利用简化的充分统计量在分布式传感器网络中进行纯方位跟踪

本文介绍一种用于具有附加高斯噪声的一般非线性量测模型的分布式参数估计算法。我们证明:当扩展为多传感器情况得出一个线性融合规则时,由Kulhavy′提出的贝叶斯-闭式估计算法与局部的后验密度的形式无关。特别是Kulhavy′算法产生一组表示局部传感器密度的简化的充分统计量(RSS),这是在全局处理机中进行简单地相加和相减而获得最优融合。我们讨论了关于贝叶斯-闭式算法的各种近似值,得到非线性量测模型的实际参数估计器,并将这种近似技术应用于纯方位跟踪问题。把分布式跟踪器的性能与基于在修正的极坐标(MPC)中实现的广义卡尔曼滤波器(EKF)的另一种算法作了比较。已经证明:从通常的EKF意义上讲,贝叶斯-闭式估计器没有发散,因此在单向和双向发送方式中都可以利用贝叶斯-闭式技术。     

基于递推最小二乘的单站无源定位仿真分析

为达到无线射频注入的定位精度和实时性要求,提出采用递推最小二乘算法(RLS)进行定位.首先讨论了无线射频注入的定位精度需求,建立了机载无源单站定位模型,得出了最小二乘(LS)解.然后依据无线射频注入的实时性要求将其转化为递推形式.仿真结果表明,RLS算法与LS算法的定位精度和收敛速度接近,但前者实时性好,运算复杂度低,所需存储空间小,能够满足无线射频注入的定位需求.最后依据仿真结果给出了提高定位精度和收敛速度的措施.     

用于目标跟踪的自适应广义调频波形设计算法

提出了一种用于雷达目标跟踪的自适应广义调频波形设计算法。该算法根据跟踪器的动态需求,以广义调频信号为样板波形自适应设计下一时刻的发射波形,其目的是使预测的目标跟踪均方误差最小化,并假定高信噪比条件,且目标跟踪运动模型和观测模型均为线性。利用与某一波形相对应的克拉美-罗下限(CRLB)以及卡尔曼滤波器,通过最小化预测的跟踪均方误差来实现广义调频波形的自适应设计。仿真结果表明:在信噪比相同的情况下,与使用固定参数、自适应参数的线性调频波形设计算法相比,所提出的算法能够获得更低的目标跟踪均方误差。     

基于RLS算法的自适应逆控制系统的研究

提出了一种基于RLS算法的自适应逆控制系统,并对最小相位对象和非最小相位对象分别用此系统建模,进行仿真研究.仿真结果表明,基于RLS算法的自适应逆控制系统的收敛速度快,抗干扰性能好,而且得到的稳态误差较小.     

稳健的双基地MIMO雷达目标角度跟踪算法

针对双基地多输入多输出(MIMO)雷达变速目标角度跟踪问题,提出了基于变遗忘因子的跟踪算法。首先研究了遗忘因子对算法的收敛速率和跟踪性能的影响;其次借鉴变步长最小均方(LMS)算法的思路,提出遗忘因子的递推公式;最后将遗忘因子递推公式引入PASTd算法中,实现变速目标的收发角度跟踪。实验表明:算法的收敛速度和性能都有较大的提高,稳定性得到了增强。     

一种三维空间目标被动跟踪算法

对海上和岸上的运动与静止目标进行跟踪,并以此为基础提供远程目标指示是进行远程火力打击的重要环节.针对这一问题,提出了一种在三维空间中基于光学测量的被动跟踪算法.利用测量到的目标方位角、高低角,结合平台自身运动要素,建立了基于最小二乘估计的目标函数.分别对海上和岸上的运动与静止目标跟踪进行仿真计算,统计结果表明:该方法能...     

跟踪机动目标的一种新的多模型算法

在机动目标跟踪的多模型(MM)方法的研究中,提出了一种新的多模型方法,即最小子模型集切换(MSMSS)算法.这种MSMSS算法从总模型集中自适应确定最小模型集,用来完成多模型(MM)估计.仿真结果表明,和标准的交互式MM(IMM)相比,所提到的算法,在保持同等的跟踪性能的前提下需要很小的计算量,在计算量相等的情况下具有更好的跟踪性能.     

