基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降, 通过构建强跟踪滤波器(strong tracking filter, STF)可以提升滤波算法的自适应性, 但是构建STF时存在理论推导复杂、求解计算量大等局限和不足, 针对上述问题, 在平方根容积卡尔曼滤波(square-root cubature Kalman filter, SRCKF)的基础上, 提出一种基于修正的自适应SRCKF算法。该算法通过设置判定门限和修正准则, 直接对状态预测值或滤波增益进行修正以平衡先验的预测值和后验反馈的量测值在滤波中所占的比重, 进而减小状态估计误差。仿真结果表明, 所提算法具有在目标状态突变和量测非线性时的良好滤波性能和数值稳定性, 同时相比较需要计算渐消因子的STF算法, 该算法在计算量和收敛速度上具有优势。     

基于GM(1,1)模型的机动目标跟踪方法研究

传统卡尔曼滤波器依赖目标运动状态的数学模型,当目标运动数学模型不精确或不能够用线性状态空间模型描述时,跟踪滤波会发散。针对这一问题,提出了一种基于GM(1,1)(Grey model)模型的跟踪卡尔曼滤波方法。在卡尔曼滤波过程中,迭代所需的预测值不再依赖所建立的目标运动状态方程,而是用前几个时刻的估计值建立灰色微分方程来预测下一时刻的值,其预测精度高,滤波性能提高,特别在目标机动的时间内跟踪滤波效果要好于传统方法。仿真结果表明,是一种可行的机动目标跟踪方法。     

基于时频差的高阶强跟踪UKF算法

针对传统无迹卡尔曼滤波(unscented Kalman filter, UKF)在系统状态发生突变时估计精度下降的问题,将改进的强跟踪滤波算法与基于高斯概率密度高阶导的无迹卡尔曼滤波算法(high order probability density derivative, HUKF)相结合,提出了高阶强跟踪无迹卡尔曼滤波方法(high order strong tracking UKF, HSUKF)。该算法采用高斯概率密度函数高阶导数的极值作为Sigma样点进行无迹转换,通过样本点捕捉更高阶的中心矩来提高非线性变换近似精度。将改进的强跟踪滤波算法引入到HUKF中,通过渐消因子修正预测新息协方差和预测互协方差矩阵,强迫新息正交,在不增加计算复杂度的前提下提高了算法在状态发生突变时的适应能力。将本文算法应用于时差频差的无源跟踪中,通过对目标状态发生突变的跟踪问题进行数值仿真和实例论证表明HSUKF算法兼具了计算复杂度低和估计精度高的特性,且在系统状态发生突变的情况下表现出良好的滤波性能。     

基于当前统计模型的机动目标自适应跟踪算法

当前统计模型及其自适应卡尔曼滤波算法对强机动目标具有很好的跟踪效果,但当机动目标为弱机动和非机动时算法跟踪性能较差。针对这一问题,提出了采用铃形函数作为模糊隶属函数对模型中加速度极值进行修正的自适应滤波算法,调整加速度稳定时的系统过程噪声方差,提高算法的跟踪精度。同时,借鉴强跟踪滤波算法的渐消自适应滤波因子思想,针对加速度突变的情况引入渐消因子对修正的加速度极值进行调节,提高算法在加速度突变情况下的跟踪速度。仿真实验结果表明,算法对弱机动目标和非机动目标的跟踪具有良好的效果。     

多雷达组网虚拟观测卡尔曼滤波算法研究

多雷达组网对空域运动目标跟踪时,组网雷达极坐标测量值与目标状态值呈非线性关系,不满足卡尔曼滤波线性化使用要求。提出将组网融合中心惯性坐标系虚拟为滤波观测坐标系,使得滤波状态和虚拟测量简化为线性关系,通过虚拟观测噪声建模、滤波初始化建模,解决了多雷达组网使用卡尔曼滤波对空域运动目标的最优化滤波估计问题。软件仿真测试和检飞数据验证表明:虚拟观测卡尔曼滤波算法(Virtual-Observation Kalman Filter Algorithms,VOKFA),滤波精度高、算法稳定性好,非常适合于多雷达组网滤波跟踪工程应用。     

基于自适应CS模型的IMM算法

目标运动状态的改变将导致目标跟踪算法精度降低或发散。为了提高机动目标跟踪的跟踪性能,首先,针对当前统计(current statistical, CS)模型中最大加速度固定设置导致模型误差增大的问题,提出了一种自适应CS模型;在自适应CS模型和交互式多模型(interacting multiple model, IMM)的基础上,提出了一种交互式多自适应模型(interacting multiple adaptive model, IMAM),该模型通过采用两个自适应CS模型,能够有效消除目标状态突变造成模型误差急速增大的问题,提高了模型的准确度和适应性。其次,在IMAM的基础上,结合修正卡尔曼滤波(amendatory Kalman filter, AKF)的思想,提出了IMAM-AKF算法,该算法通过修正最终的状态融合估计值,有效地降低了目标机动造成的模型误差,进一步提高了机动目标跟踪的性能。最后,结合自适应渐消卡尔曼滤波(adaptive fading Kalman filter, AFKF)的思想,提出了IMAM-AFAKF算法。仿真结果表明,无论是强机动还是弱机动,IMAM-AFAKF算法都具有较好的跟踪性能。     

