卡尔曼滤波器和跟踪微分器在光电跟踪系统中的应用

光电跟踪系统通常采用跟踪偏差反馈闭环控制,若同时采用速度前馈复合控制可以有效提高系统跟踪精度,分别使用了卡尔曼滤波器和跟踪微分器两种算法求取跟踪速度信号,通过仿真分析和工程应用,确认卡尔曼滤波器求取的速度信号更准确,噪声更小,更适合于光电跟踪系统的前馈复合控制。     

基于卡尔曼滤波和模糊数据融合的跟踪算法

在目标跟踪系统中,特别是在复杂背景情况下对地面目标的跟踪中,传统相关算法采用全局搜索的方法,使得计算量相当大,不易实时实现,而且当发生目标局部遮挡时,目标容易丢失.为此,提出一种基于模糊推理和卡尔曼预测器的目标相关跟踪的方法,它充分利用卡尔曼预测器的预测功能来预测下一帧目标可能出现的区域,然后在较小的预测区域中进行相关匹配运算,找到最佳相关匹配点,跟踪更具主动性,同时用模糊推理方法对卡尔曼预测器的参数进行自适应调整,从而可以跟踪各种机动目标.实验中用传统算法和本算法对高速行驶的坦克进行跟踪时,传统算法容易跑飞,而本算法不受遮挡干扰,始终稳定跟踪且耗时大幅减少,且能够跟踪机动速度大幅变化的目标.     

火控系统跟踪滤波器数学模型

在防空火控系统中,滤波器和预测器的输入信号来自对目标在空中的运动轨迹的测量。在设计滤波器和预测器时,首先要对目标运动规律做出决定。过去在飞机机动性能不高的情况下,曾把目标作等速直线运动做为常用的假设,效果还是比较好的。那时所用的计算工具主要是机电模拟式计算装置,所用的理论主要是维纳滤波理论。应用维纳理论设计滤波器的方法是根据输入信号误差的统计特性,找出滤波器的最佳重量函数,然后用实际装置逼近它。维纳理论比较适合于通讯系统,因为通讯系统的输入信息为语言或编码,较符合平稳随机过程,而火控系统的输入信息一般并不是平稳的,因而维纳理论对于火控系统来说,就不太合适,或者说不太理想。60年开始出现的卡尔曼滤波是递推式计算的,特别便于在数字计算机上进行。它计算的特点是边估计状态值,边估计误差的方差值,而且能随着误差的大小调整估计,提高估计精度。它的适应性是很强的。卡尔曼滤波器的这一特点,对于火控系统来说是非常宝贵的,因为实际的工作条件往往不是最佳的。上述对目标运动规律的决定,在卡尔曼滤波器设计中就是确定目标运动的数学模型。下边介绍适合现代空中目标运动特点的几种可用的数学模型,重点是随机加速度模型。     

使用位置和速率量测值的三状态卡尔曼跟踪器

本文叙述了跟踪类似飞机的运动目标的三状态卡尔曼跟踪器,该跟踪器利用使用脉冲多普勒处理过的边跟踪边扫描雷达传感器获得的位置和速率量测值,例如,提供清晰的多普勒数据的动目标探测器就是这种雷达传感器。在白噪音机动能力的假设条件下,已经解析地获得了稳态滤波器参数。这些参数的数值计算与用递归卡尔曼滤波器矩阵方程得到的数值计算完全一致。在只能得到距离量测值的情况下,作为这种模型的特殊情况获得了这种情况的解。为了举例说明这个解是怎样取决于不同的参数,本文还介绍了归一化的协方差和增益图象。     

基于卡尔曼滤波的跳频信号跟踪算法

相对于传统的固定载波频率信号的测控体制,使用跳频扩频信号进行测速在提高了测控系统抗干扰能力的同时带来了信号跟踪精度不高的问题。针对这一问题,文章提出一种使用卡尔曼滤波器替换传统锁频环路低通滤波器的环路结构,推导了卡尔曼滤波器跟踪算法的递推公式。仿真结果表明,经过改进之后的环路跟踪精度大大提高,系统的测速精度达到15cm/s,比未使用卡尔曼滤波时候的测速精度提高了约6倍。     