基于方根分解形式的UKF算法在目标跟踪中的应用

UKF作为一种新的非线性滤波方法已在目标跟踪问题中得到应用,在状态的时间更新阶段直接使用非线性模型,不引入线性化误差,而且不必计算Jacobians矩阵,相对于扩展卡尔曼滤波(EKF)不仅能提高滤波精度,而且更容易实现.提出了一种基于方根分解形式的UKF算法(SRD-UKF),算法的方根形式增加了数字稳定性和状态协方差的半正定性.通过BOT(bearing of target)仿真实验结果表明,该算法与UKF和PF算法相比具有更好的滤波性能.     

鲁棒滤波在机动目标跟踪中的应用

在交互多模型中通常使用的卡尔曼滤波器中,引入广义H∞(鲁棒滤波器,以一定的精度为代价,换取满意的鲁棒性能.H(鲁棒滤波算法可以分解为卡尔曼滤波和鲁棒化两个环节,从而形成一种基于增益失调因子的结构化分解算法.为验证算法的有效性,进行了Monte Carlo仿真.仿真结果表明,本文算法跟踪复杂机动目标时跟踪性能有较大提高,有很好的可实现性.     

一种纯方位跟踪中的在线式伪线性算法

针对伪线性参数估计不能进行实时状态跟踪的问题,讨论了一种新的在线式的伪线性跟踪算法.对算法的实现过程进行了推导,并应用于纯方位目标的跟踪问题中.仿真结果表明,与传统累积形式的伪线性跟踪算法相比,该算法在保证一定精度的同时,能够降低每个估计时刻的计算量,减少计算占用的资源,是一种有效的算法.     

一种新的多传感器多机动目标快速跟踪算法

基于FAFDA滤波算法,根据Houles和Shalom将PDA算法推广到解决两个传感器单目标的跟踪问题的思路中,构造一种两个同类传感器的序列观测数据的融合来跟踪多个机动目标的数据关联方法(MSFAFDA)。它主要使用的是点/航迹联合和序列估计法。算法计算量远小于原先的顺序和并行多传感器联合概率数据关联算法,蒙特卡洛仿真结果也表明它对多机动目标的跟踪具有比FAFDA更好的跟踪性能。     

扩展式机动目标可调白噪声模型

在目标跟踪过程中,每个量测周期所得到的雷达量测数据以极坐标形式表示。量测方程在极坐标中是线性的,但在笛卡儿坐标系中却是非线性的。此时,目标跟踪实际上是非线性的。随着现代航空、航天技术的发展,飞行器的机动性得到了更大的加强,这就使跟踪问题变得更加困难和复杂。针对非线性机动目标跟踪问题,提出了一种扩展式当前统计模型机动目标跟踪算法。该算法不需要假定目标的机动加速度模型,而是直接正确地估计出机动目标的当前状态,不存在任何估计滞后与修正问题。最后,给出了算法的仿真分析。     

基于简化的充分统计量(RSS)的红外图象跟踪算法

本文论述了用红外图象序列跟踪目标的问题。证明库尔哈维开发的贝叶斯闭环估计算法很适于红外跟踪问题。红外焦平面阵列上的辐射强度模式适于用RSS的闭环表达式,在库尔哈维的算法中就是用这种方法对真正后验密度进行近似估计的。由RSS新建的公式可以导出对目标状态的估计。为了比较,使用以前开发的基于广义卡尔曼滤波器(EKF)的红外跟踪算法和基于RSS的新方法,借助红外图象序列跟踪目标。已证明,在EKF发散的高速情况中,RSS算法仍保持跟踪。     

一种单站纯方位目标跟踪中的线性近似化滤波算法

针对EKF算法中存在初始化困难的缺陷,利用近似线性化的方法,构建基于修正极坐标系下的近似线性最小二乘滤波算法ALF;以ALF作为EKF滤波器的初始化算法,实现联合ALF和EKF的两阶段滤波算法,并将它应用在水下单站纯方位目标跟踪中。仿真结果表明,由ALF和EKF组成的两阶段滤波算法具有很好的稳定性,算法精度较高,是一种有效的算法,对潜艇实施隐蔽探测与跟踪具有重要意义.     

