基于采样卡尔曼滤波的水下被动目标跟踪

针对水下被动目标跟踪问题中,采用直角坐标系容易出现滤波发散,而修正极坐标系下过程模型强非线性的问题,研究了一种修正极坐标系下的采样卡尔曼滤波算法.采样卡尔曼滤波比传统的扩展卡尔曼滤波更好地逼近状态方程和测量方程的非线性特性,给出更精确的均值和协方差的估计,并且适用于过程噪声与状态估计非线性耦合的情况.在修正极坐标系下,采用3种滤波方法求解被动目标跟踪问题,仿真结果表明,采样卡尔曼滤波的滤波精度优于传统的扩展卡尔曼滤波方法和自适应扩展卡尔曼滤波方法.     

基于判别分析阈值滤波协作通信系统信道估计

在基于正交频分复用技术的放大转发协作通信系统中,针对传统信道估计算法估计精度差的问题,提出一种基于判别分析阈值滤波离散傅立叶变换信道估计算法。该算法首先通过设置改进的阈值门限初步获得信道有效抽头,然后利用马氏距离判别分析对已检测出的信道抽头修正。仿真结果表明:和传统方法相比,提出方法有效地滤除了信道估计中的噪声,改善了信道估计精度和误码率性能。     

基于修正卡尔曼滤波的目标多源跟踪

针对多源跟踪测量信号处理原则进行了分析和研究,并在此基础上对多源信号筛选和滤波估计值的修正原则进行了研究,确保了所得修正测量值的可靠性和滤波估计值判定门限的可信度。对修正卡尔曼滤波跟踪算法进行了研究,分析了其优势和不足,并提出了采用多源跟踪和修正估计协方差的方法来弥补修正卡尔曼滤波跟踪的不足。仿真对比实验验证了所提出跟踪模型的有效性。     

基于多模型滤波的只测角跟踪方法

只测角单站无源定位跟踪系统中,目标初始状态估计精度较低时,采用扩展卡尔曼滤波算法经常出现滤波发散的情况.针对这一问题,提出了一种多模型扩展卡尔曼滤波方法,根据目标的初始状态估计设计了五个扩展卡尔曼滤波模型,对目标运动状态进行多模型估计,在滤波过程达到稳态后,再采用单模型滤波.仿真实验验证了算法的有效性.     

基于雷达与红外传感器量测融合的改进EKF算法

针对扩展卡尔曼滤波在递推过程中状态协方差可能失去正定性,从而引起滤波发散现象的问题,在滤波过程中用协方差平方根代替协方差进行迭代计算,保证其正定性。对一组异类传感器(红外传感器和雷达)观测数据采用加权最小二乘法进行融合,然后用平方根扩展卡尔曼滤波对融合的数据进行滤波。蒙特卡罗仿真结果表明,平方根扩展卡尔曼滤波和加权最小二乘数据融合方法可以保证滤波精度,并且能有效抑制滤波发散。     

UKF及其在目标跟踪中的应用

在高斯噪声环境下,为了解决扩展卡尔曼滤波(EKF)在目标跟踪应用中精度低和滤波发散的问题,将无迹卡尔曼滤波(UKF)应用于非线性系统的目标跟踪.研究了无迹卡尔曼滤波估计方法,对采样策略进行了比例修正.通过UKF在目标跟踪中的应用仿真结果表明,与EKF相比较,UKF有更好的跟踪性能、收敛快、对噪声有更强的适应能力,算法实现简单.     

改进型自适应推广卡尔曼滤波器的应用

针对在被动方式下进行水下目标跟踪容易导致滤波发散和收敛精度不高的问题,介绍了一种改进的自适应推广卡尔曼滤波算法。它能够在线估计虚拟观测噪声的统计特性,从而克服了观测模型线性化误差带来的不良影响。同时,通过引入修正增益函数,克服了由于观测噪声的统计特性不能精确已知而导致的滤波不稳定问题。仿真结果表明,不管是滤波精度还是收敛速度,都优于原来的自适应推广卡尔曼滤波算法     

SINS/GPS 组合导航系统的修正自适应滤波方法

模型误差和噪声是导致SINS/GPS组合导航计算发散的主要原因.提出了一种适用SINS/GPS组合导航计算的残差监控加权修正自适应卡尔曼滤波方法,利用滤波残差的均值和方差不断对卡尔曼滤波的状态噪声方差阵和测量噪声方差阵进行实时修正,提高了滤波器对模型不确定性和噪声变化的适应能力和鲁棒性,显著改善了组合导航系统的定位精度.通过SINS/GPS组合导航系统仿真,验证了方法的可行性.     

基于球坐标系下BLUE滤波的IMM算法

针对机动目标跟踪中常见的量测转换问题,提出了一种基于球坐标系下最优线性无偏估计滤波的交互多模型算法。该算法的核心思想是将最优线性无偏估计滤波作为交互多模型中的基本滤波,完成对机动目标的跟踪。在仿真试验中,将该算法与基于扩展卡尔曼滤波的交互多模型算法进行比较,结果表明该算法有效地抑制了扩展卡尔曼滤波中常见的滤波发散问题,并且提高了跟踪的精度,具有较好的实用性。     

