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SVM-UPF的雷达弱小目标检测前跟踪算法

针对低信噪比条件下雷达弱小目标的检测与跟踪,提出了基于支持向量机和无迹粒子滤波的检测前跟踪算法。该算法采用无迹卡尔曼滤波生成粒子滤波的重要性密度函数,提高了粒子的使用效率,在此基础上将支持向量机引入到粒子重采样步骤中,通过构建状态的后验概率密度函数来获得多样性的新粒子,有效解决了粒子贫化问题,仿真结果表明,该算法提高了目标的检测概率和跟踪精度。     

差分GPS/惯导组合导航系统

本文简述了提高GPS定位精度和系统性能的两条主要技术途径(差分GPS、GPS/INS组合)的特点和问题,提出了差分GPS/惯导组合系统方案,研究了组合系统的卡尔曼滤波器设计并作了计算机模拟仿真。仿真结果表明,差分GPS/惯导组合导航系统可以达到1～2米的实时定位精度。     

阻尼的非线性最小二乘滤波算法

为提高在弱可观测条件下滤波器的稳定性,本文把非线性优化方法应用于递推滤波,形成了阻尼的最小二乘迭代滤波算法。同时还得出了该方法的信息平方根滤波形式。     

多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器,提高了估计的精确度。以前的跟踪式卡尔曼滤波器的估计精度与目标的运动状态有关,当目标的运动不能够用线性状态空间模型描述时,其估计精度将要下降。而多层网络的引入,改善了这一不足。多层神经网络经过训练以后,能够对卡尔曼滤波器的结果进行修正。仿真结果表明,多层神经网络的应用,使估计精度显著提高。     

基于推广卡尔曼滤波算法的声测定位技术

本文针对声测定位的特点,提出了一种推广的卡尔曼滤波算法,通过该算法,我们可以获得弹丸的空间状态参数,进而应用Rugge-Kutta法可以反推出炮位,文中给出了估计外推误差方差的方法及计算机模拟结果。     

机动目标跟踪的修正输入估计(MIE)算法与自适应α-β算法

机动目标的跟踪是雷达数据处理中的重要问题,对此进行了探讨的代表性的算法有Singer算法、IE算法、VD算法、IMM算法等。本文提出了修正的输入估计(MIE)与自适应的α—β两种新算法。MIE算法性能与IE算法相当,但运算量比IE算法小。自适应α—β算法的性能略低于以上几种算法,但运算量则大大低于上述几种算法,在对性能要求不很高的情况下,采用这种算法是较为合适的。     

扩展卡尔曼滤波的最优红外被动制导律

建立了导弹-目标攻击简化数学模型,运用线性二次型理论得出最优随机制导规律.通过建立伪测量方程,运用变增益扩展卡尔曼滤波技术求解了只有角度信号下的导弹被动制导问题.大量的数字仿真表明该导引规律具有收敛快、无偏差、精度高的特点.     

基于PDA-UKF的杂波环境下单目标跟踪算法

提出将概率数据关联算法和不敏卡尔曼滤波相结合,用于杂波环境下的单目标跟踪。该算法同时解决了测量方程非线性情况下的滤波问题和杂波环境下的目标跟踪问题。给出了PDA-UKF算法的仿真过程,提供了一个基于距离、方位角、俯仰角的目标跟踪问题的仿真算例。理论分析与仿真结果均表明,该算法提高了滤波的稳定性和跟踪的精确性,具有较高的实用价值和广泛的应用前景。     

军事通信中基于UFMC信号的峰均比抑制算法

针对5G移动通信中的通用滤波多载波（universal filtered multi-carrier,UFMC）系统中信号的峰均比（peak-to-average power ratio,PAPR）较高的问题,提出了一种改进二进制离散粒子群优化的免疫规划的部分传输序列算法（IPA-IBPSO-PTS）。该算法在IBPSO-PTS算法的基础上,采用差分算法中的变异来避免其在迭代搜索后期出现种群多样性丢失的问题,同时引入了新型免疫规划算法中的疫苗接种和免疫选择操作,进一步提升算法的全局收敛速度。理论分析和仿真表明,提出的IPA-IBPSO-PTS算法能够获得更好的PAPR抑制性能,有效地降低了军事移动通信系统的复杂度和误码率。