卡尔曼滤波在坦克目标状态估计中的应用

分析了现有机动目标数学模型及其卡尔曼滤波算法,并用数字信号处理器(DSP)对一个实际算法进行了实验.实验结果表明目标机动性能的提高将使坦克火控系统由于采用现行目标运动模型而产生较大的误差,因此,在火控系统中采用其他模型,如自适应模型等,势在必行.同时,对于跟踪精度高、实时计算量大的卡尔曼滤波算法,应用DSP技术实现具有良好的发展前景.     

航空火控系统中的目标状态估值器

本文研究了一套适用于航空火控系统的机动目标状态估值算法。该算法以卡尔曼滤波理论为依据,为了提高估值精度,采用了自适应滤波措施;为了减少实时计算量,采用了滤波增益解析计算措施。对于高速的测量数据采用了数据预处理技术。该算法不需限定目标机动方式,仿真表明:它对非机动目标有较高的估值精度,而对机动目标有较强的适应能力,可以在航空火控系统中应用。     

改进的强跟踪容积卡尔曼滤波的机动目标跟踪北大核心

机动目标的跟踪在实际中有着广泛的应用,其核心问题是机动建模和滤波算法。采用当前统计模型和容积卡尔曼滤波对机动目标进行跟踪。针对容积卡尔曼滤波在目标突发机动时跟踪性能较差的问题,借鉴强跟踪滤波思想,将渐消因子引入滤波过程,提出了一种改进的强跟踪容积卡尔曼滤波算法,该算法实现简单,估计精度高,鲁棒性强。仿真结果表明,该算法有效增强了系统对目标突发机动的自适应跟踪能力,并保持了对弱机动和非机动目标良好的跟踪性能,且运算速度较快。     

改进的强跟踪容积卡尔曼滤波的机动目标跟踪

机动目标的跟踪在实际中有着广泛的应用,其核心问题是机动建模和滤波算法。采用当前统计模型和容积卡尔曼滤波对机动目标进行跟踪。针对容积卡尔曼滤波在目标突发机动时跟踪性能较差的问题,借鉴强跟踪滤波思想,将渐消因子引入滤波过程,提出了一种改进的强跟踪容积卡尔曼滤波算法,该算法实现简单,估计精度高,鲁棒性强。仿真结果表明,该算法有效增强了系统对目标突发机动的自适应跟踪能力,并保持了对弱机动和非机动目标良好的跟踪性能,且运算速度较快。     

基于“当前”统计模型的后向迭代CKF算法研究

针对机动目标的非线性跟踪问题,提出了基于"当前"统计模型的容积卡尔曼滤波(CSCKF)。针对新算法对目标加速度阶跃机动跟踪延迟过大的问题,研究了后向迭代算法在估计精度和动态响应速度上的特点,提出了基于"当前"统计模型的后向迭代容积卡尔曼滤波算法。最后通过仿真实验比较了本文提出的CS-CKF算法和CKF算法的滤波效果。结果表明CS-CKF算法滤波效果优于CKF算法。     

基于协同转弯模型的机动目标预测算法

机动目标机动能力的增强,使跟踪系统显得越来越不适应,从而给火控系统命中点的求解计算带来了巨大的困难。机动目标预测精度的下降,使得火控系统的生命力大幅度下降,严重影响了平台及其人员的安全。本文将协同转弯模型和指数加速度模型相结合提出了一种新的预测算法。通过仿真,证明了算法的有效性。     

防发散无迹卡尔曼滤波自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯模型,采用防发散无迹卡尔曼滤波方法和自适应网格的模型集自适应策略,研究了一种变结构交互式多模型算法。对二维机动目标跟踪的仿真结果表明,该算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用。     

一种新型杂波环境下突发机动目标跟踪算法

针对杂波环境下突发机动目标跟踪性能下降问题,提出了一种基于自适应匀加速模型的交互式自适应概率数据关联算法。该算法在交互式概率关联算法基础上,采用带渐消因子的自适应匀加速模型(ACA)与匀速模型(CV)相交互,克服了卡尔曼和扩展卡尔曼滤波的三大缺陷,保证了在突发机动下的良好跟踪性能,扩大了机动目标的跟踪范围,实现了杂波环...     

