一种基于预测滤波器的自适应卡尔曼滤波算法

针对系统过程噪声统计特性不确切或未知的条件下,研究了一种基于预测滤波器的自适应卡尔曼滤波算法。由预测滤波器实时估计系统模型误差及其协方差矩阵,再用其修正系统状态预测值及预测误差协方差矩阵,从而自适应调节卡尔曼增益。将该算法应用于弹载SINS/GPS紧耦合组合导航系统并与普通卡尔曼滤波、基于新息的移动开窗自适应卡尔曼滤波进行了对比,仿真结果说明该自适应滤波算法具有更高的可靠性和精度。     

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。     

改进的变步长LMS自适应滤波算法分析

通过建立步长因子μ与误差信号e(n)之间的非线性函数关系,提出了一种改进的自适应变步长最小均方(LM S)算法。该算法克服了LM S算法在自适应稳态阶段μ取值偏大的缺陷,具有在误差e(n)接近零处缓慢变化的特点。该算法还具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,解决了收敛时间和稳态误差的矛盾。将该算法对比一般的变步长算法,该改进算法在平稳过程中具有更小的稳态误差,同时还具有更好的跟踪时变系统的能力。     

基于自适应无迹卡尔曼滤波的小波网络算法及其应用

针对扩展Kalman滤波(EKF)训练小波网络存在收敛慢、精度不高、计算Jacobian矩阵困难等问题,在自适应Kalman滤波理论基础上,提出一种基于自适应无迹Kalman滤波(UKF)的小波网络训练算法。该算法在在UKF框架内引入自适应因子,通过其调整观测协方差与状态参数协方差的比例,使状态向量预测值的协方差更趋向真实值,有效地提高了小波网络的精度。仿真结果表明,基于自适应UKF的小波网络的收敛速度快,估计精度高,无需计算Jacobian矩阵,适于解决非线性系统的建模预测问题。     

基于量测噪声方差估计的GM-CBMeMBer算法

针对目标跟踪系统下量测噪声统计特性不准确甚至难以获取的问题,提出一种量测噪声统计特性自适应的高斯混合势均衡多目标多伯努利(Cardinality Balanced Multi-Target Multi-Bernoulli,GM-CBMe MBer)滤波算法。该算法引入Sage-Husa自适应滤波器的思想,利用遗忘因子对量测噪声协方差误差进行修正;建立检验统计量,判断算法敛散性;若滤波发散,则采用有偏估计方法来保证算法收敛性。仿真结果表明在非时变、时变量测噪声方差未知情况下,改进算法的跟踪性能优于传统的GM-CBMe MBer滤波算法,对量测噪声的变化具有较强的适应能力。     

自适应阈值航迹关联算法与实现

航迹关联和航迹融合是分布式数据融合的重点。基于航迹间的χ2距离和一个固定阈值的比较来决定航迹是否关联这种算法在关联率上不够理想,针对该问题提出了自适应阈值算法。对于状态估计用高斯分布描述的航迹来说,通过找出一组2个独立的航迹系统之间关联的最大后验概率(MAP)集合,对固定阈值算法进行改进形成自适应阈值算法。仿真结果显示自适应阈值算法对正确关联率有所提升,表明该算法对提高航迹关联概率具有可行性。     

DSSS时变窄带干扰抑制算法研究

在传统非线性最小二乘(NLS)算法的基础上,提出一种基于线谱估计的直接序列扩频(DSSS)系统抑制窄带干扰(NBI)的方法。该算法首先通过对基于正弦波叠加模型的NBI进行频率估计,再利用最小二乘准则进行自适应滤波,恢复出干扰信号包络,从而利用干扰对消器将其从观测数据中消除。仿真验证表明,本算法相对于传统的最小均方误差(LMS)算法、自适应频域陷波法,能较好地抑制时变音频NBI模型的干扰,且信息量损失较小。     

