多坐标系中的分布式和联邦式数据融合算法

在坐标转换误差条件下,引入kalman滤波算法的两个重要公式.分析多坐标系传感器系统中分布式kalman滤波算法的特点.在此基础上提出一种改进的联邦式滤波算法.新算法中.通过对量测方程和坐标转换方程的变换,使得本地处理器利用本地坐标系中的量测值,通过kalmam滤波算法直接得到参考坐标系下的状态值.相应的,kalman滤波算法也要根据这种数学变形作适当的修正.这样,在联邦式算法中,仅仅需要一次坐标转换就可以得到状态的全局估计,因此,滤波精度比分布式算法有所提高.仿真的结果也证实了这种性能的改进.     

无味卡尔曼滤波在空对海单站BDO-TMA中的应用

针对空对海单站无源只测方位-多普勒目标运动分析(BDO-TMA)问题应用无味卡尔曼滤波(UKF:Unscented Kalman Filtering) EKF进行了对照研究,建立了该应用场景下的离散非线性滤波估计模型,Monte Carlo仿真运行结果表明,UKF在该应用背景下是切实可行的,具有更高的估计精度和更强的收敛特性.     

一种解决纯方位跟踪问题的新的最小二乘模型

对纯方位问题进行了描述,对解纯方位跟踪问题的传统最小二乘滤波方法进行了研究,并给出了具体的计算模型.通过拓展传统方法中待估计变量的维数和公式推导,提出了解决纯方位跟踪问题的一种新的最小二乘模型,并将其与传统的基于最小二乘原理的模型进行了分析与仿真比较.仿真结果表明,传统方法受初始方位误差的影响较大,新模型不受初始方位的影响,可作为传统计算方法的一种补充.     

基于自适应Kalman滤波算法的联邦滤波器

为弥补传统联邦滤波器实用性不好,缺乏对对象模型和传感器噪声的自适应估计能力的缺陷,利用自适应Kalman滤波算法的思想,结合联邦滤波器本身的算法结构,对联邦滤波器进行改进,使之具有很强的自适应性,能够自适应地计算出模型噪声和传感器噪声的协方差阵.给出了基于自适应Kalman滤波算法的联邦滤波器的计算架构,其他优秀的自适应算法均可按相同的方式加入该架构中.最后通过仿真计算验证了该算法的有效性.     

杂波环境下红外传感器滤波算法

基于定向概率数据关联滤波(DPDAF)算法,根据红外传感器对目标方位角与俯仰角分辨率不同的特性修正了似然函数,并利用等效观测噪声协方差阵修正滤波增益的思想,构造了一种旨在提高红外传感器跟踪性能的修正定向概率数据关联滤波算法.蒙特卡洛仿真结果表明,新算法对红外目标的跟踪具有比DPDAF更好的跟踪性能.     

改进非凸估计与非对称时空正则化的红外小目标检测方法

针对复杂背景下的红外小目标检测,在非对称时空正则化约束的非凸张量低秩估计算法基础上,提出了一种新的核范数估计方法代替原算法中的估计方法。提出基于结构张量与多结构元顶帽(Top-Hat)滤波的自适应权重张量对目标张量进行约束,增强目标张量稀疏性的同时抑制其中残存的强边缘结构。实验结果表明,所提改进算法能够更好地消除图像中强边缘结构对检测结果的影响,在保证检测率的情况下,较原算法具有更低的虚警率。     

一种新的线性最优滤波器的设计与研究

针对一类未知机动目标设计了一种线性最优滤波器.该滤波器采用有限记忆模型作为滤波模型,模型参数用动态最小二乘方法辨识得到.由此得到的滤波器称为基于辨识有限记忆模型的线性最优滤波器.有限记忆模型克服了时间多项式模型(如CV模型、CA模型、Singer模型等)对目标物理特性的依赖性,它从目标运动轨迹入手对目标运动特性进行描述,更适合于战场未知目标的跟踪滤波.通过原理分析和Monte Carlo仿真实验验证了该滤波方法的有效性,并且和Kalman滤波方法进行了比较.     

粒子滤波算法的关键技术应用

针对基于贝叶斯原理的序贯蒙特卡罗粒子滤波器出现退化现象的原因,以无敏粒子滤波(UPF)、辅助粒子滤波(ASIR)及采样重要再采样(SIR)等改进的粒子滤波算法为例,对消除该缺陷的关键技术(优化重要密度函数及再采样)进行了分析研究.说明通过提高重要密度函数的似然度、引进当前测量值、预增和复制大权值粒子等方式,可以有效改善算法性能.最后通过对一无源探测定位问题进行仿真,验证了运用该关键技术后,算法的收敛精度和鲁棒性得到进一步增强.     

SINS/GPS 组合导航系统的修正自适应滤波方法

模型误差和噪声是导致SINS/GPS组合导航计算发散的主要原因.提出了一种适用SINS/GPS组合导航计算的残差监控加权修正自适应卡尔曼滤波方法,利用滤波残差的均值和方差不断对卡尔曼滤波的状态噪声方差阵和测量噪声方差阵进行实时修正,提高了滤波器对模型不确定性和噪声变化的适应能力和鲁棒性,显著改善了组合导航系统的定位精度.通过SINS/GPS组合导航系统仿真,验证了方法的可行性.