- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
强跟踪SRCKF及其在船舶动力定位中的应用
学兔兔
第34卷 第6期 仪 器 仪 表 学 报 Vo1.34 No.6
2013年6月 Chinese Journal of Scientific Instrument Jun.2013
强跟踪SRCKF及其在船舶动力定位中的应用
徐树生,林孝工,赵大威,谢业海
(哈尔滨工程大学自动化学院 哈尔滨 150001)
摘 要:针对平方根容积卡尔曼滤波器(SRCKF)在定位系统船舶模型不确定时存在滤波精度下降甚至发散的问题,提出了一
种具有强跟踪性能的SRCKF算法。基于强跟踪滤波器(STF)的理论框架,采用三阶球面径向容积规则代替STF中的雅克比矩
阵计算,结合渐消因子的等价表述,构建强跟踪SRCKF。基于滤波收敛判据和渐消记忆滤波思想,分析了强跟踪SRCKF的收敛
性。强跟踪SRCKF兼具STF鲁棒性强、SRCKF滤波精度高和实现简单的优点,有效克服了STF的理论局限性及SRCKF在系统
模型不确定时滤波性能下降的缺点。利用船舶陆上仿真系统进行试验,证明了强跟踪SRCKF的有效性。
关键词:强跟踪滤波器;平方根容积卡尔曼滤波;渐消因子;鲁棒性;收敛性
中图分类号:U666.12 文献标识码:A 国家标准学科分类代码:510.40
Strong tracking SRCKF and its application in vessel dynamic positioning
Xu Shusheng,Lin Xiaogong,Zhao Dawei,Xie Yehai
(College of Automation,Harl~in Engineering University,Harbin 150001,China)
Abstract:Aiming at the problem that the filtering accuracy of square-root cubature Kalman filter(SRCKF)de-
grades,even falls into divergence when vessel dynamic positioning system model has uncertainty,a SRCKF algorithm
with strong tracking behavior is proposed.Based on the theoretical framework of strong tracking filter(STF),the
third.order spherica1.radial cubature rule iS adopted to replace calculating the nonlinear function Jacobian matrix:and
combining the equivalent description of the fading factor,the strong tracking SRCKF is constructed.The convergence
of the proposed strong tracking SRCKF is analyzed based on the filtering convergence criterion and fading memory fil-
ter theory.The proposed strong tracking SRCKF combines the strong robustness of STF with the high accuracy and
easy implementation of SRCKF.It effectively overcomes the theoretical limitation of STF and filtering performance
原创力文档


文档评论(0)