二阶马尔可夫加速度模型下的机动目标预测器

采用二阶马尔可夫加速度模型建立机动目标跟踪滤波器,并将其扩展到预测器中形成六阶多项式预测模型来解决机动目标预测问题。仿真的结果表明本文建立的预测器使机动目标预测精度有了明显的提高。     

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.     

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。     

鲁棒滤波在机动目标跟踪中的应用

在交互多模型中通常使用的卡尔曼滤波器中,引入广义H∞(鲁棒滤波器,以一定的精度为代价,换取满意的鲁棒性能.H(鲁棒滤波算法可以分解为卡尔曼滤波和鲁棒化两个环节,从而形成一种基于增益失调因子的结构化分解算法.为验证算法的有效性,进行了Monte Carlo仿真.仿真结果表明,本文算法跟踪复杂机动目标时跟踪性能有较大提高,有很好的可实现性.     

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。     

H∞鲁棒滤波在机动目标跟踪中的应用

在交互多模型中通常使用的卡尔曼滤波器中，引入广义H∞鲁棒滤波器，以一定的精度为代价，换取满意的鲁棒性能。H∞鲁棒滤波算法可以分解为卡尔曼滤波和鲁棒化两个环节，从而形成一种基于增益失调因子的结构化分解算法。、为验证算法的有效性，进行了Monte Carlo仿真。仿真结果表明，本文算法跟踪复杂机动目标时跟踪性能有较大提高，有很好的可实现性.     

机动宇宙飞船的协方差矩阵的快速估算

如果实现机动的时刻,推力向量值和方向对完成跟踪宇宙飞船的观察者是未知的,则对应用推力进行机动的宇宙飞船的轨道参量进行跟踪是一个复杂的问题。普通的递推滤波方框图[1-3]认为存在有关所加的速度脉冲值和时刻的预先信息,因此,它们在一般情况下对解决此问题是不能用的。对被动轨道运动的宇宙飞船跟踪时,估算误差的协方差矩阵和卡尔曼滤波器的传递系数趋向于零,而辅助测量对估算有较小的影响[l-4]。当被估算的轨道参量突然变化和卡尔曼滤波器的传递系数快速趋向零时,运动参量的估算开始很快发散,并与真实值相差很大。     

机动目标跟踪算法

文中提出了一种新的机动目标跟踪方法。一种基于新息序列的最快检测方案被设计出来,用于目标机动的快速检测。对给定的虚警概率,得出了最小机动检测延迟的最佳滑动窗口长度。检测到机动后,用增加机动项的方法修正系统模型。文中提出用递推算法来估计机动幅度。使用该估计,修正的卡尔曼(Kalman)滤波器可被用来对目标实施跟踪。仿真结果表明尤其是在目标机动过程中该算法具有优越的性能。     

利用多传感器跟踪机动目标:数据越多总意味着估计越好吗?

在文献中考虑利用多传感器跟踪机动目标一类的问题时,支持特定目标跟踪的传感器数量及类型通常相对于目标假定位置是固定的。然而,在许多多传感器系统中,支持某一特定目标跟踪的传感器数量及类型,可由于各个传感器的机动性、类型及资源的制约而随时变化。这种在传感器系统配置上的变化性,在跟踪机动目标时造成严重的问题,这是由于目标运动模型存在不确定性。卡尔曼滤波器通常用于滤波位置测量,以估计目标的位置,速度和加速度。在设计卡尔曼滤波器时,过程噪声(加速度)方差Qk的如此选定以致于65％到95％的概率区间能包含目标的最大加速度水平。然而,当目标机动时,加速度以一种确定性方式变化。于是,与过程噪声相关的白噪声假设发生偏离,滤波器在目标机动期间产生状态估计偏差。如果选定一个较大的Qk,则在机动时的状态估计偏差较小。但当目标不作机动时,此时的Qk只能粗劣地表征目标运动,而且滤波性能远远偏离最优了。这里,举出了目标在单一坐标系运动的例子,说明了利用多传感器跟踪机动目标存在的问题,从中表明两传感器(在确定条件下,其中包括各传感器的正确配置)具有较之单一传感器更糟糕的跟踪性能。将交互式多模型算法(IMM)应用于该范例中,证明了它是一种解决跟踪滤波器性能问题的潜在方法。     

