共查询到20条相似文献,搜索用时 312 毫秒
1.
2.
基于方根分解形式的UKF算法在目标跟踪中的应用 总被引:1,自引:0,他引:1
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. 相似文献
3.
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。 相似文献
4.
5.
6.
7.
8.
9.
10.
11.
单站纯方位目标跟踪系统可观测性分析 总被引:1,自引:0,他引:1
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. 相似文献
12.
13.
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。 相似文献
14.
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。 相似文献
15.
纯方位系统TMA案例分析 总被引:1,自引:0,他引:1
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. 相似文献
16.
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。 相似文献
17.
多站纯方位定位系统的可观测性条件 总被引:4,自引:1,他引:3
刘忠 《海军工程大学学报》2004,16(1):18-22
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. 相似文献
18.
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 总被引:3,自引:0,他引:3
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。 相似文献
19.
《防务技术》2020,16(4):846-855
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. 相似文献