火控系统的交互多模型框架

本文简要介绍了交互多模型方法的基本原理,并将其应用于机动目标的跟踪与预测,通过计算机仿真证明了该方法应用于目标跟踪时对机动与非机动目标均有广泛的适应性,且具有良好的跟踪精度。据此,本文提出一种火控系统的交互多模型框架,将传统火控系统的目标跟踪,未来点预测及弹道解算功能统一纳入交互多模型框架中,使火控系统具有对付机动与非机动目标的综合能力。     

时空结构分析的机动目标跟踪方法及应用

为进一步解决火控系统中机动目标跟踪问题,从时空结构角度提出跟踪机动目标的方法.分析了机动目标的时空结构,构造了机动目标的时空跟踪模型及其在火控系统中的应用,可解除滤波中的目标运动模型的假定,并可避免机动检测引起的时延和机动幅度估计.在模型的先进性、跟踪的实时性、准确度和精度方面较传统方法有明显的提高.     

基于UKF的自适应网格交互式多模型算法

针对非线性观测条件下的机动目标跟踪问题,基于机动目标的协同转弯（CT）模型,采用无迹卡尔曼滤波（UKF）方法和自适应网格（AG）的模型集自适应策略,研究了一种变结构交互式多模型算法,即：基于UKF的自适应网格交互式多模型（UKF-AGIMM）算法。对二维机动目标跟踪的仿真结果表明,本算法与相应的固定结构交互式多模型算法相比,可以解决固定结构多模型算法存在的问题,有效提高多模型算法的精度和费效比,缩短计算时间,且适合工程应用     

弹载SINS/GPS组合导航信息同步与融合技术

针对一种基于DSP+FPGA+MCU多处理器计算机平台的弹载组合导航系统设计了精确有效的信息同步的方法,采用GPS接收机提供的1PPS脉冲和MCU提供的脉冲信号实现GPS和SINS信号时间上的同步,采用杆臂校正算法完成了GPS和SINS测量信号空间上的同步.由于系统噪声难于准确统计,因此采用自适应卡尔曼滤波算法进行数据融合.最后对系统进行了跑车试验,试验结果表明系统所采用的方法具有较好的效果.     

GPS动态定位中的自适应扩展卡尔曼滤波算法

针对全球定位系统 (GPS)提出一种扩展卡尔曼滤波器算法。这种滤波器算法直接从GPS接收机输出的定位结果入手 ,将各种误差因素的影响等效为一个总误差 ,对GPS接收机的机动载体的加速度采用当前统计模型 ,并利用线性卡尔曼滤波器进行动态定位数据的处理。本模型简单 ,实时性好 ,滤波后定位精度得到提高。     

GPS定位中2种自适应滤波的组合算法

分析了卡尔曼滤波发散的原因,并给出了指数加权的衰减自适应记忆滤波和噪声加权自适应滤波2种算法用来抑制发散,相应地分析了衰减因子的选取以及噪声模型的在线估计,最后提出这2种定位方式组合的定位算法。仿真结果表明,衰减自适应记忆滤波和噪声加权自适应滤波明显提高了卡尔曼滤波的定位精度并且抑制了发散,组合算法在提高定位精度、抑制发散的同时,使这2种定位方式的优点形成了互补,增加了算法的稳定性。     

基于非线性Kalman滤波的导航系统误差补偿技术

针对非线性非高斯导航系统信息处理问题,采用自组织算法、神经网络和遗传算法等改进传统非线性Kalman滤波算法,构建一种自适应的组合导航系统。应用具有冗余趋势项的自组织算法、Volterra神经网络和遗传算法,建立导航系统误差的非线性预测模型,进而计算得到其预测值;将该预测值与Kalman滤波算法求得的估计值进行比较得到差值,以此监测Kalman滤波算法的工作状态;采用自适应控制方法,在导航系统结构层面改进Kalman滤波算法,构建新型的导航系统误差补偿模型。开展基于导航系统KIND-34的半实物仿真研究,应用所提出的改进方法改善了导航系统误差的补偿效果,提高了组合导航系统的自适应能力和容错能力。     

基于自适应Kalman滤波算法的联邦滤波器

为弥补传统联邦滤波器实用性不好,缺乏对对象模型和传感器噪声的自适应估计能力的缺陷,利用自适应Kalman滤波算法的思想,结合联邦滤波器本身的算法结构,对联邦滤波器进行改进,使之具有很强的自适应性,能够自适应地计算出模型噪声和传感器噪声的协方差阵.给出了基于自适应Kalman滤波算法的联邦滤波器的计算架构,其他优秀的自适应算法均可按相同的方式加入该架构中.最后通过仿真计算验证了该算法的有效性.     

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.     

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.     

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。