×
乔，双湖;范云生;王国锋;穆东东;何志平

基于具有未知噪声协方差的强跟踪的最大相关准则变分贝叶斯自适应卡尔曼滤波器。 （英语） Zbl 1516.93271号

J.富兰克林研究所。 360，第9期，6515-6536（2023）.
小结：慢维噪声统计的存在会降低当前状态估计的性能。为了解决上述问题，本文提出了一种改进的强跟踪最大相关熵准则变分贝叶斯自适应卡尔曼滤波器。首先，采用逆Wishart分布作为共轭先验，对未知和时变测量值进行建模并处理噪声协方差，然后利用变分贝叶斯方法估计噪声协方差和系统状态。其次，获得并评估多个衰减因子，以修改预测误差协方差矩阵，解决误差估计不准确的问题。最后，利用最大相关熵准则对滤波增益进行修正，提高了该算法的滤波性能。仿真结果表明，与其他现有算法相比，该滤波器具有更好的精度和收敛性能。

MSC公司：

第93页第11页 随机控制理论中的滤波
93C40型 自适应控制/观测系统
93二氧化碳 控制理论中的线性系统
PDF格式BibTeX公司 XML格式引用
\textit{S.Qiao}等人，J.Franklin Inst.360，No.9，6515--6536（2023；Zbl 1516.93271）
全文： 内政部

