基于MEKF的航天器姿态确定算法

乘性扩展卡尔曼滤波(multiplicative extended Kalman filter, MEKF)方法被广泛应用于各种航天器姿态确定任务。针对任意参考坐标系,推导了姿态四元数的线性运动学方程和三分量姿态误差矢量的动力学模型,并分别设计了有陀螺和无陀螺两种姿态确定方案。系统研究了姿态敏感器常用的矢量观测模型,四元数观测模型以及欧拉角观测模型,设计了更具有一般性的MEKF滤波器,为航天任务中快速应用MEKF姿态确定算法提供理论参考和技术支撑。     

对运动目标多站时差定位和被动跟踪方法

针对对运动目标的被动定位跟踪问题,建立了对运动辐射源多站时差定位及被动跟踪的数学模型,研究了基于扩展卡尔曼滤波(extended Kalman filter,EKF)的被动跟踪算法。首先,对运动目标建立了二阶常速运动模型,利用实时的时差定位结果和误差协方差矩阵作为扩展卡尔曼滤波的初始值和初始协方差进行被动跟踪;然后,进行了对运动目标定位跟踪的场景仿真,结果表明:扩展卡尔曼滤波实现了对时差定位实时结果平滑作用,使用该方法定位精度大大提高,目标轨迹更明显;最后,通过工程试验验证了该算法的有效性。     

基于多源数据融合的GEO目标轨道改进分析

以美国新一代天基监视卫星SBSS为例,构建了天地联合方式观测GEO目标的观测模型。同时作为对比,介绍了传统地基雷达的距离测量模型;提出了将天地联合测量数据与传统地基测距数据融合,利用扩展卡尔曼滤波(extended Kalman filter,EKF)对GEO目标进行轨道改进的方法。仿真结果表明,利用2种不同方式的观测数据对GEO目标轨道进行改进,得到的定轨误差效果好于只有一种测量数据的结果。     

附加运动约束的MEMS惯性传感器融合定姿算法

针对MEMS惯性传感器因精度低、误差随时间累积导致无法满足长时间姿态测量要求的问题,提出了一种附加运动约束的姿态估计方法,即在以陀螺仪解算的姿态信息作为系统预测、以加速度计与磁强计解算的姿态信息作为系统量测的基础上,将载体运动约束作为虚拟观测量输入滤波器。同时,针对传统EKF算法精度不高的问题,提出了一种新的滤波融合算法,即迭代更新扩展卡尔曼滤波(iterated update extended Kalman filter,IU-EKF)。新算法通过将当前量测信息逐步引入量测更新过程实现后验状态估计,从而达到减弱观测模型非线性、提高滤波估计精度的目的。数值仿真结果表明:本文算法的姿态估计精度较传统的"双矢量法+EKF"模式有大幅提升。     

基于CKF的再入段弹道目标质阻比估计

针对传统扩展卡尔曼滤波(EKF)对再入段弹道目标的质阻比估计存在收敛速度慢,估计精度不够高的问题,提出一种利用容积卡尔曼滤波(CKF)对再入段弹道目标进行估计的方法。给出了扩展卡尔曼滤波和容积卡尔曼滤波估计再入段弹道目标质阻比的性能比较。仿真结果显示,在收敛速度及估计精度上,容积卡尔曼滤波对再入段弹道目标质阻比的估计都优于扩展卡尔曼滤波。     

基于频率和波达角无源定位及其滤波算法研究

为了解决机动模型的无源定位问题,在二维平面机动模型的基础上提出了利用频率和波达角进行无源定位的方法,进行了可观测分析,给出了可观测分析结果。同时将EKF(extended Kalman filter),UKF(unscented Kalman filter),PF(particle filter)等非线性滤波方法应用到无源定位系统模型中。仿真结果表明,EKF滤波方法用时最短,PF滤波方法精度最高。     

三种实时误差配准算法性能分析与比较

对雷达组网中现有的三种实时误差配准算法即扩维扩展卡尔曼滤波算法(Augmented State Extended Kalman Filter)、解耦卡尔曼滤波算法(decoupled Kalman Filter)和准确算法(Exact method)进行了介绍与分析,并通过蒙特卡罗仿真试验从算法估计的均方根误差、估计的...     

基于简化CKF的IMM算法北大核心

IMM算法中采用的运动模型多为线性,针对这一情况,首先对容积卡尔曼滤波(cubature Kalman filter,CKF)算法进行了简化,通过理论推导证明,简化CKF算法的时间更新结果与KF算法的一步预测结果一致。然后对简化算法进行了计算复杂度分析,分析结果表明简化算法的复杂度要远低于CKF。进而将简化的CKF算法与IMM算法相结合,提出了一种基于简化CKF的IMM算法,最后通过机动目标跟踪实验对新算法进行了仿真,实验结果表明,新算法在没有降低跟踪精度的前提下,大幅缩短了算法的运算时间,提高了跟踪的实时性。     

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.     

基于MVEKF的单站无源定位跟踪方法研究

单站无源定位是电子战中的一项重要技术。采用基于到达方向(DOA)和到达时间差(TOA)测量信息,可以实现固定观测站对运动辐射源的无源定位和跟踪。讨论了扩展卡尔曼滤波(EKF)及其改进形式修正协方差的扩展卡尔曼滤波(MVEKF)2种算法的原理,指出了应用场合和适用条件,并运用EKF和MVEKF对无源定位进行滤波估计。通过仿真,说明了2种算法的有效性,并验证了MVEKF对定位性能的改善。     

UKF算法及其在纯方位目标跟踪中的应用

为克服扩展卡尔曼滤波算法的缺陷,将UKF算法应用于纯方位目标跟踪问题中.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.对UKF算法进行了深入的研究,并给出了一个纯方位目标跟踪的算例.仿真结果表明,该算法提高了滤波的稳定性和精确性,优于一般的扩展卡尔曼滤波算法,具有广泛的应用前景.     

