.006
[14] R.Mehra，《自适应滤波方法》，IEEE Trans。自动。控制17（5），693-698（1972）·Zbl 0261.93036号 ·doi:10.1109/TAC.1972.1100100
[15] A.P.Sage，G.W.Husa，未知先验统计的自适应滤波，《联合自动控制会议论文集》，第7期，第760-769页。IEEE，科罗拉多州博尔德（1969）
[16] S.Särkkä，贝叶斯滤波与平滑（剑桥大学出版社，纽约，2013）·Zbl 1274.62021号 ·doi:10.1017/CBO9781139344203
[17] S.Särkkä，J.Hartikainen，通过变分贝叶斯的非线性噪声自适应卡尔曼滤波，《信号处理机器学习国际研讨会论文集》，第1-6页。IEEE，英国南安普敦（2013）·Zbl 1259.93118号
[18] S.Särkkä，A.Nummenmaa，基于变分贝叶斯近似的递归噪声自适应卡尔曼滤波。IEEE传输。自动。控制54（3），596-600（2009）·Zbl 1367.93658号 ·doi:10.1109/TAC.2008.2008348
[19] D.Simon，《最优状态估计：卡尔曼、H无穷大和非线性方法》（Wiley，Hoboken，New Jersey，USA，2006）
[20] V.Šmídl，A.Quinn，《信号处理中的变分贝叶斯方法》（Springer，纽约，2006）
[21] W.Zhang，S.Wang，Y.Feng，新型单纯形卡尔曼滤波器。电路系统。信号处理。doi:10.1007/s00034-016-0323-6·Zbl 1368.93737号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。