UKF算法及其在纯方位目标跟踪中的应用

为克服扩展卡尔曼滤波算法的缺陷,将UKF算法应用于纯方位目标跟踪问题中.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.对UKF算法进行了深入的研究,并给出了一个纯方位目标跟踪的算例.仿真结果表明,该算法提高了滤波的稳定性和精确性,优于一般的扩展卡尔曼滤波算法,具有广泛的应用前景.     

基于方根分解形式的UKF算法在目标跟踪中的应用

UKF作为一种新的非线性滤波方法已在目标跟踪问题中得到应用,在状态的时间更新阶段直接使用非线性模型,不引入线性化误差,而且不必计算Jacobians矩阵,相对于扩展卡尔曼滤波(EKF)不仅能提高滤波精度,而且更容易实现.提出了一种基于方根分解形式的UKF算法(SRD-UKF),算法的方根形式增加了数字稳定性和状态协方差的半正定性.通过BOT(bearing of target)仿真实验结果表明,该算法与UKF和PF算法相比具有更好的滤波性能.     

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。     

快速Marginalized粒子滤波器在纯方位跟踪中的应用

为提高纯方位跟踪性能,降低粒子滤波方法的运算量,在原有Marginalized粒子滤波器(MPF)的基础上,对线性部分处理方法进行简化,提出了快速Marginalized粒子滤波器(FMPF),并结合纯方位跟踪模型,推导了FMPF应用的具体算法步骤,使用机动目标纯方位跟踪仿真实例,与其他滤波器进行了仿真对比,分析了跟踪性能和计算量.仿真结果表明,与标准粒子滤波器相比,FMPF可以提高线性部分的计算精度,同时减少MPF所需的计算量.     

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。     

基于LMS2UKF的主/被动雷达融合算法

在主/被动雷达双传感器目标跟踪背景下,针对IMM算法的计算量大,提出一种基于变结构多模型思想的LMS2UKF分布式融合算法。该算法将LMS算法和UKF滤波算法结合进行矩阵加权融合。与IMM2UKF算法进行仿真比较,结果表明在相同情况下,本算法有较好的稳定性和较好的定位精度。     

纯方位TMA的变增益扩展卡尔曼滤波算法

通过对水下纯方位目标运动分析中的扩展卡尔曼滤波(EKF)算法的分析,利用方位新息,构成了一条反馈回路,从而将EKF算法改进为变增益扩展卡尔曼滤波(VGEKF)算法.对比仿真分析表明,VGEKF较之EKF滤波效果有所改善,增强了稳定性,提高了精度,为水下纯方位目标运动分析的实现提供新的途径.     

基于自适应正交单纯形CKF的鲁棒目标跟踪方法

为减小模型异常对目标跟踪系统性能的影响,提出了一种自适应正交单纯形容积卡尔曼滤波(AOSCKF)算法.将正交单纯形准则引入容积卡尔曼滤波中,提高滤波估计精度和计算稳定性;将强跟踪滤波(STF)中的自适应因子引入正交单纯形容积卡尔曼滤波(OSCKF)算法中,降低系统模型异常对目标跟踪的影响;将所提算法应用到双站纯方位目标跟踪系统中进行仿真实验.结果表明,AOSCKF算法可有效提升算法的鲁棒性和滤波精度.     

比例最小偏度单形UKF的RBF神经网络算法

为提高RBF神经网络的建模性能,提出一种基于改进无迹Kalman滤波(UKF)的RBF神经网络训练算法。在该算法中,首先将比例最小偏度单形Sigma点采样策略引入UT,以有效改进UKF,提升其计算效率,然后利用改进的UKF优化估计RBF神经网络的最优参数。仿真结果表明,改进的UKF比EKF具有更高的RBF神经网络模型训练精度,与传统UKF的模型精度大体相当,但速度更快,计算效率更高。     

SS-IUKF算法及其在成像声纳组合导航中的应用

利用成像声纳对海底进行探测时需要高精度的导航信息。针对导航高维滤波问题,文中在球面单形sigma点变换的基础上,将其与迭代UKF相结合,提出了球面单形迭代无迹卡尔曼滤波(SS-IUKF)算法,并应用于捷联惯性导航系统(SINS)/多普勒流速剖面仪(ADCP)组合导航系统。仿真结果表明,SS-IUKF算法相比UKF、SR-UKF、EKF算法提高了滤波精度和计算速度,具有一定的工程应用价值。     

单站纯方位目标跟踪系统可观测性分析

针对单站纯方位目标跟踪系统的可观测性,在研究国内外有关状况的基础上,给出了单站纯方位目标运动分析的问题描述,综述了国内外的研究和发展情况,给出了由观测可观测性的一些结论和证明.其中对某些经典的结论给出了简单、明了的证明方法,这些有助于该问题的深入理解和研究.     

