过失速机动的AUKF-WNN气动力建模及仿真

为使所建立的气动力模型能够准确刻画复杂动态特性,提出一种基于改进UKF算法的小波神经网络(Wavelet Neural Network,WNN)飞行数据失速气动力建模方法。引入一种自适应因子来改善无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的性能;按照飞行数据的气动力建模流程,利用改进UKF算法对WNN参数进行最优化估计,构建失速现象的气动力模型。实验结果表明,针对飞行器失速的气动力建模问题,基于改进UKF算法的WNN建模方法,在建模精度和速度方面,优于传统神经网络和其他现有WNN方法,因此,使用提出飞行器失速的气动力建模方法是可行和有效的,得到预测结果也能准确刻画飞行器失速的动态特性。     

无迹卡尔曼滤波的长码直扩信号载波频偏盲估计

针对长码直接序列扩频(Direct Sequence Spread Spectrum,DSSS)通信中的载波同步问题,提出了一种新的载波频偏估计算法。该方法结合分段和无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的思想,利用UKF算法对非线性模型的求解能力,估计载波频偏的后验概率的均值和方差。Monte Carlo仿真实验的结果表明新算法不仅具有较高的估计精度,还能实现较低信噪比下的估计。     

先验有色噪声补偿的卡尔曼滤波组合导航算法

根据飞行器实际情况,将舱内捷联惯导安装等效为弯扭耦合激励扰动下的Timoshenko梁和阻尼弹簧振子混合系统,分析其激励响应获取惯导随机误差中的有色噪声。将有色噪声作为先验信息,通过微分方程描述并导入惯导误差模型,设计增强的卡尔曼滤波组合导航算法,通过仿真飞行验证了算法的稳定性并与传统卡尔曼滤波组合导航进行了对比分析。     

基于参数自适应CS模型的机动目标跟踪算法

为提高对机动目标的跟踪精度,提出一种基于参数自适应当前统计(CS)模型的跟踪算法。即利用加速度增量与位移的关系,自适应调整加速度方差,根据量测残差的统计距离判别目标机动特性,并调整模型的机动频率和滤波器增益系数,提高算法模型与目标机动模式的匹配程度。仿真结果表明,基于参数自适应CS模型跟踪算法能够较好地改善对强机动目标的跟踪性能。     

一种改进的均方根容积粒子滤波算法

传统的粒子滤波算法在重要性采样估计时忽略了当前量测影响。在非线性场景下,传统的粒子滤波导致个别粒子具有大权值,造成估计结果精度差。针对该问题,结合均方根容积卡尔曼滤波(SCKF)算法和Gating技术,提出了一种新的重要性函数估计算法。本算法将后验概率作为重要性采样函数,通过利用SCKF和统计距离,建立粒子与量测的关联关系,实现对重要性采样函数的均值和协方差矩阵的估计。而后,使用粒子滤波算法,对多目标状态和数目进行估计。实验表明,在非线性跟踪场景下,本算法估计精度高,估计结果稳定。     

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。     

改进推广卡尔曼滤波算法在目标跟踪中的运用

对推广卡尔曼滤波算法进行了改进,提出了运用自适应门限滤除不可信观测向量的方法。在复杂多变的电磁环境中,有效的剔除不可信观测向量和防止有用信息的丢失一直是一对矛盾。改进的算法通过新息序列方差的统计信息确定自适应门限,并且对观测向量的每一个元素分别进行判决。仿真结果证明,该算法能够在防止有用信息丢失的同时有效剔除不可信观测向量,进而减小导引头的滤波误差。     

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。