制导雷达组网反隐身研究

现代战场上各种隐身目标的出现,要求利用多种传感器组网来采集信息并加以融合,才能充分利用隐身目标各个方向及各个频段不同的反射特性,最大限度提取信息,满足战场对信息、目标识别和态势分析的需要。为此,对制导雷达组网的带反馈的数据融合模型,以及分层Kal-man滤波融合算法、信噪比加权融合算法进行了研究,并通过对特定组网布站的仿真试验,验证了制导雷达组网反隐身的有效性。     

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。     

多传感器异步量测融合算法性能比较

归纳几种多传感器异步量测融合算法,即首先将各传感器异步数据统一到同一时刻,再对该数据进行并行或伪序贯滤波处理.分别采用理论证明和实例仿真分析对各种算法的估计精度、计算量等性能进行了比较.所得结论对实际工程应用中异步量测融合算法的选取有一定的指导意义.     

基于信息融合和扩维Kalman滤波技术的系统误差估计算法研究

针对采用复合制导体制的面空导弹武器系统,目标支路和导弹支路分开后,引起中末制导交班误差增大,必须进行相对系统误差补偿,探讨了相对系统误差的估计技术.基于信息融合和扩维Kalman滤波技术,建立了估计模型和算法,通过2种不同情景的仿真,验证了模型和算法的正确有效性.     

舰艇编队多声纳数据融合

分析了标准kalman滤波(KF)和自适应kalman滤波(AKF)的原理,通过仿真实验,对两种滤波算法的性能进行比较.结合各种声纳的探测特性和水下目标的特点,建立了舰艇编队的数据融合方案.选用简单凸组合融合算法作为舰艇编队协同反潜的航迹融合算法,将多声纳融合系统的融合结果和简单交叉定位算法进行了比较研究.仿真实验结果表明:自适应kalman滤波比标准kalman滤波具有更好的目标跟踪性能,多声纳融合结果较简单交叉定位结果的性能有大幅度提高,所选用的融合算法航迹能够较好的与真实航迹吻合.     

含有多普勒频率的毫米波/红外融合滤波算法

由于毫米波雷达(MMV)和红外(IR)两种传感器在跟踪目标方面具有各自的优势,故使用两种传感器进行数据融合可以得到较单一传感器更高精度的目标数据,从而提高滤波精度。针对上述两种传感器的特点,对采样数据进行时空对准,结合UT变换思想,并在此基础上提出一种含有多普勒频率的无迹卡尔曼滤波(UKF)算法。新算法较单一MMV或者IR传感器滤波算法精度有了明显提高,并且较MMV/IR融合的传统扩展卡尔曼滤波(EKF)算法的精度也有提高。仿真结果证明了新算法的有效性和合理性。     

一种基于激光测距仪测距信息的新滤波算法

针对动能拦截器在大气层外完成反导任务的末制导滤波问题,利用激光测距仪的测距信息与导引头的测角信息,设计了一种非线性θ-D滤波算法.分析了这种滤波算法在实际应用中的一些问题,包括避免滤波发散的条件,权重系数阵的取值等.通过仿真验证,该滤波算法的精度高于工程上常用的α-β衰减记忆滤波.在该滤波算法的基础上,可以得到更精确的弹目相对运动信息,为进一步设计更先进的导引律提供了基础.     

一种改进的强跟踪滤波算法的推导及仿真验证

针对一般强跟踪滤波算法(STEKF)在光纤陀螺动态输出滤波过程中存在跟踪效果不好的缺陷,分析推导一种新的强跟踪滤波算法(ISTEKF),使其能够克服原先算法存在的缺陷,并利用光纤陀螺动态输出数据进行仿真验证,滤波结果表明ISTEKF算法能够达到很好的跟踪效果,且具有较强的自适应能力。     

面向多目标跟踪的PHD滤波多传感器数据融合算法

针对密集杂波环境下单传感器应用高斯混合PHD算法进行多目标跟踪时性能下降的问题,提出一种面向多目标跟踪的PHD滤波多传感器数据融合算法。首先构建了基于高斯混合PHD滤波的多传感器数据融合系统框架,各传感器利用高斯混合PHD滤波算法进行局部状态估计,然后对各传感器的状态估计结果进行关联度计算,最后通过构建自适应混合参数,引入协方差交叉算法对关联状态进行融合。仿真实验表明,与单传感器高斯混合PHD多目标跟踪算法相比,所提算法有效提高了目标数量和状态的估计精度。     

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.     

