多传感器定位误差对跟踪性能影响的研究

集中讨论了带有传感器定位误差的多传感器跟踪问题中的滤波方法 ,设计了两个基于一个非线性飞机等效机动模型的扩展卡尔曼滤波器 (EKFs) :最优 EKF(OF)和次优 EKF(SF) ,并应用于带有定位误差的多传感器跟踪问题中。 Monte-Garlo模拟结果表明定位误差对飞机的位置估计影响较大 ,但不影响速度或加速度估计 ;同时说明 OF的性能明显优于 SF。     

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。     

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。     

多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器,提高了估计的精确度。以前的跟踪式卡尔曼滤波器的估计精度与目标的运动状态有关,当目标的运动不能够用线性状态空间模型描述时,其估计精度将要下降。而多层网络的引入,改善了这一不足。多层神经网络经过训练以后,能够对卡尔曼滤波器的结果进行修正。仿真结果表明,多层神经网络的应用,使估计精度显著提高。     

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。     

超导体芯片推进了信号滤波技术的快速发展

高温超导体材料问世迄今也就16年的时间,但其发展速度和应用前景却是异常惊人的。尤其在信号滤波领域。高温超导体材料的应用使信号滤波器获得了使用传统滤波器所无法实现的功能。若将一块高温超导体芯片与一个传统的制冷系统安装在一起的话,它就可以作为一个信号滤波器来使用,从而使得集成亲统成为可以扩大通信距离或用来提取弱信号的智能化传感器。事实上,任何一个必须将一些弱的射频信号分离出背景噪声的商用或者军用系统都有可能受益于这种新技术。这样的滤波器     

基于模糊多传感器数据融合的目标跟踪系统

为了克服使用单个传感器的局限性,目标跟踪系统中引入了多传感器数据融合(MSDF)算法.MSDF能有效减小污染传感器测量量的噪声,又可排除估计过程中的无效测量量.它既能处理线性传感器的数据融合问题,又能处理含噪声的非线性传感器的数据融合问题.为了克服缺乏目标运动的前期信息的不足,目标跟踪系统中还运用了模糊运动学过程模型.因此,尽管缺乏有关目标运动及估计过程中所包含的传感器前期统计信息,该目标跟踪系统的性能却与基于已知目标精确过程模型的广义卡尔曼滤波器的目标跟踪系统相当.     

基于多传感器信息融合技术的联合卡尔曼波滤器的设计及应用

介绍了基于多传感器信息融合技术的联合卡尔曼滤波器的一般设计方法,并将此方法运用于舰船INS/GPS/Loran-c组合导航系统中。理论分析与仿真结果表明,该联合卡尔曼滤波器的设计合理,算法具有全局最优性,能够提高系统的导航精度和容错能力。     

神经网络辅助多目标跟踪数据融合

多目标跟踪(MTT)算法包括卡尔曼滤波和数据关联算法等,而数据关联算法又是最重要、最困难的方面.联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增.提出了一种改进的方法,一方面将神经网络引入到卡尔曼滤波器中,提高滤波器的自适应能力,减小卡尔曼滤波器的估计误差从而改善多目标跟踪精度;另一方面用神经网络辅助JPDA提高正确关联概率,减小计算量.经仿真研究表明,该方法是行之有效的.     

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。     

多传感器多目标信号融合算法

多传感器信号融合是数据融合的一个重要方面,ＣｈａｉｒＺ．和ＶａｒｓｈｎｅｙＰ．Ｋ．在这个领域进行了深入研究,提出了基于贝叶斯推理的最佳融合规则,但该推理不能用于多目标的信号判定。推导了用于多目标信号融合的多传感器融合算法,该算法运用假设检验理论,充分考虑了位置数据互联的正确性和目标信号的历史信息,得出了一个可以递推计算的判定准则     

推广的卡尔曼滤波应用于主被动混合定位

当飞行器被一个几何位置已知的雷达跟踪时,相对方位与仰角可用安装在飞行器上的角传感器来测量,相对高度数据可用无线电或激光高度表来获得。根据这些数据即可确定飞行器的位置。为提高定位精度,使用了扩展的卡尔曼滤波器,得到的位置参数被变换成射面坐标系。用计算机模拟的结果是良好的。     

连续动态贝叶斯网络实现多传感器融合跟踪

利用多传感器数据进行目标跟踪,关键是怎样将多传感器的数据合理应用来对系统的状态做出最佳估计。提出应用连续动态贝叶斯网络的方法,结合卡尔曼滤波器模型,实现用多传感器数据进行目标跟踪的方法,并对算法进行了推导和验证。仿真结果证明了提出的多传感器数据互相修正融合滤波方法具有良好的滤波效果,并能够弥补传感器数据缺失和抑制脉冲噪声。     

动态加权的一致性多传感器数据融合算法

研究现有多传感器的加权融合算法,针对时变非线性系统状态估计的有效融合问题,提出了一种基于动态加权的一致性多传感器数据融合算法.对于多传感器量测,首先利用Unscented 卡尔曼滤波器得到局部状态估计值,然后基于层次分析法思想,构建反映局部状态估计结果相互支持程度的一致性矩阵,充分提取数据中蕴含的冗余和互补信息,最后通过对一致性矩阵的求解实现对权重的合理选择.经过蒙特卡罗仿真验证了该算法的有效性.     

