基于IEPF序贯融合的多传感器管理方法

针对主被动传感器信息融合的特点,提出了一种在IEPF序贯融合基础上进行传感器管理的方法。工程常采用的传统扩展卡尔曼滤波融合算法滤波精度不高,因此结合采用了粒子滤波方法。先对主被动传感器采用迭代扩展卡尔曼滤波集中式序贯融合,利用融合后的信息进行粒子更新,提高滤波精度,在此基础上采用分辨力增益的方法对传感器进行管理。仿真结果表明该方法能够提高对目标的跟踪精度,增强多传感器对环境变化的适应能力。     

（I＋C（α））预条件AOR迭代法比较性定理

在预条件矩阵（I＋C（α））下，讨论了AOR方法的敛散性；给出了该预条件AOR迭代方法与经典AOR迭代方法之间的比较性定理。     

基于相关性函数的多站微动特征分析与提取

针对多站雷达精度跨度大、难以有效进行融合识别的问题,提出了基于相关性函数的多站加权融合方法。首先建立了弹道目标滑动散射模型,通过时延相乘重构回波,并利用扩展Hough变换提取出距离像的曲线参数,从而建立方程组以求取微动信息。然后利用相关性函数对各雷达的支持度进行分析,最终对支持度高的观测数据进行融合识别。仿真结果表明该方法计算简单,能有效提高微动参数的估计精度,客观地反映各部雷达的可靠度。     

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。     

一类完全非线性函数的证明与计数

Helleseth等最近给出了一类二项式形式的完全非线性函数,这是至今为止所发现的第一类由两个互不等价的单项式组成的二项式形式的完全非线性函数。本文利用Frobinus自同构将其变形为一个新的二项式,给出了其完全非线性的简洁证明,指出了这类函数与x2是等价的,最后讨论了该类完全非线性函数的计数性质。     

一类反向混合单调算子方程组解的存在惟一性

运用锥与半序理论和非对称迭代方法,讨论半序Banach空间一类反向混合单调算子方程组解的存在惟一性,并给出了迭代序列收敛于解的误差估计,同时推广讨论了非反向混合单调算子方程组解的存在惟一性.所得结果改进和推广了混合单调算子方程某些已知的结果.     

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。