非线性滤波方法在水下目标跟踪中的应用

在对扩展卡尔曼滤波、不敏卡尔曼滤波和粒子滤波3种非线性滤波方法进行研究的基础上,对粒子滤波算法的重要性密度函数的选取方法进行了研究。结合水下目标的被动跟踪的应用背景,比较了3种滤波算法在水下目标跟踪中的性能差异。结果表明,粒子滤波算法能较好的用于非线性、非高斯条件下的水下目标跟踪。     

基于迭代卡尔曼粒子滤波的目标跟踪算法研究

粒子滤波在基于图像序列的目标跟踪中获得了广泛应用．针对其计算量较大的问题,提出一种迭代卡尔曼粒子滤波算法,将非线性跟踪问题分解为线性子结构的全局状态空间模型和非线性子结构的局部状态空间模型,利用粒子滤波在卡尔曼滤波估计值的局部范围内搜索目标,逼近真实目标状态．将实验结果与粒子滤波进行比较,结果表明,迭代卡尔曼粒子滤波减少了粒子数,降低了计算量,能够对高机动目标进行实时稳定的跟踪．     

基于均值漂移交互多模型粒子滤波算法

针对交互多模型粒子滤波计算量大的问题,将视觉跟踪领域的均值漂移算法(Mean Shift)与交互多模粒子滤波(PF)算法相结合,该算法利用均值漂移算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,在提高定位精度的同时减少所采用的粒子数,减少了算法的运行时间.通过被动跟踪仿真实例,同时使用均值漂移粒子滤波与传统粒子滤...     

基于箱粒子滤波的再入弹道目标跟踪

弹道目标在再入段运动方式的不确定性和复杂性导致了跟踪问题呈现非线性、不精确性。为此,引入一种"广义粒子滤波"算法——箱粒子滤波算法对再入段的弹道目标进行跟踪。该算法有别于传统点量测和误差统计模型,采用基于区间分析的箱粒子来处理这类不精确性,更加符合实际系统的工作情况,且克服了粒子滤波因需大量粒子拟合带来的实时性差的问题。仿真实验将新算法与粒子滤波算法和无迹卡尔曼滤波算法进行了对比。仿真结果表明,在确保了跟踪精度的前提下,新算法计算效率更高,是个很有效的跟踪再入目标的非线性滤波算法。     

IMM PF算法在反舰导弹跟踪滤波中的应用

反舰导弹具有飞行速度高、进入目标高度低和机动性强等特点,对反舰导弹跟踪滤波属于典型的非线性系统估计问题,对算法要求较高。粒子滤波器可以获得近似最优解,采用粒子滤波代替交互多模型跟踪算法中的扩展卡尔曼滤波,将粒子滤波与交互多模型的优点相结合,用于非线性非系统的高速高机动反舰导弹目标跟踪,比较扩展卡尔曼滤波而言,这种滤波器对不确定情况有更好的滤波性能。将这种滤波器应用到跟踪算法中,可以对非线性系统取得良好的滤波效果。Monte Carlo仿真结果表明在反舰导弹各种机动情况下跟踪滤波算法是有效的。     

基于观测预测粒子滤波的雷达组网目标状态估计

雷达组网系统跟踪目标时,观测数据与目标跟踪状态成严重非线性关系,难以用卡尔曼滤波最优估计方法,处理非高斯非线性系统滤波估计问题的粒子滤波算法容易产生粒子退化问题。因此,使用观测预测粒子滤波算法解决这个问题,该算法基于观测似然进行重要性采样,结合一步预测信息计算粒子权值,保证了采样粒子处于高观测似然区,并充分利用了一步预测信息。仿真验证表明,将观测预测粒子滤波算法应用于目标状态估计,避免了粒子退化,收敛快,估计精度高。     

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SVM-UPF的雷达弱小目标检测前跟踪算法

针对低信噪比条件下雷达弱小目标的检测与跟踪,提出了基于支持向量机和无迹粒子滤波的检测前跟踪算法。该算法采用无迹卡尔曼滤波生成粒子滤波的重要性密度函数,提高了粒子的使用效率,在此基础上将支持向量机引入到粒子重采样步骤中,通过构建状态的后验概率密度函数来获得多样性的新粒子,有效解决了粒子贫化问题,仿真结果表明,该算法提高了目标的检测概率和跟踪精度。     

基于Unscented粒子滤波的传感器管理算法

传感器管理是信息融合技术的重要研究方向,以往的传感器管理算法主要是针对线性融合系统,现实中非线性系统更为普遍,而针对非线性融合系统的传感器管理算法研究较少。粒子滤波是目前非线性领域中应用最广的滤波算法,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度。Unscented粒子滤波采用Unscented卡尔曼滤波计算提议概率密度分布,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。针对非线性系统,提出了一种基于Unscented粒子滤波的传感器管理算法。首先利用Unscented粒子滤波对目标进行状态估计,求出目标的协方差;然后利用信息熵计算目标的信息增量;最后利用信息增量最大对传感器资源进行分配,并对该算法进行了仿真。     

