平流层飞艇抗风场干扰CUKF算法设计与应用

为了提高风场干扰环境下飞艇的导航精度,研究飞艇抗风场干扰导航算法。在建立风场干扰条件下飞艇速度误差约束模型的基础上,设计抗风场干扰的约束Unscented卡尔曼滤波算法。首先确定风场干扰条件下飞艇的速度误差约束量,将该约束与Unscented卡尔曼滤波算法相结合,对速度误差进行估计和补偿,以减小风场对飞艇定位精度的影响;然后证明该算法的状态估计量不仅是无偏的,而且协方差小于标准UKF的协方差;最后将提出的算法应用于捷联惯导/天文/合成孔径雷达组合导航系统中进行仿真验证,并与自适应扩展卡尔曼滤波和抗差自适应UKF算法进行比较,结果表明：提出的约束UKF算法的滤波性能明显优于自适应EKF和抗差自适应UKF算法,能够有效抑制风场对飞艇定位精度的影响,提高飞艇的导航定位精度。     

基于自适应Kalman滤波算法的联邦滤波器

为弥补传统联邦滤波器实用性不好,缺乏对对象模型和传感器噪声的自适应估计能力的缺陷,利用自适应Kalman滤波算法的思想,结合联邦滤波器本身的算法结构,对联邦滤波器进行改进,使之具有很强的自适应性,能够自适应地计算出模型噪声和传感器噪声的协方差阵.给出了基于自适应Kalman滤波算法的联邦滤波器的计算架构,其他优秀的自适应算法均可按相同的方式加入该架构中.最后通过仿真计算验证了该算法的有效性.     

多机动目标跟踪的BFG-GMPHD算法

针对高斯混合概率假设密度(GMPHD)滤波算法中的机动目标跟踪问题,提出BFG-GMPHD算法,扩展了GMPHD滤波算法的适用范围。算法利用最佳拟合高斯(BFG)分布来近似目标动态模型中的状态转移矩阵和过程噪声的协方差矩阵,实现了滤波器与不同动态模型的匹配;在对BFG分布进行递推时,引入了模型概率更新过程,解决了BFG仅依赖于先验信息的问题;并利用UKF算法对GMPHD的高斯分量进行递推,使得算法能处理量测方程为非线性的情况。仿真实验表明,BFG-GMPHD算法能快速匹配目标模型的变化,实现对多机动目标的有效跟踪,准确估计出目标的数目和状态。     

一种高机动场景下的单快拍DOA估计算法

针对高机动场景下目标信号样本数据少,常规算法难以获取信号子空间的问题,提出一种基于改进协方差矩阵的单快拍DOA估计算法。所提算法首先对接收的单次采样数据做互相关预处理,利用预处理所得数据重构等效协方差矩阵,再基于MUSIC算法完成相干信号的DOA估计。在不损失阵列孔径的同时,算法保证了谱估计精度。计算机仿真表明,在样本量较小的情况下,所提算法能够有效估计出相干目标信号,较现有算法估计精度有所提高。     

基于协方差矩阵估计的稳健Capon波束形成算法

常规Capon波束形成器性能对模型误差或失配非常敏感,尤其是当期望信号包含在训练数据中,导向矢量失配将引起性能急剧下降。为解决这一问题,提出了一种采用干扰噪声协方差矩阵和导向矢量联合估计的稳健波束形成算法。该方法通过对Capon空间谱在非目标信号的方位区域内的积分,实现对干扰噪声协方差矩阵的估计,解决数据协方差矩阵包含有目标信号时引起信号自相消问题;其次为了克服导向矢量失配的影响,通过最大化输出功率,并增加二次型约束防止估计的导向矢量接近于干扰导向矢量,实现对导向矢量的估计。仿真实验表明:该算法能获得近似最优的输出信干噪比,与现有算法相比稳健性更强。     

基于估计协方差MME检测的频谱感知算法

针对小采样数据长度下,采样协方差矩阵对统计协方差矩阵估计不准,影响传统最大最小特征值(MME)检测算法检测性能的问题,提出一种基于逼近收缩(OAS)矩阵估计的改进MME检测算法。首先利用OAS估计量对采样数据做协方差矩阵估计,再对估计协方差矩阵特征值分解,将最大最小特征值之比作为检测统计量,克服了传统MME算法检测门限随采样点大幅波动的缺陷,提高了检测门限的鲁棒性。仿真结果表明,所提算法的检测门限具有鲁棒性,检测性能提高了1 d B~2 d B。     

