多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器,提高了估计的精确度。以前的跟踪式卡尔曼滤波器的估计精度与目标的运动状态有关,当目标的运动不能够用线性状态空间模型描述时,其估计精度将要下降。而多层网络的引入,改善了这一不足。多层神经网络经过训练以后,能够对卡尔曼滤波器的结果进行修正。仿真结果表明,多层神经网络的应用,使估计精度显著提高。     

线性测量海上机动目标状态估值器

本文导出了在惯性坐标系内利用线性测量卡尔曼滤波器(LMKF)来估值海上机动目标的状态估值器。LMKF 可以用于非线性测量条件下的目标状态估值。同时,LMKF 的公式比延伸的卡尔曼滤波器(EKF)要容易推导得多。在飞机坐标系里用蒙特卡罗方法进行了大量的数学模拟。模拟结果表明,两种滤波器的估值误差相同,但是LMKF 只需要比较少的计算量。应用线性测量的方法,导出了在飞机地理水平面坐标系内的LMKF。该滤波器有较高的溶液精度和较少的计算量。     

GPS动态定位中的自适应扩展卡尔曼滤波算法

针对全球定位系统 (GPS)提出一种扩展卡尔曼滤波器算法。这种滤波器算法直接从GPS接收机输出的定位结果入手 ,将各种误差因素的影响等效为一个总误差 ,对GPS接收机的机动载体的加速度采用当前统计模型 ,并利用线性卡尔曼滤波器进行动态定位数据的处理。本模型简单 ,实时性好 ,滤波后定位精度得到提高。     

基于自校正卡尔曼滤波器的信息融合算法

设计了一种新的基于ARMA模型自校正卡尔曼滤波器及其信息融合的方法,从而避免了经典卡尔曼滤波器需要精确知道系统的模型参数和噪声统计特性的缺点.仿真结果表明,在未知部分模型参数和噪声统计特性的情况下,自校正卡尔曼滤波器的滤波性能非常接近稳态最优卡尔曼滤波器;基于自校正卡尔曼滤波器的信息融合滤波性能接近基于稳态最优卡尔曼滤波器的信息融合滤波性能.     

伪线性卡尔曼滤波的观测器轨迹优化算法

单站被动式跟踪存在强非线性和弱可观测性,即便观测器的运动满足可观测性条件,滤波仍然可能发散.针对此问题,使用伪线性卡尔曼滤波器,应用费希尔信息量、罗美达下限等方法对轨迹进行优化,该优化方案避免了对目标与观测器的径距信息的近似.仿真表明:该方法与传统方法比较,计算量较小,优化得到的轨迹简单,滤波精度得到改善.最后给出了在一定条件下,观测器的"最优"运动规则.     

再入目标质阻比估计算法研究

再入段目标识别的核心问题是快速高精度地估计出目标的质阻比。针对再入过程的非线性问题,重点研究了样条卡尔曼滤波器、扩展卡尔曼滤波器和一种基于"无损传输"的扩展卡尔曼滤波器,仿真实验从质阻比的估计精度和收敛速度以及计算量等方面比较了各滤波算法的性能。仿真结果表明基于无损传输的扩展卡尔曼滤波器的估计精度最高,收敛速度最快。     

对卡尔曼滤波器应用到雷达跟踪问题的评论

本文的主要目的是阐明标准卡尔曼滤波器和卡尔曼预测器之间的差别。为此,发表了标准卡尔曼滤波器和卡尔曼预测器在雷达跟踪问题中的应用。为了获得跟踪目标的较好的位置和速度精度,这两种标法已被广泛地用在边搜索边跟踪的雷达系统中。两种方法间的性能分析和比较与实际卫星跟踪数据一起已被发表。结果表明对于大机动目标,标准卡尔曼滤波器优于卡尔曼预测器。     

对机动的目标轨迹的估计和预测

卡尔曼滤波器很适合高炮火控问题。本文应用卡尔曼滤波器理论,提出了一个精确的、在数字上有效的估计和预测机动的固定翼飞机现在位置与未来位置的设计方案。该方案已在采用雷达跟踪器的高炮火控系统中付诸实现,并对各种不同的固定翼飞机做了试验。实际的野外试验结果证明,采用本方案可取得高精度的瞄准。     

基于微惯导随机误差时间序列建模的改进组合导航方法

针对低精度、低成本微机电惯性测量单元随机误差建模效果不理想会极大影响组合导航性能的难题,采用时间序列分析方法建立了微机电惯性测量单元随机误差的自回归滑动平均模型,通过对卡尔曼滤波器的状态变量进行增广,建立系统动力学方程和观测方程,实现对零偏误差的在线估计。实测数据分析验证了该随机误差建模的有效性。实测数据处理结果表明,该方法能够显著提高低成本微惯性解算外推精度,增强微惯性/卫星组合导航可靠性。     

基于联邦卡尔曼滤波的组合导航定位算法

在传统的GPS/INS紧耦合组合导航系统中,由于伪距和多普勒频移误差的存在,系统存在一定的误差偏移。针对这种误差偏移,设计了一种联邦卡尔曼滤波组合导航算法,该算法采用二级卡尔曼滤波器,将卫星接收模块解算出的伪距信息和多普勒频移信息在第一级卡尔曼滤波后,与INS模块结算出的信息进行修正处理,再通过主滤波器得到紧耦合算法的INS解算结果校正量和定位位置最优估计。通过计算机仿真结果分析表明,该方法相对于传统的紧耦合组合导航算法可以有效减小误差,具有一定的理论价值和实用价值。