基于粒子滤波的复杂背景下的红外运动目标跟踪

粒子滤波是一种处理非线性和非高斯动态系统状态估计的有效技术,针对目标被严重遮挡或有相似干扰等复杂背景情况下红外运动目标跟踪问题,提出了一种基于目标灰度与运动特征的粒子滤波算法。该算法将带有空间信息的灰度模型与带有灰度信息的运动模型进行融合,得到一个联合观测模型,并将其用于粒子滤波跟踪框架。与经典粒子滤波算法相比,文中算法效率略有降低,但跟踪的准确性和鲁棒性却大大增强。     

一种保持图像细节的形态学滤波器

提出了一种保持图像细节的形态学滤波器 .和经典形态学滤波器相比较 ,新的形态学滤波器在其主要算子中使用了结构元素的轮廓 .用测试图和加噪图进行实验 ,表明此滤波器具有良好的保护图像细节和滤噪的性能     

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.     

数据同化系统中的集合时间局地化鲁棒滤波方法

针对传统的卡尔曼滤波方法对不确定因素不具备鲁棒性问题,在集合鲁棒滤波的基础上,提出一种从观测角度构建优化数据同化的方法,称之为放大观测协方差矩阵的集合时间局地化鲁棒滤波,并推导了新方法的算法准则和递归公式。利用非线性系统Lorenz-96模型,基于性能水平系数、驱动参数、观测数目和集合数目变化的条件,对新方法和集合卡尔曼滤波方法的鲁棒性和同化精度进行比较。结果表明:集合卡尔曼滤波方法的均方根误差大于时间局地化鲁棒滤波的;在观测数或集合数较少的情况下,集合卡尔曼滤波出现了滤波发散问题,而鲁棒滤波的均方根误差波动较小;相较于传统的集合卡尔曼滤波算法,观测角度构建的时间局地化的H_∞滤波方法对系统参数的变化更具鲁棒性,滤波精度更高。     

次优Sage滤波器的改进措施

针对次优Sage自适应卡尔曼滤波器存在的不足,提出了两种改进措施:通过对滤波器发散的综合抑制,提高了滤波器的数值稳定性;设计了一种新颖的附加伴随滤波器的并行滤波结构,消除了针对结果偏移现象,提高了滤波精度。     

一种基于自适应滤波的三相有源电力滤波器的检测算法

对电力有源滤波器现有的几种检测算法进行了而单的分析，针对目前在电力有源滤波器中应用较广 泛的瞬时无功功率理论检测法中存在的问题和不足，提出了一种基于自适应滤波理论的三相并联型电力有 源滤波器的新型检测算法，并用 Ｍａｔｌａｂ中的Ｓｉｍｕｌｉｎｋ对基于此算法的有源滤波器进行了建模和仿真．     

提高惯导系统Unscented卡尔曼滤波实时性技术

Unscented卡尔曼滤波(UKF)通过构造一组,具有与给定状态估计相同的一、二阶矩,也可能是高阶矩的样本点,实现对非线性系统的状态估计,因此其计算效率取决于能够捕获这些数字特征的样本点数目.通过构造n 2个样本点来捕获n维状态变量的均值和方差,提出了将这种方法应用于惯性导航的初始对准.仿真结果表明在同等滤波精度的情况下,该方法比UKF计算效率更高,实时性更好.     

带有状态噪声的限定记忆卡尔曼滤波方法

在已有限定记忆卡尔曼滤波方法的基础上 ,引入状态噪声 ,并推导了新的限定记忆卡尔曼滤波公式。从而降低了记忆长度的选取难度 ,扩大了已有模型的适用范围     

基于KALMAN滤波的两种多传感器观测融合方法

目前有两种基于K a lm an滤波的多传感器观测融合方法,方法1是将观测向量的维数增加,获得扩展观测向量。方法2是在最小均方误差准则下,对不同传感器间的观测向量进行加权运算,获得与单个传感器相同维数的观测向量。通过对滤波器的状态估计误差协方差的分析和相关数学表达式,给出了两种方法的对比。仿真结果表明,当两个传感器的观测矩阵相同时,两种方法在功能上等价,但方法2的运算复杂度低。当两个传感器的观测矩阵的维数相同,但其值不相等时,方法1优于方法2。当两个传感器的观测矩阵的维数不同时,只能用方法1,而方法2失效。     

Robust adaptive UKF based on SVR for inertial based integrated navigation

Aiming at the problem that the traditional Unscented Kalman Filtering (UKF) algorithm can’t solve the problem that the measurement covariance matrix is unknown and the measured value contains outliers, this paper proposes a robust adaptive UKF algorithm based on Support Vector Regression (SVR). The algorithm combines the advantages of support vector regression with small samples, nonlinear learning ability and online estimation capability of adaptive algorithm based on innovation. Firstly, the SVR model is trained by using the innovation in the sliding window, and the new innovation is monitored. If the deviation between the estimated innovation and the measured innovation exceeds a given threshold, then measured innovation will be replaced by the predicted innovation, and then the processed innovation is used to calculate the measurement noise covariance matrix using the adaptive estimation algorithm. Simulation experiments and measured data experiments show that SVRUKF is significantly better than the traditional UKF, robust UKF and adaptive UKF algorithms for the case where the covariance matrix is unknown and the measured values have outliers.