应用抗差无迹卡尔曼滤波的再入弹道处理技术

针对现有无迹卡尔曼滤波在再入弹道处理中可能出现的异常观测、观测随机误差模型不准确以及动力学模型不合理等问题,在无迹卡尔曼滤波中引入自适应与抗差估计理论,研究适用于再入弹道处理的自适应抗差滤波方法。该方法可以自适应地估计测量噪声等价协方差阵和状态噪声等价协方差阵,并可实现异常值的分离和维纳模型方差的自适应调整。数值仿真结果表明:该方法计算简单,并能有效减弱测量误差和动力学模型误差对弹道处理精度的影响。     

Recursive weighted least squares estimation algorithm based on minimum model error principle

Kalman filter is commonly used in data filtering and parameters estimation of nonlinear system,such as projectile's trajectory estimation and control.While there is a drawback that the prior error covariance matrix and filter parameters are difficult to be determined,which may result in filtering divergence.As to the problem that the accuracy of state estimation for nonlinear ballistic model strongly depends on its mathematical model,we improve the weighted least squares method(WLSM)with minimum model error principle.Invariant embedding method is adopted to solve the cost function including the model error.With the knowledge of measurement data and measurement error covariance matrix,we use gradient descent algorithm to determine the weighting matrix of model error.The uncertainty and linearization error of model are recursively estimated by the proposed method,thus achieving an online filtering estimation of the observations.Simulation results indicate that the proposed recursive esti-mation algorithm is insensitive to initial conditions and of good robustness.     

自适应人工蜂群优化的混沌系统参数估计

为了对混沌系统未知参数进行准确估计,改进了人工蜂群优化算法,提出自适应人工蜂群算法的混沌系统参数估计方法。将混沌系统参数估计问题转化为多维变量数值优化问题,利用人工蜂群算法对未知参数进行导向随机搜索。在搜索过程中,通过种群优化程度和解的质量自适应地调整更新步长和解的尝试次数。以Lorenz混沌系统为例进行的仿真实验表明,该方法在无噪声和噪声强度较大的情况下均能够获得较好的估计结果,表现出较强的鲁棒性。     

一种基于灰色粒子滤波算法的机动AUV航深内测方法

本文提出了一种将灰色预测和小波变换与标准粒子滤波相结合的灰色粒子滤波算法（GPF）,并将其应用于机动AUV的航深内测。GPF针对机动AUV航深内测过程中由于AUV运动状态未知和测量噪声不断变化而导致的滤波失效问题,在粒子采样过程中结合了标准采样和灰色预测采样,保证了采样得到充分多的有效粒子。在计算粒子权重时,利用小波变换跟踪测量噪声统计特性的变化,提高了各粒子似然概率计算和权重分配的正确性。最后以外测法测得的高精度的机动AUV航深作为真实航深,对该GPF算法进行了实验对比验证,并与EKF和MMPF算法的结果作对比,实验结果表明了本文方法的有效性和实用性。     

基于UKF的自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯（CT）模型,采用无迹卡尔曼滤波（UKF）方法和自适应网格（AG）的模型集自适应策略,研究了一种变结构交互式多模型算法,即：基于UKF的自适应网格交互式多模型（UKF-AGIMM）算法。对二维机动目标跟踪的仿真结果表明,本算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用     

基于SVD的机动目标自适应滤波研究与仿真

由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响滤波算法的收敛速度和稳定性.该研究在机动加速度"当前"统计自适应卡尔曼滤波算法的基础上,引入了基于奇异值分解(SVD)的协方差平方根滤波的自适应卡尔曼滤波算法.仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点.     

组网雷达的改进粒子滤波算法

针对现代战争中有源雷达容易受到干扰和反辐射导弹的摧毁,以及无源雷达隐蔽性高,只能测量方位角度,测量精度小等特点,提出利用集中式有源雷达系统与无源雷达系统协同组网对目标进行跟踪。但是在实际环境中,噪声属性以及有源雷达,无源雷达接收信号的特点决定了组网雷达需要应用非线性滤波技术对信号进行处理。传统的非线性技术包括卡尔曼滤波、扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)等方法。非线性近似过程带来的误差相对较大,而且均要求观测噪声和过程噪声为独立或相关的高斯白噪声。而粒子滤波避免了传统非线性滤波方法的缺陷,但是存在粒子退化,于是用EKF和UKF在每一时刻更新粒子,用更新的粒子及其协方差构造重要性函数,然后重采样。仿真实验表明这两种改进粒子滤波方法有很好的效果。     