去偏转换坐标卡尔曼滤波器的雷达目标跟踪

在雷达目标跟踪中 ,扩展卡尔曼滤波 (EKF)和转换坐标卡尔曼滤波 (CMKF)得到了广泛的应用。但当目标方位角的测量误差与目标斜距的乘积较大时 ,传统的EKF和CMKF的滤波性能会大大降低。推导了有测速元时的去偏转换卡尔曼滤波 (DCMKF)算法 ,仿真结果表明DCMKF的精度比EKF与CMKF有了很大的提高     

一种纯方位跟踪中的自适应滤波算法

针对纯方位被动目标跟踪中扩展卡尔曼滤波算法易发散的不足,提出了一种自适应的改进算法。该算法利用极大后验噪声估计器Sage-Husa对虚拟观测噪声进行实时在线估计,动态补偿线性化带来的误差。算法的对比仿真分析结果表明,AEKF较之EKF滤波效果有所改善,增强了稳定性,提高了精度,为水下纯方位被动目标跟踪的实现提供一种新的方法。     

非线性滤波方法在水下目标跟踪中的应用

在对扩展卡尔曼滤波、不敏卡尔曼滤波和粒子滤波3种非线性滤波方法进行研究的基础上,对粒子滤波算法的重要性密度函数的选取方法进行了研究。结合水下目标的被动跟踪的应用背景,比较了3种滤波算法在水下目标跟踪中的性能差异。结果表明,粒子滤波算法能较好的用于非线性、非高斯条件下的水下目标跟踪。     

闪烁噪声条件下基于交互多模框架的雷达目标跟踪算法

针对传统雷达目标跟踪算法在处理闪烁噪声时面临的性能下降问题,提出一种将容积卡尔曼估计器与交互多模框架相结合的高性能滤波算法。该算法将目标状态建模为高斯分布,将闪烁噪声建模为混合高斯分布,同时将其发生概率建模为一阶马尔可夫过程;在此基础上,利用交互多模框架实现对不同高斯噪声分量的匹配滤波处理。为了减轻非线性观测条件对目标跟踪精度的影响,进一步采用容积卡尔曼估计器作为高斯近似滤波器,对目标状态进行递推预测和更新。仿真结果表明：所提算法较传统高斯混合滤波器和粒子滤波器具有更高的跟踪精度和更好的实时性能,同时还能对闪烁噪声出现时刻进行有效的估计。     

船舶静态电场跟踪的渐进更新扩展卡尔曼滤波器

为了实现利用船舶静态电场对船舶进行跟踪的目的,针对传统卡尔曼滤波算法中存在的问题,设计一种新的非线性滤波器。建立船舶的状态空间模型,分析传统卡尔曼滤波算法在船舶跟踪中存在的问题;依据渐进贝叶斯思想,利用连续白噪声与离散白噪声序列噪声协方差之间的关系,设计一种新的渐进更新扩展卡尔曼滤波器。仿真结果表明,该滤波器能有效地抑制由于初始误差较大而造成的滤波性能下降和滤波发散,能够有效地跟踪船舶,具有较高的实用价值。     

一种单站纯方位目标跟踪中的线性近似化滤波算法

针对EKF算法中存在初始化困难的缺陷,利用近似线性化的方法,构建基于修正极坐标系下的近似线性最小二乘滤波算法ALF;以ALF作为EKF滤波器的初始化算法,实现联合ALF和EKF的两阶段滤波算法,并将它应用在水下单站纯方位目标跟踪中。仿真结果表明,由ALF和EKF组成的两阶段滤波算法具有很好的稳定性,算法精度较高,是一种有效的算法,对潜艇实施隐蔽探测与跟踪具有重要意义.     

基于航迹跟踪的EKF应用研究

在复杂的电磁环境,对运动目标的跟踪检测成为目标定位跟踪领域的热点研究课题。介绍了雷达数据处理和EKF算法,并提出了在三维空间中EKF(扩展Kalman滤波)算法的应用,实时地跟踪三维空间中的运动目标,并进行了计算机模拟,验证了该算法具有的较好的鲁棒性和跟踪精度,能够满足现代战争的需要。     

基于模糊自适应变维Kalman滤波器的跟踪算法(英文)

针对不同阶数的Kalman滤波器具有不同的跟踪能力与跟踪效率之间存在的矛盾,设计了一种模糊自适应变维跟踪算法(FAVD)。该算法使用两级滤波器,根据目标机动性的变化,适当地调整滤波器的阶数,使跟踪结果快速收敛,很好地解决了矛盾。同时通过模糊推理机制,在线调节高阶滤波器的参数,使适用范围大大增强,提高自适应能力,从而使该算法可以采用较少的模型覆盖较多的目标运动模式,达到很好的跟踪滤波效果,计算量也会大大减小。通过对计算机仿真结果分析表明,提出的算法具有可靠、计算简便、快速等特点,模型滤波精度较高,并可实现实时跟踪预测,具有一定的理论价值和实用价值。