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。     

基于雷达与红外传感器量测融合的改进EKF算法

针对扩展卡尔曼滤波在递推过程中状态协方差可能失去正定性,从而引起滤波发散现象的问题,在滤波过程中用协方差平方根代替协方差进行迭代计算,保证其正定性。对一组异类传感器(红外传感器和雷达)观测数据采用加权最小二乘法进行融合,然后用平方根扩展卡尔曼滤波对融合的数据进行滤波。蒙特卡罗仿真结果表明,平方根扩展卡尔曼滤波和加权最小二乘数据融合方法可以保证滤波精度,并且能有效抑制滤波发散。     

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.     

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.     

用Z80单板机实现雷达观测数据的卡尔曼滤波及数字式显示

本文解决了用一个8位的单板机实现卡尔曼滤波所遇到的主要问题。同时,单板机本身也因具有进行高精度浮点算术运算的能力而得到了新的开发应用。本文主要包括两方面的内容:(1)在微型计算机上的模拟实验;(2)编制汇编语言程序并在单板机上实现卡尔曼滤波。     

基于CKF的再入段弹道目标质阻比估计

针对传统扩展卡尔曼滤波(EKF)对再入段弹道目标的质阻比估计存在收敛速度慢,估计精度不够高的问题,提出一种利用容积卡尔曼滤波(CKF)对再入段弹道目标进行估计的方法。给出了扩展卡尔曼滤波和容积卡尔曼滤波估计再入段弹道目标质阻比的性能比较。仿真结果显示,在收敛速度及估计精度上,容积卡尔曼滤波对再入段弹道目标质阻比的估计都优于扩展卡尔曼滤波。     

GPS动态定位与H_∞滤波算法

GPS动态定位的数据处理中通常应用基于"当前"加速度模型的卡尔曼滤波,而实际测量定位中难以保证卡尔曼滤波要求的动态模型(函数模型)和随机模型可靠和切合实际;另一方面,GPS信号易受干扰,因而容易出现观测误差.针对GPS动态定位的这一问题,探讨了在实际应用中存在模型误差和观测误差时的H∞滤波,与卡尔曼滤波相比,原理易于理解,在实际中也很容易实现, 减少了计算量且提高了滤波精度.     

一种基于预测滤波器的自适应卡尔曼滤波算法

针对系统过程噪声统计特性不确切或未知的条件下,研究了一种基于预测滤波器的自适应卡尔曼滤波算法。由预测滤波器实时估计系统模型误差及其协方差矩阵,再用其修正系统状态预测值及预测误差协方差矩阵,从而自适应调节卡尔曼增益。将该算法应用于弹载SINS/GPS紧耦合组合导航系统并与普通卡尔曼滤波、基于新息的移动开窗自适应卡尔曼滤波进行了对比,仿真结果说明该自适应滤波算法具有更高的可靠性和精度。     

基于MVEKF的空地反辐射导弹被动定位研究

采用捷联惯导系统的空地反辐射导弹在攻击过程中,容易因敌雷达突然关机而丢失目标,针对此问题,研究了新的抗目标雷达关机制导方法,该方法将修正极坐标系下的扩展卡尔曼滤波(EKF)算法在修正协方差扩展卡尔曼滤波(MVEKF)算法应用于目标雷达被动定位。仿真结果表明,与EKF算法相比,MVEKF算法是一种性能良好的滤波方法,可以用于解决空地反辐射导弹对目标雷达的被动定位问题。     

弹道目标跟踪滤波方法研究

主要对弹道目标的跟踪滤波方法进行了综述,对扩展卡尔曼滤波(extended Kalman filter,EKF)、转换测量卡尔曼滤波(conversion measurement Kalman filter,CMKF)、基于弹道运动方程的扩展卡尔曼滤波(ballistic extended Kalman filter,...     

基于内差修正数据INS/APS卡尔曼滤波器组合定位

研究基于水声定位系统(APS)和惯性导航系统(INS)的潜艇水下定位误差修正方法.在建立APS模型和INS模型的基础上,设计了INS/APS卡尔曼滤波方法,基于INS的APS内差修正方法和基于INS/APS内差修正数据的卡尔曼滤波方法,分析仿真结果表明,三者均可提升潜艇水下定位精度,其中基于APS内差修正数据的卡尔曼滤波器具备最佳的组合定位效果.     