多视图三角化中特征点噪声尺度的自适应估算

鲁棒性多视图三角化方法通常借助重投影误差经验阈值来剔除图像对应中的错误匹配,该经验阈值的选取直接影响三维重构场景点的数量和精度。在分析图像特征点定位噪声及对极传递几何原理的基础上,建立对极传递过程不确定性的传递模型,提出一种基于核密度估计的最优噪声尺度估算方法,并将该噪声尺度作为多视图三角化中错误匹配筛选的依据。实验结果表明,该方法可以获得准确的噪声尺度估计,从而有效提升多视图三角化方法的三维重构质量。     

SINS/DVL/AST水下组合导航中的鲁棒信息融合方法

捷联式惯导系统由于自主性强等优势成为自主式水下航行器长航时、长航程导航的主要手段。针对水下环境中外部多导航传感器如多普勒计程仪提供的测速信息和水声单应答器提供的位置信息容易受到非高斯噪声污染的问题,提出基于马氏距离算法的联邦鲁棒卡尔曼滤波算法。在联邦鲁棒卡尔曼滤波算法中,通过马氏距离算法引入膨胀因子,对量测噪声协方差阵进行膨胀,以实现非高斯条件下水下组合导航系统鲁棒性的提升。同时基于子滤波器的滤波性能对信息分配系数进行自适应调整以确保水下组合导航系统的高精度。基于江试试验实测数据进行水下组合导航半物理仿真试验,试验结果表明:相比于传统的联邦卡尔曼滤波算法,联邦鲁棒卡尔曼滤波算法可在非高斯条件下实现更高精度、更加稳定的组合导航；能够满足水下组合导航系统对容错性和鲁棒性的要求。     

基于神经网络的混合双滤波器自适应目标跟踪算法

在分析近期基于神经网络数据融合的目标跟踪算法的基础上,结合一种新的自适应滤波模型(NAF)和速度估计自适应跟踪算法(AVE),提出了基于神经网络混合双滤波器的机动目标自适应跟踪算法(NHDF).该算法通过在线自动调节网络输出进行过程噪声方差融合,降低了现有算法因系统方差的调整不当而带来的精度损失.理论分析及仿真结果证明,与"当前"统计模型、速度自适应模型和新的自适应模型算法相比,该算法具有跟踪精度高,自适应能力强的优点.     

基于改进IMM-UKF的弹道导弹再入段跟踪数据滤波?

针对弹道系数未知的弹道导弹再入段跟踪雷达测量数据滤波这类非线性强的滤波问题,提出可变多模型无迹卡尔曼滤波算法。利用无迹卡尔曼滤波逼近精度高,计算量小,适应于任意非线性模型的特点,将其作为多模型的基本滤波器;滤波算法根据各模型正确描述目标状态的概率,动态地改变多模型数量和模型参数。上述方法的综合运用,提高对目标状态估计精度,降低了计算的复杂度,仿真实验验证了方法的有效性。     

基于Jerk模型的一种改进多传感器数据融合算法

简要介绍了目前存在的一些机动模型和基于状态估计的滤波算法。将Jerk模型与强跟踪滤波算法有机地结合起来,并提出了一种通过时空综合分析的测量方差自适应估计方法以优化强跟踪滤波算法中次优渐消因子和滤波增益的在线选择,同时结合多传感器数据融合具有改善滤波精度的性质,最终给出了一种基于Jerk模型的改进多传感器数据融合算法。最后,通过蒙特卡罗仿真验证了该算法的有效性。     

均匀圆阵主特征矢量分析解相干算法

为解决均匀圆阵的相干信源波达方向估计问题,提出一种适用于均匀圆阵的虚拟均匀线阵主特征矢量分析算法。采用模式空间变换将均匀圆阵转换为虚拟均匀线阵,对其数据协方差矩阵进行处理以构造主特征矢量矩阵;引入加权最小二乘法,通过重复迭代得到子空间各元素之间的线性预测系数,从而求得相干信源的波达方向估计值。理论分析和仿真结果表明,该算法对相干信源具有较好的估计精度,且具备高分辨率和低复杂度的优点。     

一种非均匀噪声下的DOA估计算法

通用协方差差分算法用来实现对空间非均匀噪声环境下相干信号的波达方向(DOA)估计,该算法可以完全消除空间非均匀噪声,且适用于低信噪比环境,但该算法的DOA估计结果存在伪峰。针对这一问题,提出了一种改进的算法。改进算法通过对通用协方差差分(GCD)算法的信号协方差矩阵进行变换,再用特征分解的方法得到信号的DOA估计值。改进的算法可以完全消除伪峰,理论分析和仿真实验验证了改进算法的有效性。