纯方位角目标运动分析的可观测性研究

纯方位角目标运动分析的可观测性是纯方位角观测系统中的一个基本问题.只有解决了系统的可观测性,才能进行有效的目标定位及跟踪.从随机系统的角度分析了纯方位角观测系统的可观测性,引入状态参量的Fisher信息矩阵作为判断系统可观测性的依据,提出了完全不同于判定确定性系统可观测性的随机观测系统可观测性的判定方法.最后给出了一个静止目标纯方位角观测系统的实例,说明了该方法的有效性.     

多传感器系统纯方位定位与可观测性分析

对多静止测向站系统的可观测性、定位方法进行了分析和研究。通过运动等效,将多静止站系统转化成一个特殊的单运动测向站问题。采用拟线性方法,建立了纯方位多传感器系统目标定位问题的数学描述,并分析了系统的可观测性条件。提出了两种目标被动定位的融合递推算法,它们可以以标量的形态递推计算,具有实时性高、可计算性好的优点。     

纯方位偏差补偿估计算法研究

众所周知,纯方位伪线性估计有着严重的偏差问题。以伪线性估计的理论模型为基础,研究它在纯方位问题中的应用。将伪线性估计的偏差分离出来,形成偏差补偿估计,对这种估计方法进行仿真计算,并与伪线性估计相比较,经蒙特卡罗仿真研究,其估计偏差确实比伪线性估计小,算法性能反映在一些典型态势上。     

纯方位系统TMA案例分析

在研究纯方位系统目标运动分析(TMA)的数学模型中,有些存在原理性错误.以两个典型例子,指出了错误所在,并分析了错误的原因.一个是不了解纯方位系统TMA基本原理;另一个是在使用最小二乘法时,对量测函数是待估量线性时常、线性时变、非线性关系或待估量与量测采样点函数关系认识不足,从而导致不能正确使用最小二乘法的错误.     

针对GPS/SINS深组合模型的U滤波及其运用

很多文献都证明了在解决非线性系统问题时,UKF(Unscented Kalman Filter)是比EKF(Extended Kalman Filter)更好的选择,但计算的复杂度限制了其运用。针对GPS/SINS深组合的模型提出了全新简化的U滤波算法UTCUKF(Ultra Tight Coupling Unscented Kalman Filter)。这是一种专门针对具有加性噪声、线性状态方程和非线性量测方程的系统设计的滤波器。首先介绍了GPS/SINS深组合系统在导航解算时的模型,然后针对模型具有加性噪声的特点运用AUKF(Additive Unscented Kalman Filter)对UKF进行了简化,为了实现UKF在GPS/SINS深组合系统中的实际运用,又由系统模型中状态方程是线性方程、观测方程是非线性方程的特征,进一步提出了UTCUKF,并做了分析和仿真。     

多站纯方位定位系统的可观测性条件

对多运动站纯方位目标定位系统的可观测性问题进行了研究.通过运动等效,将多运动站纯方位定位系统等效成一个特殊的单运动站定位问题.利用拟线性估计方程,导出了系统不完全可观测的一些条件,分析中还发现了系统不完全可观测的新情形.     

纯方位系统TMA非线性最小二乘法——理论数学模型与常规算法

对非线性最小二乘法应用于纯方位系统目标运动分析进行了综合评述,介绍了经典的非线性最小二乘法及几种常规算法:高斯—牛顿迭代法,麦夸脱迭代法,自适应非线性最小二乘法,给出了非线性最小二乘法对纯方位目标运动分析的四个数学模型:高度非线性模型,减弱非线性模型,再减弱非线性模型,再进一步减弱非线性模型。     

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.     

UKF算法的来袭导弹弹道预测

从来袭导弹机动模型的选取出发,结合UKF算法的推算,建立了来袭导弹弹道预测的仿真模型。同时结合实例对来袭导弹弹道预测的卡尔曼滤波算法和UKF算法的进行仿真。仿真结果表明UKF算法计算量适中、计算结果精确,非常适合用于非线性模型的预测。