参考文献：

[1] 李洪秋。；麦地那，D。；维拉瓦尔斯，J。；Closas，P.，用相关测量值剔除离群值的稳健基于变量的卡尔曼滤波器，IEEE Trans。信号处理。，69, 357-369 (2021) ·Zbl 07591350号
[2] 巴哈杜尔，B。；Nohutcu，M.，单频多GNSS定位中方差分量估计与鲁棒卡尔曼滤波器的集成，测量，173108596（2021）
[3] Liao，T。；Hirota，K。；吴，X。；邵，S。；Dai，Y.P.，无线传感器网络定位系统的动态自校正最大相关卡尔曼滤波器，遥感器（巴塞尔），14，174345（2022）
[4] Bansal，R。；马朱姆达尔，S。；Parthasarthy，H.，电磁学中的随机滤波，IEEE Trans。天线传播。，69, 4, 2165-2180 (2021)
[5] Lu，C.G。；Zhang，Y.S。；Ge，Q.C.，基于多尺度多元斜态正态方差均值混合分布的卡尔曼滤波器及其在目标跟踪中的应用，IEEE Trans。电路系统。二： 快速简报，68，2，802-806（2021）
[6] 莫，Y。；Wang，Y。；Yang，H。；陈，B。；李，H。；蒋，Z.，天宫二号空间实验室目标跟踪的广义最大相关熵卡尔曼滤波，空间：科学。技术。，2022，9796015（2022）
[7] 沈，C。；Mihaylova，L.，一种灵活稳健的基于t的多模方法，具有最大versoria准则，《信号处理》。，182, 107941 (2021)
[8] 邵，T。；段振生。；Tian，Z.，具有预定初始状态先验的卡尔曼滤波器性能排序，IEEE信号处理。莱特。，28, 902-906 (2021)
[9] 李凯。；Príncipe，J.C.，功能贝叶斯滤波器，IEEE Trans。信号处理。，70, 57-71 (2022)
[10] 姜振华。；周，W.D。；陈，C。；Hou，L.，一种新的鲁棒卡尔曼滤波器，具有未知时变潜伏期概率的自适应估计，信号处理。，189, 108290 (2021)
[11] Kim，J。；Lee，D。；亲吻，B。；Kim，D.，桥式起重机的自适应无迹卡尔曼滤波器（AUKF-SS），IEEE Trans。Ind.Electron公司。，68, 7, 6131-6140 (2021)
[12] 尹，X。；Chai，H.Z。；项，M.Z。；杜志强。；田晓云，低纬密集建筑环境中基于地理坐标的自适应扩展卡尔曼滤波方法，测量，173108657（2021）
[13] 高S.S。；Wei，W.H。；Zhong，Y.M。；Subic，A.，运动模型误差的Sage加窗和随机加权自适应滤波方法，IEEE Trans。Aerosp.航空公司。电子。系统。，514488-1500（2015年）
[14] 李，X。；Bar-Shalom，Y.，《噪声识别的递归多模型方法》，IEEE Trans。Aerosp.航空公司。电子。系统。，30, 3, 671-684 (1994)
[15] 阿伽门诺尼，G。；尼托，J.I。；Nebot，E.M.，具有重尾噪声的状态空间模型中的近似推理，IEEE Trans。信号处理。，60, 10, 5024-5037 (2012) ·Zbl 1393.94150号
[16] Lin，H.S。；胡，C.，基于变分推理的分布式噪声自适应贝叶斯滤波器，信号处理。，178, 107775 (2021)
[17] 黄Y.L。；Zhang，Y.G。；吴振明。；李，N。；Chambers，J.，一种具有不精确过程和测量噪声协方差矩阵的新型自适应卡尔曼滤波器，IEEE Trans。自动化。对照。，63, 2, 594-601 (2018) ·Zbl 1390.93790号
[18] 徐，G。；黄，Y。；高，Z。；Zhang，Y.，用于传递对准的计算效率变分自适应卡尔曼滤波器，IEEE Sens.J.，20，22，13682-13693（2020）
[19] 黄，Y。；Bai，M。；李毅。；张，Y。；Chambers，J.，用于协作定位的改进变分自适应卡尔曼滤波器，IEEE Sens.J.，21，9，10775-10786（2021）
[20] 王，Z。；黄，Y。；张，Y。；贾，G。；Chambers，J.，《具有延迟概率自适应估计的改进卡尔曼滤波器》，IEEE Trans。电路系统。二： 快讯，67，10，2259-2263（2020）
[21] 12-16+36
[22] 潘，C。；高建新。；李振康。；钱，N.J。；Li，F.C.，基于多衰落因子的强跟踪变分贝叶斯自适应卡尔曼滤波器，测量，176，109139（2021）
[23] Chang，G.B。；陈，C。；张启智。；Zhang，S.B.，卡尔曼滤波中过程噪声协方差矩阵的变分贝叶斯自适应，J.Franklin Inst.，358，7，3980-3993（2021）·Zbl 1464.93078号
[24] Xu，H。；段克强。；袁，H.D。；谢伟川。；Wang，Y.L.，具有未知过程噪声协方差矩阵的自适应卡尔曼滤波器的黑箱变分推理，信号处理。，169, 107413 (2020)
[25] Beal，M.J.，近似贝叶斯推断的变分算法（2003），伦敦大学
[26] 朱，H。；张国荣。；Li，Y.F。；Leung，H.，存在异常值时具有不准确噪声协方差的自适应卡尔曼滤波器，IEEE Trans。自动化。对照。，67，1374-381（2022）·Zbl 07480780号
[27] Tzikas，D。；利卡斯，A。；Galatsanos，N.，EM算法之后贝叶斯推理寿命的变分近似，IEEE信号处理。Mag.，25，6，131-146（2008）
[28] 夏，医学博士。；张，T。；Wang，J。；张，L。；Zhu，Y.Y。；Guo，L.，测量噪声协方差矩阵不准确的超短基线系统的精细校准，IEEE Trans。仪器。测量。，71, 1-8 (2022)
[29] Lin，H.S。；胡，C.，基于变分推理的分布式噪声自适应贝叶斯滤波器，信号处理。，178, 107775 (2021)
[30] Ardeshiri，T。；厄兹坎，E。；Orguner，美国。；Gustafsson，F.，具有未知过程和测量噪声协方差的近似贝叶斯平滑，IEEE信号过程。莱特。，22, 12, 2450-2454 (2015)
[31] 王国强。；王，X.D。；Zhang，Y.G.，未知噪声协方差JMS的变分贝叶斯IMM-filter，IEEE Trans。Aerosp.航空公司。电子。系统。，56, 2, 1652-1661 (2020)
[32] 巴德拉，S。；熊猫，A。；博米克，P。；Goswami，S。；Panda，R.，采用DEKF估计的基于非线性模型的跟踪控制方案的设计和应用，Opt。控制应用程序。方法。，40, 5, 938-960 (2019) ·Zbl 1425.93268号
[33] Wang，J.W。；Chen，X.Y。；杨，P.，基于多衰落因子的自适应h无限卡尔曼滤波器及其在无人水下航行器中的应用，ISA Trans。，108, 295-304 (2021)
[34] 刘，W。；Pokharel，P.P。；Principe，J.C.，《Corr.entropy:非高斯信号处理的特性和应用》，IEEE Trans。信号处理。，55, 11, 5286-5298 (2007) ·兹比尔139094277
[35] He，R。；郑维生。；Hu，B.G.，鲁棒人脸识别的最大相关熵准则，IEEE Trans。模式分析。机器。智力。，33, 8, 1561-1576 (2011)
[36] Fakoorian，S。；Mohammadi，A。；阿齐米，V。；Simon，D.，《非高斯噪声的鲁棒卡尔曼型滤波器：未知噪声协方差的性能分析》，J.Dyn。系统。米苏尔。变速器控制。ASME，141，9，091011（2019）
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。