临近空间高超声速目标跟踪IMMCPF算法

临近空间高超声速目标具有机动特性强、轨迹变化快、强非线性等特点,在目标跟踪的过程中,易出现跟踪精度降低、滤波发散的问题。针对该问题,提出了一种交互式多模型容积粒子滤波算法。使用交互式多模型算法来对临近空间高超声速目标进行跟踪,使用容积粒子滤波算法对目标进行滤波预测。仿真结果表明,该算法跟踪性能优于交互式多模型卡尔曼滤波算法和交互式多模型粒子滤波算法,对临近空间高超声速目标有更好的跟踪效果。     

基于Bootstrap方法的舰空导弹武器系统制导精度评定

针对靶场进行导弹武器系统制导精度评定试验样本少的问题,提出了一种通过仿真提高试验结果评估置信度的数据融合评估方法。对舰空导弹武器系统制导误差产生的原因、误差分布规律进行了分析,给出了基于Bootstrap的制导精度评定方法。     

UKF应用于制导系统

首先介绍了无迹卡尔曼滤波的原理算法,并简要说明了末段寻的制导导弹的两个指标:捕获域和收敛速度。针对导航系统中线性滤波仍是主流算法,通过使用传统卡尔曼滤波和无迹卡尔曼滤波分别对目标体运动进行导航跟踪仿真,得出了无迹卡尔曼滤波用于线性滤波时,虽然存在一定局限性,但在跟踪的收敛速度方面,优于传统卡尔曼滤波的结论,并提出将此算法应用于对收敛速度要求较高的具有末段寻的装置的制导导弹中。     

改进粒子滤波的全捷联导引头制导信息估计

针对全捷联导引头无法直接提取视线角速度等制导信息问题,研究了基于改进粒子滤波在制导信息估计中的应用。首先利用坐标变换关系推导了视线角速度解耦公式,并根据弹目相对运动关系建立了系统的状态方程和观测方程;然后考虑到系统测量噪声非高斯以及状态方程和观测方程非线性的特点,提出了基于分层采样的改进粒子滤波视线角速度估计方法;最后,建立了视线角速度估计的半实物仿真实验。结果表明:基于改进粒子滤波算法估计的视线角和角速率优于扩展卡尔曼滤波算法和标准粒子滤波方法,可为新型滑翔制导炸弹的研制提供一定的参考。     

环境因子和混合贝塔分布的贝叶斯法制导弹药评估

针对制导弹药可靠性试验评估成本高和靶场试验次数少的问题,采用基于环境因子和混合贝塔分布的贝叶斯法对制导弹药可靠性进行评估。利用环境因子法,结合成败型产品讨论了不同库存环境制导弹药可靠性试验数据的折合,解决了不同环境下数据融合的问题。以混合贝塔分布为先验分布,得到了评估制导弹药可靠性的Bayes方法,该法解决了性能检测试验数据与靶试数据融合问题,并对制导弹药可靠性进行了数值仿真计算,为制导弹药可靠性评估提供了一种新方法,具有一定的价值。     

制导雷达组网中航迹处理技术研究

简述了防空体系制导雷达组网中对目标航迹的处理过程,进行了大量的仿真试验,结合仿真试验的结果数据,分析比较了目标航迹相关与目标航迹融合的几种典型处理方法,并针对制导雷达的特点,提出了在制导雷达组网中适用的一种航迹处理方法。     

一种基于时变噪声统计的异步多速率传感器信息融合算法

以异步多速率传感器信息融合理论和同步单速率传感器时变噪声统计理论为基础,提出了一种适用于时变线性系统的异步多速率传感器时变噪声统计系统的信息融合算法.通过原理分析和数学推导,将异步多速率传感器动态系统建模为同步同速率系统.进而利用噪声统计估值器和相应的自适应Kalman滤波方法进行状态估计,利用联邦分布式数据融合方法进行信息融合,获得基于所有现测信息的最优估计.理论分析和仿真结果均表明,该算法的融合效果优于任一单传感器Kalman滤波的效果.     

一种快速抑制单脉冲雷达角闪烁的方法

一种小窗口的快速中值滤波方法能够有效抑制比幅单脉冲末制导雷达角跟踪中的角闪烁。该方法根据比幅单脉冲雷达测角原理,在测角之后对测量结果以小窗口中值滤波的方式进行处理,最大程度上保留测角结果的细节信息又能够有效地抑制角闪烁,并且有较低的运算量。通过对仿真及实测数据的处理,表明该算法可以明显降低末制导雷达在接近目标时角闪烁的影响,有效提高雷达角跟踪精度。     

基于IEPF序贯融合的多传感器管理方法

针对主被动传感器信息融合的特点,提出了一种在IEPF序贯融合基础上进行传感器管理的方法。工程常采用的传统扩展卡尔曼滤波融合算法滤波精度不高,因此结合采用了粒子滤波方法。先对主被动传感器采用迭代扩展卡尔曼滤波集中式序贯融合,利用融合后的信息进行粒子更新,提高滤波精度,在此基础上采用分辨力增益的方法对传感器进行管理。仿真结果表明该方法能够提高对目标的跟踪精度,增强多传感器对环境变化的适应能力。     

基于Unscented粒子滤波的传感器管理算法

传感器管理是信息融合技术的重要研究方向,以往的传感器管理算法主要是针对线性融合系统,现实中非线性系统更为普遍,而针对非线性融合系统的传感器管理算法研究较少。粒子滤波是目前非线性领域中应用最广的滤波算法,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度。Unscented粒子滤波采用Unscented卡尔曼滤波计算提议概率密度分布,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。针对非线性系统,提出了一种基于Unscented粒子滤波的传感器管理算法。首先利用Unscented粒子滤波对目标进行状态估计,求出目标的协方差;然后利用信息熵计算目标的信息增量;最后利用信息增量最大对传感器资源进行分配,并对该算法进行了仿真。