基于自适应阈值的提升小波包漏磁信号去噪研究

为了更好地实现对原始漏磁信号噪声的抑制,针对硬阈值函数和软阈值函数中存在的问题,提出一种自适应阈值选择方法,研究了基于该方法的提升小波包降噪算法。采用小波包和提升小波包,分别在硬阈值、软阈值和自适应阈值处理函数下,对含噪信号进行降噪效果的分析和比较,并给出了漏磁信号在自适应提升小波包算法下的降噪效果。仿真结果表明：该方法具有更高的分辨率和近似优化能力,在保留原始漏磁信号有效成分的同时,能更好地去除噪声。     

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。     

一种新的针对模型误差所致滤波发散的补偿方法

系统模型误差是导致卡尔曼滤波发散的一个很重要的原因,分析了衰减记忆法和限定记忆法两种对模型误差所致滤波发散的补偿方法,通过引入阈值可以将这两种方法进行有机结合,给出了一种新的衰减限定记忆算法。算例分析验证了衰减限定记忆算法在抑制滤波发散方面具有比衰减记忆和限定记忆法更好的性能,并能自适应调整算法所需观测数据数目。     

基于SVD的机动目标自适应滤波研究与仿真

由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响滤波算法的收敛速度和稳定性.该研究在机动加速度"当前"统计自适应卡尔曼滤波算法的基础上,引入了基于奇异值分解(SVD)的协方差平方根滤波的自适应卡尔曼滤波算法.仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点.     

临近空间高超声速目标自适应采样跟踪算法

针对传统自适应采样跟踪准则只适用单一模型且采样率稳定性差的问题,提出一种基于相对机动强度(relative maneuvering strength,RMS)的自适应采样交互多模型(interacting multiple model,IMM)算法。该算法构建了机动灵敏的主导因子;将期望协方差与实际协方差的偏差与门限值进行比较来修正指数参数,在保证跟踪精度恒定的同时降低资源消耗;考虑到采样率稳定性因素,引入平滑因子,设计线性形式自适应采样率公式。通过仿真试验对比,结果表明3种对比算法跟踪精度相近,新算法采样点数少,采样率突变点少。以此验证了新算法在跟踪数据率和采样率稳定性方面的优越性。     

机动目标跟踪的模式集自适应IMM算法的设计和比较

变结构多模型状态估计器方法适用于雷达跟踪空中机动目标。本文研究和设计了两种自适应时变模式集交互多模型(IMM)跟踪滤波器;切换网格(SG)IMM和自适应网格(AG)IMM算法。针对不同的飞行想定,通过Monte Carlo仿真方法对这些算法及相应的固定网格(FG)IMM滤波器的性能进行了评估和比较。仿真显示,对特定的机动目标跟踪问题,SGIMM和AGIMM跟踪滤波器在性能和计算量等方面要比固定结构多模型算法(FGIMM滤波器)有明显地提高。     

平流层飞艇抗风场干扰约束Unscented卡尔曼滤波算法设计与应用

为了提高风场干扰环境下飞艇的导航精度,研究飞艇抗风场干扰导航算法。在建立风场干扰条件下飞艇速度误差约束模型的基础上,设计抗风场干扰的约束Unscented卡尔曼滤波算法。确定风场干扰条件下飞艇的速度误差约束量,将该约束与Unscented卡尔曼滤波算法相结合,对速度误差进行估计和补偿,以减小风场对飞艇定位精度的影响;证明该算法的状态估计量不仅是无偏的,而且协方差小于标准Unscented卡尔曼滤波的协方差;将提出的算法应用于捷联惯导/天文/合成孔径雷达组合导航系统中进行仿真验证,并与自适应扩展卡尔曼滤波和抗差自适应Unscented卡尔曼滤波算法进行比较。结果表明:提出的约束Unscented卡尔曼滤波算法的滤波性能明显优于自适应扩展卡尔曼滤波和抗差自适应Unscented卡尔曼滤波算法,能够有效抑制风场对飞艇定位精度的影响,提高飞艇的导航定位精度。     