等残差卡尔曼滤波器组算法的无人机控制故障诊断

提出了一种等残差卡尔曼滤波器组算法,它只需要单个卡尔曼滤波器的残差和状态估计及其线性变换,就可得到与标准的多模自适应滤波算法等价的残差,因此可以有效地减少计算量和计算时间.将此算法应用于某无人机控制系统的故障诊断,仿真结果验证了该方法的有效性.     

近程武器系统两种跟踪滤波方案的精度比较

本文推广了[2]中关于耦合x,y卡尔曼跟踪滤波器稳态估计精度解的形式。对近程武器系统跟踪滤波坐标系的选择问题,从精度的角度作了讨论。     

纯方位目标跟踪的伪线性卡尔曼滤波器FPGA实现

伪线性卡尔曼滤波器广泛应用于纯方位目标跟踪中,其递归性非常适合于硬件实现。结合实际项目,在对数据流进行分析的基础上,使用xilinx公司virtex-4系列芯片提供的DSP48专用乘法单元,以及自行设计的高效除法单元,通过简化标量运算和充分利用并行流水机制,最终实现了伪线性卡尔曼滤波器。仿真验证了数据的精确性。综合报告显示此系统的最高频率为123.8 MHz,满足实时性要求。     

基于分布式信息融合的多舰纯方位跟踪

提出一种基于信息融合的分布式多舰纯方位跟踪算法 ,该算法采用时变采样间隔的修正增益推广卡尔曼滤波器 ,用多条舰艇的舰载电子侦察设备对海上多个运动辐射源目标进行分布式纯方位跟踪融合。计算机模拟结果表明 ,该算法能满足工程应用的要求     

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。     

多种滤波器方案对机动目标跟踪自适应性比较

在过去几年对机动目标跟踪这个复杂问题取得了许多成果。目前已普遍认为混合状态估计交互式多模型算法(IMM)对机动目标就跟踪精度而言比其它类型的滤波器(如自适应单模型,输入估计,变维等等)实现效果更好。然而,IMM算法的复杂性阻碍了其应用,在这些应用中,简单算法不能提供必要的精度,又不能承受IMM算法的计算负荷。本文介绍评价一个应用并行运行的3个不同常速模型(3CV-PAR)和一个机动检测器的多模型航迹滤波器的跟踪精度。输出估计由选择其似然函数比目标机动门限值(TMTh)低的模型确定。3常速并行航迹滤波器的跟踪效果与如下滤波器比较:·自适应单运动模型卡尔曼滤波器(ASMMKF);·交互式多模型(IMM)滤波器中运用相同的3个常速运动(CV)模型作为3CV-PAR滤波器;·交互式多模型(IMM)滤波器中应用一个等速(CV)模型和一个等加速(CA)模型成为CVCA滤波器;·交互式多模型(IMM)滤波器中应用一个常速(CV)模型和两个仅过程噪声水平不同的常加速(CA)模型(CA1、CA2)成为CV2CA滤波器。通过在具挑战性的多传感器想定下100次蒙特卡洛(Monte-Carlo)试验平均均方根(RMS)误差的计算结果,比较3CV-PAR航迹滤波器与上述算法方案,评价跟踪精度。