基于当前统计模型的有向图切换IMM算法

将当前统计模型和变结构多模型估计算法相结合,提出了一种新的用于跟踪机动目标的交互多模型算法,计算机仿真结果显示该算法能有效提高交互多模型估计器的费效比。     

多站多目标雷达数据融合

多站多目标跟踪是雷达数据融合的主要问题。提出了一种对测量数据聚类,在类间进行数据融合,之后基于目标的融合状态,采用强跟踪滤波器(STF)对多目标进行跟踪。利用上述方法,进行了各种态势下的仿真实验。     

卫星导航天线阵的载波联合跟踪算法

测量卫星导航信号在天线阵各阵元上的载波相位之差可用于卫星波达方向解算,但传统的各阵元独立跟踪算法在干扰条件下无法实现高精度跟踪且容易失锁。针对此问题,通过将天线阵各阵元的载波相位分解为公共的平均载波相位和低动态的残余载波相位,提出了一种联合载波跟踪算法。该算法利用平均载波相位为每个阵元共有的特点,通过对全部阵元的联合处理来提高其跟踪精度,同时通过缩小环路噪声带宽来提高残余载波相位跟踪精度。理论分析与仿真结果表明,该算法提高了波达方向解算所需的阵元间载波相位差的测量精度及跟踪灵敏度,四阵元天线阵在典型应用条件下,跟踪灵敏度提高4d B,相同载噪比下载波相位差测量精度提高3倍。     

多波束相控阵天线角跟踪性能及测试方法

针对目前对多波束相控阵天线角跟踪性能测试研究较少的问题,首先分析了多波束相控阵天线的单脉冲和差测角方法,并对波束滑动、波束穿越及信号频率变化对角跟踪性能的影响进行了仿真分析。类比传统的雷达精度校飞试验,提出了基于飞艇的角跟踪性能测试方法,对角跟踪精度及误差范围进行测试,并利用STK软件实现了可视化。仿真分析表明,该方法可以实现对多波束相控阵天线角跟踪性能的评定并具有较高的工程应用价值。     

一种结合弹道规律的模糊交互式多模型算法

针对交互式多模型算法中转移概率矩阵与实际运动不匹配而影响跟踪精度的问题,通过分析某型导弹的典型弹道,将弹道规律融合到模型概率转移矩阵中,然后将转移概率模糊化处理,提出了一种基于弹道规律的模糊交互式多模型算法,然后以导弹蛇形运动转至比例导引的机动过程为例进行了仿真验证,比较了典型交互式多模型算法和模糊交互式多模型算法的跟踪性能。仿真结果表明:该算法可显著提高导弹机动段的跟踪精度。     

大型卫星地面站故障诊断的增强分层有向图方法

为了解决传统分层有向图模型在卫星地面站故障诊断面临的问题,提出了基于增强分层有向图模型的故障诊断方法。在建模过程中,考虑到卫星地面站故障征兆多、建模复杂,依据各设备工作状态的故障传播方式合并同类节点,以减小模型规模;同时,在模型中加入节点有效性使能函数,克服传统分层有向图模型中设备主备切换导致系统结构发生改变时需要重新建模的问题。在故障诊断推理过程中,采用反向回溯和正向推理相结合的方法减小故障源搜索空间,并基于各节点被搜索次数给出故障概率,提高诊断效率。以北斗卫星无线电测定业务地面站为例对单故障和多故障报警场景下的故障诊断方法进行了验证。结果表明,基于增强分层有向图模型的故障诊断方法可以提高故障诊断的准确率和全面性。     

自旋载体中的超紧组合GNSS接收机跟踪环路设计

自旋载体是全球导航卫星系统接收机的一种典型应用。当全球导航卫星系统载体自旋时,旋转产生的高阶动态将导致传统跟踪环路失锁;全球导航卫星系统与惯性导航系统组合可以有效补偿信号的高阶动态。因此,提出了一种利用惯性导航信息辅助卫星导航信号跟踪的超紧组合导航接收机环路设计方法,并分析了惯性导航信息辅助速率、自旋载体转速和信号载波相位误差之间的关系。通过仿真验证了所提接收机环路结构可以有效解决自旋载体接收机的信号跟踪问题,且相比于卫星导航单系统三阶环路而言,所提超紧组合环路结构可以显著提升自旋载体接收机的定位精度。     

基于极坐标多普勒伪状态的最佳线性无偏估计算法

理论和实践已经证明,除位置量测外,包含目标速度信息的多普勒量测具有有效提高目标状态的估计精度的潜力。基于目标匀速运动场景在直角坐标系下提出了一种可使用多普勒伪量测(即距离量测与多普勒量测的乘积)和多普勒伪状态的跟踪算法。从理论上讲,它是在最佳线性无偏估计准则下的近似最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷。通过与目前几种流行的方法进行仿真比较,验证了新算法的优越性和可靠性。     

机动目标IMM三维并行滤波跟踪算法

由于复杂的空中目标机动,其三维方向的机动强度是不一致的,传统IMM算法存在模型匹配不准确的问题,提出一种机动目标IMM三维并行滤波的跟踪算法。算法以CV和修正的CS模型为子集,在3个坐标轴上分别根据目标机动的分量实际更新其模型概率,并行IMM滤波方法,尽量确保模型的适配性,提高滤波精度。仿真结果表明,该算法比传统IMM方法跟踪精度更高,对空中机动目标跟踪适应性更强。     

非椭圆扩展目标联合跟踪与分类算法

充分利用目标尺寸和形状信息,提出了一种基于星凸随机超曲面模型(random hypersurface model, RHM)的非椭圆扩展目标联合跟踪与分类(joint tracking and classification, JTC)算法。将目标空间扩展状态建模为星凸形状,通过目标类别相关先验信息的矢量化建模,建立起其与目标瞬时扩展状态的关系,并在统一的贝叶斯滤波框架下,实现跟踪与分类的一体化处理;进一步对目标运动学状态和扩展状态单独进行建模,并通过构建扩展状态的似然函数,利用粒子滤波实现目标类别概率算式的递推处理。仿真结果表明:与基于椭圆形状的扩展目标JTC算法相比,所提算法能对尺寸相近、形状不同的目标进行准确分类,同时可改善目标状态的估计效果;与基于星凸RHM的扩展目标跟踪算法相比,所提算法能大幅提高目标状态的估计性能。