基于外辐射源的AIEKF定位算法

为了提高扩展卡尔曼滤波(EKF)定位算法对目标状态估计的精度,降低迭代扩展卡尔曼滤波(IEKF)算法的运算复杂度,在单发单收的外辐射源定位体制下,利用方向角(DOA)和多普勒频移(Doppler)信息,提出了一种自适应迭代扩展卡尔曼滤波(AIEKF)定位算法,实现了对空中运动目标位置和速度的估计。仿真实验结果表明,相比于EKF算法,AIEKF算法收敛速度更快、定位精度更高。     

去偏转换坐标卡尔曼滤波器的雷达目标跟踪

在雷达目标跟踪中 ,扩展卡尔曼滤波 (EKF)和转换坐标卡尔曼滤波 (CMKF)得到了广泛的应用。但当目标方位角的测量误差与目标斜距的乘积较大时 ,传统的EKF和CMKF的滤波性能会大大降低。推导了有测速元时的去偏转换卡尔曼滤波 (DCMKF)算法 ,仿真结果表明DCMKF的精度比EKF与CMKF有了很大的提高     

基于卡尔曼滤波的反舰导弹火控数据处理

在舰载反舰导弹火控系统的数据处理中,由于量测数据受到不同程度的噪声影响,不能将得到的数据直接参与导弹射击方程的运算,必须通过对观测设备提供的数据进行卡尔曼滤波处理,为了保证获取处理数据既具有较高的精度又具有较好的稳定性,还要具有较好的时效性,因此通过采用自适应卡尔曼滤波算法,极大地提高了系统数据处理的效果,获得了较理想的反舰导弹火控系统导弹射击参数.     

高速旋转弹位置与姿态测量数据分析方法

精确的弹箭位置与姿态测量数据是提高制导弹箭射击精度的基础。通过分析高速旋转弹位置与姿态传感器的量测噪声,采用卡尔曼滤波方法进行误差估计,以提高测量精度。基于高速旋转弹质心运动和角运动方程,建立了系统状态方程;根据全球定位系统和地磁传感器的测量原理,建立了量测方程;以某弹飞行数据为例,采用扩展卡尔曼滤波(EKF)和无味卡尔曼滤波(UKF)分别对弹箭的位置和姿态进行最优估计。仿真结果表明,采用上述方法可有效减少系统误差,并使综合误差进一步降低,射程与高度误差均控制在±1 m,攻角和侧滑角误差分别为±0.02 rad和±0.01 rad,可满足工程应用的要求。     

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.     

组网雷达的改进粒子滤波算法

针对现代战争中有源雷达容易受到干扰和反辐射导弹的摧毁,以及无源雷达隐蔽性高,只能测量方位角度,测量精度小等特点,提出利用集中式有源雷达系统与无源雷达系统协同组网对目标进行跟踪。但是在实际环境中,噪声属性以及有源雷达,无源雷达接收信号的特点决定了组网雷达需要应用非线性滤波技术对信号进行处理。传统的非线性技术包括卡尔曼滤波、扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)等方法。非线性近似过程带来的误差相对较大,而且均要求观测噪声和过程噪声为独立或相关的高斯白噪声。而粒子滤波避免了传统非线性滤波方法的缺陷,但是存在粒子退化,于是用EKF和UKF在每一时刻更新粒子,用更新的粒子及其协方差构造重要性函数,然后重采样。仿真实验表明这两种改进粒子滤波方法有很好的效果。     

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...     

基于ECEF坐标转换的AEWS数据配准算法

数据配准是多传感器数据融合的先期处理过程.基于地心地固坐标系(ECEF)研究了预警机系统(AEWS)与地面雷达数据处理中心的数据配准问题.首先给出AEWS与地面雷达数据处理中心数据配准几何坐标转换算法;然后利用卡尔曼滤波实时估计出预警机对地面雷达数据处理中心的系统偏差,从而实时对预警机系统(AEWS)进行配准,计算机仿真结果证明了该算法的正确性和有效性.     

基于自适应卡尔曼滤波的联合RSS/TOA/INS无人机定位算法

针对在全球导航卫星系统信号拒止环境下(如山地、隧道、峡谷)无人机集群常规定位方法受限问题,提出通过集群之间的协同定位,对卫星信号拒止的低成本无人机进行导航恢复的滤波方法,从而有效抑制纯惯性导航系统(INS)定位发散。在获取定位数据方面,首先采用基于超宽带(UWB)和Zigbee设备分别通过到达时间差(TOA)和接收信号强度(RSS)的测距方式得到测距信息,然后进一步利用最小二乘方法解算得到定位局部坐标。考虑到RSS测距远、精度低,而TOA测距精度高、测距范围小的特点,提出一种基于TOA/RSS/INS的序贯扩展卡尔曼滤波算法,通过引入自适应因子,为短程定位信息提供TOA/RSS两路定位冗余的同时,在长程TOA定位失效时仍可利用RSS定位来抑制惯性导航的发散。实验结果表明,该算法在近程可由RSS/TOA提供冗余测距信息,通过自适应因子可将定位精度改善至2m;在长程,尤其TOA定位失效的范围外,同样可以提供误差约为5m的定位信息。相对于传统扩展卡尔曼滤波,所提出的自适应序贯卡尔曼滤波算法有效提高了定位精度,为解决传统定位受限条件下的基于无人机无线电定位研究提供新的思路。