CS模型下IMM-PF算法在机动目标跟踪中的应用

为了解决机动目标定位跟踪问题,提出了一种基于CS(current statistical)模型的交互式多模型粒子滤波算法.在交互式多模型粒子滤波算法的基础上,计算CS模型的概率,自适应地调整CS模型中的目标加速度,反映出了目标的机动特性,充分发挥2种算法的优点,改善了CS模型的加速度不能自适应调整的缺点,提高了CS模型的自适应性和应用范围.另外,CS模型的自适应滤波方法由Kalman滤波改为粒子滤波.通过Monte Carlo对比仿真试验表明了该算法的可行性和优越性.     

基于磁通门/GPS组合的车辆导航系统滤波技术

给出了基于磁通门/GPS组合导航系统的硬件结构图,并应用卡尔曼滤波和方差自适应滤波算法分别对GPS、磁通门单独导航定位系统进行了分散滤波,最后应用联合卡尔曼滤波器对GPS和磁通门信息进行了信息融合.并且通过实际跑车实验,验证了滤波对导航系统随机误差消除和定位精度提高的有效性.     

粒子滤波GPS/SINS组合导航系统动基座传递对准

在SINS(捷联式惯性导航系统)与GPS(全球定位系统)组合传递对准时,航向角的可观测性较弱,经过卡尔曼滤波后,航向角误差虽有所改善,但仍呈发散趋势,针对GPS/SINS组合系统特点,提出了一种动基座传递对准方案,依靠GPS测量信息进行速度匹配,完成动基座传递对准.该方案采用粒子滤波方法解决对准过程中的非线性问题.仿真结果表明该方案的对准精度(1σ)可以达到东向失准角误差为5角分,北向失准角误差为2角分,方位失准角误差为6角分.     

基于PDA-UKF的杂波环境下单目标跟踪算法

提出将概率数据关联算法和不敏卡尔曼滤波相结合,用于杂波环境下的单目标跟踪。该算法同时解决了测量方程非线性情况下的滤波问题和杂波环境下的目标跟踪问题。给出了PDA-UKF算法的仿真过程,提供了一个基于距离、方位角、俯仰角的目标跟踪问题的仿真算例。理论分析与仿真结果均表明,该算法提高了滤波的稳定性和跟踪的精确性,具有较高的实用价值和广泛的应用前景。     

基于单GPS观测的SINS姿态校正方法

针对车(船)载惯性和GPS组合导航系统(INS/GPS),研究单天线GPS对INS的姿态校正方法。提出一种基于单天线GPS进行捷联惯导(SINS)机动中对准和姿态校正方法,该方法以GPS两个不同时刻的不共线速度向量为参考向量,利用TRIAD算法进行姿态确定,并设计了Kalman滤波器估计姿态四元数。仿真试验表明该方案能较好地校正惯导系统的初始对准误差,并通过实时校正保持长期的姿态精度。     

高轨双星辐射源跟踪的高斯和-容积Kalman滤波算法

针对辐射源运动方程和观测方程的强非线性,提出基于高斯和框架与5阶容积Kalman滤波(5CKF)的跟踪算法GS-5CKF。该方法将起始时刻的时差观测量所确定的位于地球表面的时差线按经度等间隔划分,初始化多个并行的5CKF,线性组合各滤波器的输出获得辐射源运动状态的估计。针对5CKF,提出新的非线性测度并引入滤波器分裂与合并,从而提高了跟踪精度,同时保持GS-5CKF算法复杂度基本不变。仿真表明,相对仅使用单个5CKF和基于高斯和框架但使用3阶容积Kalman滤波器的GS-3CKF等方法,提出的算法具有更高的估计精度。     

基于粒子滤波的目标跟踪抗野值算法

运用粒子滤波对目标位置进行跟踪时,测量数据的异常突变点、目标的机动转弯、粒子数量的制约和重要性密度函数的优劣都会导致估计误差较大的野值出现,这将严重影响雷达对目标的跟踪精度。现有的野值剔除方法在目标发生机动时,都存在误剔率较高的问题。针对这个问题,采用莱特准则与机动门限准则相结合的方法,提出了不确定观测点的概念,设计了一种适用于机动目标的抗野值粒子滤波算法。仿真结果表明,该方法能较好地检测和更新野值,降低跟踪误差,提高跟踪精度。     

一种改进的基于交互式模型的机动目标跟踪算法

针对传统的以匀速(CV)或匀加速(CA)运动作为目标运动模型的卡尔曼跟踪滤波器的计算量大及跟踪精度低的固有缺陷,提出了一种基于CV和CA的交互式卡尔曼滤波模型的机动目标跟踪算法,该算法能在保持直线运动跟踪精度不变的前提下,使做曲线运动的目标的跟踪精度逼近做直线运动的目标的跟踪精度。并将CV和CA模型混合起来进行仿真估计,系统仿真结果表明该算法提高了系统的跟踪精度。     

择集滤波及其在图像信号处理中的应用

探讨了择集滤波的原理及聚类择集滤波的实现方法 ,并在漏磁检测中的裂纹三维图像重建中进行了应用 ,达到了保护图像信号结构成分及一些细节的目的 ,提高了图像清晰度。     

基于影响图方法的信息战模型

由于粒子滤波的算法原理,其计算量很大。研究了针对机动目标的交互式多模型粒子滤波器(IMMPF)算法和多速率交互式多模型(MRIMM)算法,提出了多速率交互式多模型粒子滤波器(MRIMMPF)算法。该算法是在交互式多模型粒子滤波器(IMMPF)的基础上引入多速率技术,期望在保持IMMPF的性能同时能够减少因为粒子滤波带来的计算量;最后通过和一般基于EKF的IMM算法、IMMPF算法的比较,验证了该算法的有效性。