平流层飞艇抗风场干扰CUKF算法设计与应用

为了提高风场干扰环境下飞艇的导航精度,研究飞艇抗风场干扰导航算法。在建立风场干扰条件下飞艇速度误差约束模型的基础上,设计抗风场干扰的约束Unscented卡尔曼滤波算法。首先确定风场干扰条件下飞艇的速度误差约束量,将该约束与Unscented卡尔曼滤波算法相结合,对速度误差进行估计和补偿,以减小风场对飞艇定位精度的影响;然后证明该算法的状态估计量不仅是无偏的,而且协方差小于标准UKF的协方差;最后将提出的算法应用于捷联惯导/天文/合成孔径雷达组合导航系统中进行仿真验证,并与自适应扩展卡尔曼滤波和抗差自适应UKF算法进行比较,结果表明：提出的约束UKF算法的滤波性能明显优于自适应EKF和抗差自适应UKF算法,能够有效抑制风场对飞艇定位精度的影响,提高飞艇的导航定位精度。     

基于最小负载的相控阵雷达自适应数据率更新算法

提出了一种基于最小负载的相控阵雷达自适应数据率更新算法.该算法基于交互多模型(IMM),以雷达负载最小为准则,推导出新息协方差矩阵和时间间隔T的函数关系,通过求取该函数在一定范围内的极小值,得到使雷达负载最小的时间间隔.仿真结果证明了该算法能够保持雷达负载最小的条件下,根据目标的运动情况自适应的改变跟踪时间间隔,目标机动时预测误差明显小于固定时间间隔目标跟踪算法.     

基于线性数据融合的双椭圆定位模型优化算法

为了充分利用分离式台声源声纳定位系统的冗余测量信息,提高系统的定位精度,提出了基于线性数据融合的双椭圆定位模型优化算法。并通过数值仿真,对不同条件下的定位误差几何分布曲线图(GDOP)进行了研究。仿真结果表明,大部分探测范围内,两个声源之间距离的变化和时间测量误差对定位性能影响较小,而角度测量误差对该算法的定位精度影响较大。与仅利用距离信息进行定位的方法相比较,采用数据融合的优化手段,可以充分利用定位系统的冗余信息,有效地降低了系统的定位误差,探测盲区的定位性能也得到明显改善。仿真结果和性能分析为解决远距离探潜定位优化问题提供了理论依据。     

基于K-矩阵残差的航天器姿态确定自适应算法

在航天器姿态确定时,针对由于模型误差而使滤波发散的情况,根据协方差匹配的方法,提出一种基于K-矩阵残差的自适应姿态确定算法.通过调整滤波器中的噪声协方差,得到一种在线最佳姿态四元数的最小二乘拟合递归算法.针对传统残差定义的不足,根据K-矩阵的几何性质,设计适应的残差和标准,来解决这一问题.针对高值的残差可由测量噪声或过程噪声的建模误差引起,或由两个共同引起,分别对测量噪声自适应滤波和过程噪声自适应滤波进行了研究.仿真表明,此种算法效果较好.     

基于正态分布曲线的分段式变步长LMS算法

针对传统最小均方误差(Least Mean Square, LMS)自适应滤波算法由于步长固定,在解决稳态误差与收敛性之间的关系时,始终处于矛盾状态的问题,在对传统的固定步长LMS自适应滤波算法分析的基础上,根据变步长LMS自适应滤波算法的步长调整原则,通过构造步长因子与误差信号的非线性函数,提出了一种基于正态分布曲线的分段式变步长LMS自适应滤波算法,并分析了参数取值对算法性能的影响。针对实际信号处理过程中参考信号难以选取的问题,提出了一种基于分裂阵的参考信号选取方法。理论和海试数据分析结果表明:该算法的收敛速度和稳态误差明显优于固定步长的LMS自适应滤波算法和基于Sigmoid函数的变步长LMS自适应滤波算法。     

基于阵列天线的归一化变步长抗干扰算法研究

针对阵列天线的自适应抗干扰方法,研究了线性约束最小方差(LCMV)算法,并对其收敛性进行分析,提出归一化变步长线性约束最小方差(LCMV)算法。该方法解决了定步长自适应算法收敛速度和稳态误差不能同时满足的难题,避免了协方差矩阵求逆运算,减小了运算量,便于工程实现。通过仿真和实验表明,该算法收敛速度快,能在干扰方向上形成很深零陷,干扰抑制效果好。