三维雷达跟踪改进的卡尔曼滤波设计

本文探讨了三维雷达的跟踪问题。在高度非线性情况下,通常的跟踪滤波器设计依赖于一阶(或线性)近似,结果导致滤波器的收敛性和稳定性很差。对于两种不同类型的三维雷达量测,本文开发了能够克服这些不良影响的简单滤波算法。对每一种雷达量测,经过坐标转换,通过估计雷达量测固有的非线性,可以获得量测协方差的精确表达式。在表达式的基础上,应用代数计算和合理的近似,可以产生简单的滤波公式。产生的滤波方程与广义卡尔曼滤波(EKF)公式相似,并提供了一些用于雷达量测的线性卡尔曼滤波的有用见解。模拟结果表明本文提出的方法对解决量测的非线性是非常有效的。     

多目标多传感器跟踪:应用与发展(连载二)多传感器跟踪的实际状况

３坐标系任何跟踪滤波器的最基本特征是坐标系和参考点或该坐标系原点。坐标系和原点的选择依赖于几个因素。这些因素包括由系统跟踪的目标类型、综合到系统中的传感器的类型、来自远程平台的数据的表示和跟踪系统的最终目的。理想的是,人们愿意选择与提供量测的传感器和对跟踪系统具有最大意义的目标相匹配的坐标系。实际上,这是不太可能的。通常,坐标系的选择是通过一个综合权衡过程进行的。虽然有许多坐标系是可以采用的,但是一些实际的考虑通常迫使系统设计者选择少数几种坐标系中的一种。象极坐标系、球坐标系和笛卡尔坐标系是最常…     

单边带信号简易高效的硬件实现技术

本文介绍了单边带（SSB）信号的两种产生方法,即滤波法和移相法,重点对移相法产生SSB信号的方法作了详细的讨论并给出了具体的电路,这种产生SSB信号的方法具有载波抑制比低,成本低,不需要滤波器,对相位误差和增益误差要求不高等突出特点。     

基于当前统计模型的有向图切换IMM算法

将当前统计模型和变结构多模型估计算法相结合,提出了一种新的用于跟踪机动目标的交互多模型算法,计算机仿真结果显示该算法能有效提高交互多模型估计器的费效比。     

多站多目标雷达数据融合

多站多目标跟踪是雷达数据融合的主要问题。提出了一种对测量数据聚类,在类间进行数据融合,之后基于目标的融合状态,采用强跟踪滤波器(STF)对多目标进行跟踪。利用上述方法,进行了各种态势下的仿真实验。     

基于定点DSP的计算阶次跟踪研究

对于转速变化的旋转机械,常规的频谱分析方法不能反映其振动信号的真实状态;同时,在转速变化剧烈的情况下,传统阶次分析仪器采用的转速脉冲到达时刻测量方法精度不高。针对以上问题,采用基于定点DSP的计算阶次跟踪方法,通过TMS320C5402定时器的精确计时功能实现高精度转速脉冲到达时刻的测量,同时利用DSP的McBSP(Multi-channel Buffered Serial Port,多通道缓冲串行口)同步采集振动信号,实现混合信号的采集和处理,完成基于DSP的实时阶次跟踪,并通过变速箱启动的实例验证了算法的有效性。     

形态滤波和自相关降噪的Hilbert边际谱在轴承故障诊断中的应用

Hilbert边际谱是Hilbert-Huang变换在频域的一种表示形式,适合分析机械故障诊断中广泛存在的非平稳信号,但是噪声会影响Hilbert边际谱的分析精度。针对从装甲车辆机械系统采集的振动信号中噪声的特点,将形态滤波和自相关相结合,对振动信号进行降噪,提高了Hilbert边际谱对振动信号的分析精度,并在某型坦克变速箱主轴7216轴承滚动体点蚀故障诊断中得到了应用。     

一种改进机动目标跟踪算法跟踪精度分析

＂当前＂统计模型在一定程度上解决了机动目标跟踪问题,但是其加速度均值估计并不是最优估计,本文改进了＂当前＂统计模型的加速度估计方法。分析了机动加速度方差对跟踪精度的影响,同时进行了仿真验证.。仿真结果表明,改进预测算法的＂当前＂统计模型对高速机动目标的跟踪具有一定的优势.     

基于阶次小波包与粗糙集的轴承故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳、非高斯特征及传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入轴承的故障诊断中,提出了一种新的故障诊断方法。首先利用阶次跟踪算法对瞬态振动信号进行重采样,得到等角度分布振动信号,其次采用小波包对该信号分解—重构,并对每个频段的能量进行归一化,构成特征向量,通过粗糙集理论得到清晰、简明的决策规则,最后通过故障实例验证该方法的有效性。     

基于神经网络的混合双滤波器自适应目标跟踪算法

在分析近期基于神经网络数据融合的目标跟踪算法的基础上,结合一种新的自适应滤波模型(NAF)和速度估计自适应跟踪算法(AVE),提出了基于神经网络混合双滤波器的机动目标自适应跟踪算法(NHDF).该算法通过在线自动调节网络输出进行过程噪声方差融合,降低了现有算法因系统方差的调整不当而带来的精度损失.理论分析及仿真结果证明,与"当前"统计模型、速度自适应模型和新的自适应模型算法相比,该算法具有跟踪精度高,自适应能力强的优点.