系统分析法确定α—β滤波器

用系统分析的原理把滤波器在连续系统中频率域的要求和在离散系统中Z 域的要求转换成时域中在典型信号激励下的时间响应的特征值的要求,然后在时间域中以特征值的要求进行综合,再把综合的结果转换回Z 域中,最后获得所确定的α—β滤波器即简易的卡尔曼α—β滤波器。同时分析了对该滤波器的静态误差,导出了滤波器的加速度迟后误差系数的计算方法。     

利用简化的充分统计量在分布式传感器网络中进行纯方位跟踪

本文介绍一种用于具有附加高斯噪声的一般非线性量测模型的分布式参数估计算法。我们证明:当扩展为多传感器情况得出一个线性融合规则时,由Kulhavy′提出的贝叶斯-闭式估计算法与局部的后验密度的形式无关。特别是Kulhavy′算法产生一组表示局部传感器密度的简化的充分统计量(RSS),这是在全局处理机中进行简单地相加和相减而获得最优融合。我们讨论了关于贝叶斯-闭式算法的各种近似值,得到非线性量测模型的实际参数估计器,并将这种近似技术应用于纯方位跟踪问题。把分布式跟踪器的性能与基于在修正的极坐标(MPC)中实现的广义卡尔曼滤波器(EKF)的另一种算法作了比较。已经证明:从通常的EKF意义上讲,贝叶斯-闭式估计器没有发散,因此在单向和双向发送方式中都可以利用贝叶斯-闭式技术。     

基于扩展多模型自适应估计的运载火箭伺服机构故障检测与诊断

针对运载火箭伺服机构故障,提出了一种基于扩展多模型自适应估计的故障检测与诊断算法。首先建立了考虑伺服机构故障的运载火箭姿态动力学模型,其次将故障角度作为状态变量得到增广状态空间模型,然后利用扩展卡尔曼滤波器进行状态向量和故障参数的非线性估计,并基于传感器测量数据采用假设检验算法在线计算故障发生的概率,最后给出了基于扩展多模型自适应估计的故障检测与诊断算法流程。该方法的优点是只用一个扩展卡尔曼滤波器就可完成一个伺服机构的故障检测与诊断,从而大幅减小用于伺服机构故障检测与诊断的滤波器数量。仿真结果表明,该方法在无故障时可对伺服机构进行健康监测,在单台伺服机构故障下,可以及时准确判断出哪一台芯级伺服机构发生故障,并可准确估计出伺服机构故障下的发动机摆角角度。     

突发扩频信号码相位精确估计的卡尔曼滤波方法

文章首先分析了延迟锁定环在突发模式下码相位测量精度低的问题,然后建立了用于扩频信号伪码相位估计的卡尔曼滤波模型,并分析了该卡尔曼滤波器最优运行和提高测量精度的条件,提出用宽带延迟锁定环引导卡尔曼滤波的方法对突发扩频信号的码相位进行精确估计。通过仿真对比了在突发扩频信号下该方法与单独使用延迟锁定环的性能情况。     

具有多步随机延迟和参数不确定动态系统的滤波器设计（英文）

针对一类传感器观测具有多步随机延迟、状态转移矩阵具有范数界不确定的离散动态系统,在Minmax准则下设计了一种最优的滤波器。对于这类问题,已有的方法主要限于一步随机延迟的情况,通过最小化估计误差协方差矩阵的某种上界来设计滤波器,在递推算法中每一步都需要给定一个尺度参数;而改进滤波算法在实际应用中更加方便。通过数值例子表明,对于具有一步延迟的传感器观测,与已有方法相比该方法具有更小的平均估计误差;同时,对于两步随机延迟的动态系统也具有较好的滤波效果。     

线性测量海上机动目标状态估值器

本文导出了在惯性坐标系内利用线性测量卡尔曼滤波器(LMKF)来估值海上机动目标的状态估值器。LMKF 可以用于非线性测量条件下的目标状态估值。同时,LMKF 的公式比延伸的卡尔曼滤波器(EKF)要容易推导得多。在飞机坐标系里用蒙特卡罗方法进行了大量的数学模拟。模拟结果表明,两种滤波器的估值误差相同,但是LMKF 只需要比较少的计算量。应用线性测量的方法,导出了在飞机地理水平面坐标系内的LMKF。该滤波器有较高的溶液精度和较少的计算量。