潜艇纯方位跟踪中系统误差的消除方法

针对潜艇纯方位法水下目标跟踪过程中,如果存在系统误差,会导致收敛速度变慢,状态估计有偏的问题,提出了联合sigma点卡尔曼滤波算法。该算法不仅能消除系统误差对状态估计的影响,而且能减小线性化误差,提高滤波精度。仿真实验结果证明了算法的有效性和优越性。     

基于CSS的室内测距优化技术?

基于CSS（ Chirp Spread Spectrum,线性调频扩频）技术的无线测距是基于TOA（ time of arrival,到达时间）的测距方法,在室内应用中,存在较多的NLOS（ Non?Line of Sight,非视距）干扰,因此测距精度低。针对这个问题,对传统卡尔曼滤波进行改进,将NLOS误差加入状态向量进行估计,进行两步卡尔曼滤波,从而抑制NLOS误差对测距的影响。考虑到LOS（ Line of Sight,视距）和NLOS并存的情况,对两步卡尔曼滤波算法进行改进,在第二步滤波中对NLOS误差鉴别和滤波处理部分做出改进,并应用到测距系统中。实验表明,利用该测距优化方法,TOA测距的精度和抗干扰能力得到了明显的提高。     

BDS导航信号抗电离层闪烁载波跟踪的自适应卡尔曼滤波算法

电离层闪烁会引起导航信号幅度和相位的快速衰落,严重影响跟踪环路的精度和稳健性,而相比频率跟踪和伪码跟踪,载波跟踪环路更易受电离层闪烁的影响而失锁。因此,提出一种基于相位锁定指示自适应扩展卡尔曼滤波的北斗导航信号抗电离层闪烁载波跟踪算法,其以同相与正交支路的积分结果估计相位锁定指示值,并采用该指示作为控制参数对不同闪烁场景下扩展卡尔曼滤波的观测向量进行自适应调整,这不仅能够提高跟踪环路的精度和稳健性,而且能够降低扩展卡尔曼滤波发散的概率。实验结果验证了相关分析和所提跟踪算法的有效性。     

过载系数未知的反舰导弹跃升俯冲过程跟踪算法

针对反舰导弹跃升机动过程的跟踪中,过载系数未知导致跟踪模型与导弹实际运动的不匹配问题,对状态变量进行扩展,应用扩展卡尔曼滤波对过载系数实时估计,实现对跃升俯冲机动过程的跟踪。仿真结果表明,该算法可准确估计出过载系数,显著提高跟踪性能。     

基于UKF滤波的时差定位与跟踪

由于无源时差定位隐蔽性强,抗干扰性好,定位精度高,相对于测向时差联合定位需要处理的数据少,因此是网络雷达中最主要的定位方式.提出将UKF滤波算法应用到网络雷达的时差定位跟踪中.计算机仿真实验表明,应用UKF算法比以往EKF类算法在滤波性能上有明显的提高.     

利用星载相机成像信息进行卫星姿态确定的方法(英文)

随着卫星定姿精度要求的日益提高,仅用常规卫星敏感器已经不能满足高精度定姿要求,针对该问题,提出一种利用星载相机的单点成像信息进行卫星姿态确定的算法,根据相机成像原理推导出卫星姿态角与像点位置的关系,结合数字相机的特殊成像方式,建立了用误差四元数描述的线性相机测量残差模型,并给出联合常规姿态敏感器进行联合姿态确定的方案.仿真结果证明星载相机的信息的引入使得稳态姿态估计精度由0.002 6°提高到0.000 69°,并且加快了滤波收敛速度.     

神经网络辅助多目标跟踪数据融合

多目标跟踪(MTT)算法包括卡尔曼滤波和数据关联算法等,而数据关联算法又是最重要、最困难的方面.联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增.提出了一种改进的方法,一方面将神经网络引入到卡尔曼滤波器中,提高滤波器的自适应能力,减小卡尔曼滤波器的估计误差从而改善多目标跟踪精度;另一方面用神经网络辅助JPDA提高正确关联概率,减小计算量.经仿真研究表明,该方法是行之有效的.     

导弹末制导中的目标机动估计

在空空导弹末制导段为了能更好地估计目标的逃逸机动,以满足制导要求,基于"当前"模型描述目标加速度,提出了一种利用相对速度估值差来调整目标加速度方差的算法.并在导弹-目标相对运动的三维空间内,由导弹对目标的速度测量值偏差调整状态噪声,并通过自适应扩展卡尔曼滤波实现对目标机动的估计.仿真结果表明,该算法在末制导中目标的机动估计精度要优于传统方法.     

惯导速度信息辅助的被动雷达导引头量测误差抑制方法

针对被动雷达导引头由于受空间限制测角精度不高的问题,提出了一种基于弹目信息状态变量的扩展卡尔曼滤波方法。通过弹目信息状态变量(弹目距离、弹目视线方位角、弹目视线俯仰角)描述弹目相对位置信息,利用惯导速度信息构建基于弹目信息状态变量变化率的弹目相对运动模型。所提方法充分利用信息资源,抑制导引头量测随机误差,对于提高导弹的打击精度和攻击效果,具有重要的实际应用价值,仿真试验证明该算法的有效性。     

基于尺度UKF小波网络的混沌时间序列预测

根据小波网络和Kalman滤波的特点,将小波网络的权重、平移因子和伸缩因子作为Kalman滤波的状态变量进行估计,提出一种训练速度快、泛化能力强的小波网络的尺度无轨迹Kalman滤波学习算法。然后,利用Rǒssler时间序列和变参数的Ikeda时间序列对该算法进行了验证。仿真结果表明,该算法预测混沌时间序列收敛速度快,预测精度高,而且在混沌时间序列的嵌入维数未知时也能取得较好的预测效果。可以胜任混沌时间序列的精确建模和预测任务。