H∞鲁棒滤波在机动目标跟踪中的应用

在交互多模型中通常使用的卡尔曼滤波器中,引入广义H∞鲁棒滤波器,以一定的精度为代价,换取满意的鲁棒性能。H∞鲁棒滤波算法可以分解为卡尔曼滤波和鲁棒化两个环节,从而形成一种基于增益失调因子的结构化分解算法。、为验证算法的有效性,进行了Monte Carlo仿真。仿真结果表明,本文算法跟踪复杂机动目标时跟踪性能有较大提高,有很好的可实现性.     

弹道导弹过关机点状态估计方法研究

弹道导弹飞行主动段和自由飞行段的运动学模型差别很大,对导弹过关机点状态的准确及时估计,对于跟踪信息处理方式的切换意义重大。基于雷达跟踪信息,提出将推力加速度作为特征量估计导弹过关机点状态,并推导了观测方程。针对观测方程非线性问题,通过对多个随机变量的线性化,利用递推最小二乘(RLS)算法获得了推力加速度的递推估计。通过误差分析,给出了过关机点状态估计门限计算方法。仿真表明,该估计方法能够准确及时地给出过关机点状态估计结果。     

基于UKPF的雷达与红外传感器融合跟踪算法

针对异类传感器融合跟踪中状态估计与量测的非线性问题,分析了粒子滤波器在解决非线性和非高斯问题的优势,提出了一种基于unscented Kalman粒子滤波器(UKPF)的雷达与红外传感器融合跟踪算法,给出了算法的详细步骤.然后将该算法用于三维空间的目标跟踪上,仿真结果表明该算法比现有算法具有更高的跟踪精度.     

临近空间高超声速目标自适应采样跟踪算法

针对传统自适应采样跟踪准则只适用单一模型且采样率稳定性差的问题,提出一种基于相对机动强度(relative maneuvering strength,RMS)的自适应采样交互多模型(interacting multiple model,IMM)算法。该算法构建了机动灵敏的主导因子;将期望协方差与实际协方差的偏差与门限值进行比较来修正指数参数,在保证跟踪精度恒定的同时降低资源消耗;考虑到采样率稳定性因素,引入平滑因子,设计线性形式自适应采样率公式。通过仿真试验对比,结果表明3种对比算法跟踪精度相近,新算法采样点数少,采样率突变点少。以此验证了新算法在跟踪数据率和采样率稳定性方面的优越性。     

基于自适应EKF的高动态载波跟踪算法

针对载波跟踪算法在大频偏或动态剧烈变化时易失锁的问题,提出一种无数据辅助情况下基于自适应R/Q扩展卡尔曼滤波(AEKF)的高动态载波跟踪算法。该算法在AEKF代替鉴相器和滤波器的环路结构基础上,引入两倍相位转换来消除数据位跳变的影响,并利用载噪比估计方法和基于加加速度的信号动态监测方法来修正观测噪声协方差(R)和系统状态噪声方差(Q),进而兼顾环路的跟踪精度和动态稳定性。实验结果表明:利用该算法的GPS软件接收机能够在加速度200 g,瞬间加加速度10 000 g/s的动态指标下正常工作。     

用简化的神经网络解实时线性最小二乘和总最小二乘问题

为了在实时情况下解代数方程线性系统问题,本文提出了一种具有单片自适应学习算法的新一类简化的低成本模拟人工神经网络。本文提出的学习算法是解线性最小二乘(LS)、总量小二乘(TLS)和数据最小二乘(DLS)问题传统算法的修改和扩展。传统方法包括:kaczmarz行动作投影算法和/或LMS(Adaline)widrow-Hoff算法。该算法可应用于能公式化为线性回归问题的任何问题。所提出的神经网络的正确性和高性能可用广泛的计算机仿真结果来说明。