水下纯方位目标运动分析的UKF滤波算法

Unscented卡尔曼滤波(UKF)是一种新的非线性滤波算法,在U变换(unscented transformation)的基础上,获得纯方位条件下的UKF算法.最后,针对水下纯方位目标运动建立系统模型并进行仿真,仿真结果表明,UKF的滤波精度、稳定性和收敛时间都优于EKF,还可避免计算烦琐的Jacobin矩阵或Hessian矩阵,给计算带来了极大的方便.     

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。     

基于滤波算法的对比研究

在处理目标跟踪的过程中,为了与实际接近,动态系统的模型选为非线性,而滤波算法采用非线性系统的滤波方法。在介绍了三种非线性滤波算法(EKF、UKF、PF)的原理和实现的同时,说明了各自适用的范围,以便针对不同问题采取比较便捷的算法来有效地实现算法在实际中的应用。EKF适用于线性化过程中系统对高阶项要求较小的情况下,UKF适用在噪声服从高斯分布的情况下,PF则适用与非高斯分布的情况下。此外,通过实例对三种算法分别进行了跟踪仿真实验,表明UKF、PF算法精度要比EKF算法高,UKF、EKF的实时性比PF好,PF的计算量相对较大。     

基于UKF和后向平滑的单站无源定位跟踪算法

为利用无源固定单站对运动辐射源快速定位,将不敏卡尔曼滤波(UKF)和后向平滑算法应用于单站无源定位,给出了一种基于后向平滑的改进UKF算法;该算法利用当前时刻滤波结果通过后向平滑算法平滑估计前一时刻状态向量和协方差矩阵的估计值,为前向滤波提供较高精度的起始值。仿真结果表明改进的UKF算法在保证实时性的基础上改善了定位性能。     

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。     

基于UPF的WNN学习算法及其应用

为改善小波网络(WNN)的非线性建模能力,提出一种基于改进无迹粒子滤波(UPF)的WNN学习算法。算法先引入最小偏度策略减少无迹变换(UT)的Sigma采样个数,改进无迹Kalman滤波(UKF);再用改进UKF算法选取粒子滤波的重要性密度函数,构成新型UPF;最后,将SUPF作为WNN的学习算法进行训练和测试。实验表明,基于新采样策略UPF与基本UPF的WNN模型精度总体接近,但速度更快,效率更高,某型军用飞机气动力建模也验证了算法的有效性与可行性。     

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.     

2种卡尔曼滤波算法的应用分析

将传统的扩展卡尔曼滤波(EKF)和基于无味变换(UT)和标准卡尔曼滤波体系相结合的无味卡尔曼滤波(UKF)算法应用于反辐射导弹抗雷达关机的技术中,并对其进行仿真分析.结果表明,UKF算法具有跟快的收敛性和具有更高的精度,并能有效克服非线性严重时出现的滤波发散的问题,较好地达到了反辐射导弹抗雷达关机的目的.     

一种改进的均方根容积粒子滤波算法

传统的粒子滤波算法在重要性采样估计时忽略了当前量测影响。在非线性场景下,传统的粒子滤波导致个别粒子具有大权值,造成估计结果精度差。针对该问题,结合均方根容积卡尔曼滤波(SCKF)算法和Gating技术,提出了一种新的重要性函数估计算法。本算法将后验概率作为重要性采样函数,通过利用SCKF和统计距离,建立粒子与量测的关联关系,实现对重要性采样函数的均值和协方差矩阵的估计。而后,使用粒子滤波算法,对多目标状态和数目进行估计。实验表明,在非线性跟踪场景下,本算法估计精度高,估计结果稳定。     

基于UKF的主动段弹道跟踪算法

引入不敏卡尔曼滤波(UKF)(Unscented Kalman Filtering)用于主动段目标跟踪.UKF通过设置Sigma样点分布和样点权值来逼近样本非线性变换参量的矩,对状态向量的PDF进行近似化,是一种以标准Kalman滤波器为框架的非线性滤波器.在应用中,UKF避免了求Jacobian矩阵,且跟踪效果较好.