基于非线性Kalman滤波的导航系统误差补偿技术

针对非线性非高斯导航系统信息处理问题,采用自组织算法、神经网络和遗传算法等改进传统非线性Kalman滤波算法,构建一种自适应的组合导航系统。应用具有冗余趋势项的自组织算法、Volterra神经网络和遗传算法,建立导航系统误差的非线性预测模型,进而计算得到其预测值;将该预测值与Kalman滤波算法求得的估计值进行比较得到差值,以此监测Kalman滤波算法的工作状态;采用自适应控制方法,在导航系统结构层面改进Kalman滤波算法,构建新型的导航系统误差补偿模型。开展基于导航系统KIND-34的半实物仿真研究,应用所提出的改进方法改善了导航系统误差的补偿效果,提高了组合导航系统的自适应能力和容错能力。     

使用位置和速率量测值的三状态卡尔曼跟踪器

本文叙述了跟踪类似飞机的运动目标的三状态卡尔曼跟踪器,该跟踪器利用使用脉冲多普勒处理过的边跟踪边扫描雷达传感器获得的位置和速率量测值,例如,提供清晰的多普勒数据的动目标探测器就是这种雷达传感器。在白噪音机动能力的假设条件下,已经解析地获得了稳态滤波器参数。这些参数的数值计算与用递归卡尔曼滤波器矩阵方程得到的数值计算完全一致。在只能得到距离量测值的情况下,作为这种模型的特殊情况获得了这种情况的解。为了举例说明这个解是怎样取决于不同的参数,本文还介绍了归一化的协方差和增益图象。     

用于目标跟踪的雷达和成象传感器数据融合

虽然合成来自多个传感器的数据以获得优良跟踪精度的方法是人们当前感兴趣的课题,而动态级融合的研究似乎仍然是一个悬而未决的问题。本文通过生成与公用状态矢量的量测相关的公用状态观察模型研究动态地来自雷达和成象传感器的数据融合。本文考虑的重点是雷达提供的反射中心量测值可能与真实目标中心不太相符这一事实。而且当目标方位改变时,反射中心可能会围绕真实目标中心变化。对远距离的小目标来说,这一影响可以忽略不计,但对半延伸或延伸(semi-extended or extended)的对象来说,这种失配就要加以考虑。本文研究的方法是根据球面坐标中真实目标中心未知恒定偏差的随机扰动,模拟雷达反射中心量测。这些偏差估计用于采用雷达和成象传感器数据跟踪目标的广义卡尔曼滤波方法中。产生跟踪滤波的性能由计算机仿真来评估。