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。     

自适应平方根无迹滤波的雷达组网状态估计算法

从最小方差的角度分析了雷达组网无迹滤波(Unscented Filter,UF)状态估计的统计学本质,并且针对UF的Cholesky分解遇到非半正定矩阵容易发散、不准确滤波初值造成滤波发散以及异常扰动影响滤波效果等问题,提出将自适应平方根无迹滤波(Adaptive Square Root Unscented Filter,ASQUF)用于雷达组网状态估计,结合合理的滤波初始化策略,提高了UF的工程可用性。仿真验证表明,提出的ASRUF算法用于雷达组网空域目标状态估计时,初始化平稳无波动,工程可用性好,状态估计精度高,明显优于扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法。     

基于鲁棒高阶容积滤波的无人机相对导航状态估计方法

由于无人机相对导航系统具有非线性强、噪声非高斯的特点,传统的基于卡尔曼滤波算法设计的相对导航滤波器存在估计失准甚至发散的问题。考虑到高阶容积卡尔曼滤波和最大熵滤波算法分别在解决非线性问题和非高斯问题时的优势,利用最大熵滤波的量测更新方法对高阶容积卡尔曼滤波的测量更新方程进行了改进,将传统的量测更新问题转换成了线性衰退的求解问题,避免了对测量噪声进行高斯假设,同时解决了系统非线性和量测噪声非高斯的问题。进行了相应的数学仿真,仿真结果表明:所提算法的估计精度超过了高阶容积卡尔曼滤波和最大熵滤波算法的,验证了算法的有效性。     

数据同化系统中的集合时间局地化鲁棒滤波方法

针对传统的卡尔曼滤波方法对不确定因素不具备鲁棒性问题,在集合鲁棒滤波的基础上,提出一种从观测角度构建优化数据同化的方法,称之为放大观测协方差矩阵的集合时间局地化鲁棒滤波,并推导了新方法的算法准则和递归公式。利用非线性系统Lorenz-96模型,基于性能水平系数、驱动参数、观测数目和集合数目变化的条件,对新方法和集合卡尔曼滤波方法的鲁棒性和同化精度进行比较。结果表明:集合卡尔曼滤波方法的均方根误差大于时间局地化鲁棒滤波的;在观测数或集合数较少的情况下,集合卡尔曼滤波出现了滤波发散问题,而鲁棒滤波的均方根误差波动较小;相较于传统的集合卡尔曼滤波算法,观测角度构建的时间局地化的H_∞滤波方法对系统参数的变化更具鲁棒性,滤波精度更高。     

引入STF算法的自适应SICKF及其在目标跟踪中的应用

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)算法,提出了一种自适应均方根嵌入式容积卡尔曼滤波(ASICKF)方法。采用嵌入式容积准则和均方根滤波方法,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。为了解决状态突变未知的目标跟踪问题,采用自适应均方根嵌入式容积卡尔曼滤波算法进行数值仿真,仿真结果表明,ASICKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。     

粒子滤波在雷达方位配准中的应用

在多雷达数据处理系统中,雷达本身的系统误差是影响目标跟踪和数据融合质量的一个重要因素,尤其是正北方位误差.针对现有非线性滤波算法收敛性及鲁棒性较差的问题,将粒子滤波算法应用于雷达方位配准.通过与传统的扩展卡尔曼滤波方法仿真比较,结果表明采用粒子滤波的方法解决非线性雷达方位配准模型行之有效,能有效地克服扩展卡尔曼滤波方法中很容易出现的滤波发散问题,且粒子滤波比扩展卡尔曼滤波的估计精度要高.     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题,提出了一种修正极坐标系下的自适应卡尔曼滤波算法,对虚拟系统噪声进行估计,动态补偿模型线性化误差,对其滤波理论及算法进行了研究和仿真。仿真结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

GPS定位中2种自适应滤波的组合算法

分析了卡尔曼滤波发散的原因,并给出了指数加权的衰减自适应记忆滤波和噪声加权自适应滤波2种算法用来抑制发散,相应地分析了衰减因子的选取以及噪声模型的在线估计,最后提出这2种定位方式组合的定位算法。仿真结果表明,衰减自适应记忆滤波和噪声加权自适应滤波明显提高了卡尔曼滤波的定位精度并且抑制了发散,组合算法在提高定位精度、抑制发散的同时,使这2种定位方式的优点形成了互补,增加了算法的稳定性。     

边缘化粒子概率假设密度滤波的多目标跟踪

针对复杂情况下的多目标跟踪问题,提出一种边缘化粒子概率假设密度滤波(MPF-PHD)方法。该方法首先将复杂情况下多个目标的状态向量分别提取出其中的非线性状态与线性状态。然后利用粒子概率假设密度滤波(PF-PHD)估计非线性状态,利用卡尔曼滤波(KF)估计线性状态,并把其中与非线性状态相关的线性状态估计用来优化非线性状态估计。通过对MPF-PHD方法与传统的PF-PHD方法仿真对比,验证了MPF-PHD方法有效解决了复杂情况下多目标跟踪的漏检问题,提高了多目标状态估计精度。     

采用自适应简化不确定性卡尔曼滤波算法的飞行器导航控制方案

针对飞行器绕本体轴高速旋转的飞行过程出现的严重耦合干扰问题和大角加速度和大角速度测量问题,提出了一种自适应简化不确定性卡尔曼滤波算法。该算法使用超球面分布采样点和线性转移等方法简化算法采样计算和采样点的权值计算,提高算法效率;利用模型噪声和线性方程,通过一步预测进行自适应设计,计算滤波值和误差方差矩阵;使用次优噪声估计器推算过程噪声;对过程噪声进行正定判定,防止算法发散。仿真结果表明,这一改进的自适应简化不确定性卡尔曼滤波算法能够有效减少滚转角解算误差和耦合干扰,提高飞行器着陆点的精度。