自适应推广Kalman滤波应用于水下被动目标定位

针对在被动方式下进行水下目标定位容易出现滤波发散、收敛速度慢以及精度不高等问题，研究了一种修正极坐标系下的自适应推广卡尔曼滤波算法。它能够在线估计虚拟系统噪声的统计特性，从而消除了动态模型线性化误差带来的不良影响。仿真结果表明，该算法在收敛速度、估计精度以及稳定性方面都优于常规的卡尔曼滤波器。     

基于多次卡尔曼滤波的目标自适应跟踪算法与仿真分析

标准的卡尔曼滤波算法由于使用了固定单一的状态噪声模型,因此当目标运动状态经常发生剧烈变化时,跟踪效果不是很理想。为了提高对目标的跟踪精度和跟踪收敛速度,提出了一种新的算法,通过多次步长不同的卡尔曼滤波算法来判断机动目标的运动状态,进而使得系统状态噪声协方差能够随着目标机动情况自适应调整。最后的蒙特卡罗仿真实验验证了此算法的有效性。     

空基无源相干定位系统的机动目标跟踪算法

针对空基无源相干定位系统中外辐射源状态不确定性对机动目标跟踪精度的影响, 提出了一种基于多模型预测的双变量容积卡尔曼滤波算法。首先建立了机动目标跟踪的系统模型, 并确定了多模型集。然后基于多模型思想, 将模型交互步骤增加到状态预测步骤之后, 对状态预测值进行交互融合, 得到最优的状态预测值。为解决固定的马尔可夫转移概率导致系统跟踪性能下降的问题, 采用“感知记忆”嵌入的时变转移概率, 降低不匹配模型的竞争影响; 最后利用双变量容积卡尔曼滤波算法同时对目标和外辐射源进行状态估计。仿真对比实验验证了算法的有效性。     

超低空拦截导弹武器系统的UKF-IMM目标跟踪算法

针对超低空拦截导弹武器系统的特点,提出了运用基于交互多模型的无迹卡尔曼滤波算法(UKF-IMM)对来袭目标进行状态估计的滤波方法.根据来袭目标的运动特点建立了特定的模型集,模型集由CV模型、比例导引模型和"当前"统计模型组成.每个模型分别采用UKF滤波器进行滤波,UKF-IMM滤波器的输出为各滤波器状态输出的概率加权融合.仿真结果表明,该模型集能够概括超低空拦截导弹拦截目标的运动样式,模型之间切换迅速,滤波算法收敛速度快.运用UKF-IMM滤波算法能够实现超低空拦截导弹火控系统对来袭目标及时准确地跟踪.     

基于多智能体导航的高超飞行器信息融合方法

精确导航技术是高超飞行器(hypersonic vehicle, HV)充分发挥威力的关键所在。然而,高马赫数和强机动性致使HV的导航系统误差及其观测噪声无法准确描述,制约着导航信息的精确性和实时性。为及时获取高精度导航信息,设计基于集员框架的卡尔曼滤波算法。一方面采用多智能体分布式协同探测,形成观测椭球交叉集合,提高了观测效率和测量精度;另一方面,通过设计两类噪声模型,求其与状态估值的最小均方误差,实现滤波增益的计算,提高算法对噪声的抗扰动能力,使状态估值达到均方误差最小。通过数字仿真,将设计方法应用到HV导航模型中,并与扩展卡尔曼滤波和集员滤波的状态估值进行比较,结果表明,提出算法在不同噪声影响下具有更高的估计精度。研究成果将为HV实现实时精确导航提供技术支持,并具有重要的理论意义和应用价值。     

三角交叉无源定位位置偏差估计滤波算法研究

提出了一种基于两观测站的三角交叉法对机动目标无源定位的算法，不是采用传统的对机动目标位置进行估计，而是直接对机动目标的位置偏差进行估计滤波，使定位的模糊区域迅速缩小，以达到快速定位跟踪的目的。列出了对位置偏差估计的状态方程和测量方程，用加权的最小二乘估计和卡尔曼滤波算法，实现了定位和跟踪。进行了计算机仿真，得到了良好的效果。     

Modelling of a Class of Nonstationary Time Series with Kalman Filter Using Moving Window

In this paper a method for modelling and forecasting of a class of nonstationary time series with Kalmnan filter using moving window is proposed. The procedure of the method is as follows: in terms of parameter estimation during recursive process by using LSM, the state space equation is constructed, then the Kahnan filter using moving window is made to get the data with reduced level of observation noise. Finally, the precise parameter estimation can be obtained by using the LSM again. The algorithm is carried on recursively. Good results for estimating and forecasting are shown by simulation, examples. The algorithm of Kalman filter using moving window proposed by us is introduced in this paper, which can guarantee the precision and convergence of Kalman filter.     

INS/双星组合导航半实物仿真研究

对INS/双星跑车试验数据进行了分析和处理,采用小波分解的方法去除了定点定位试验中的测量噪声,并对双星接收机的常值偏移进行了估计,仿真结果表明双星系统的定位精度在20米之内。在跑车试验中使用递推最小二乘法和Kalman滤波技术对INS/双星的位置组合方案进行了仿真。仿真结果表明,Kalman滤波技术比最小二乘算法具有更高的估计精度,它能有效地降低INS的位置误差。     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

SR-CH∞KF用于弹丸飞行姿态测量研究

为提高弹丸姿态测量精度,提出一种基于H∞滤波的平方根容积卡尔曼滤波.该方法通过三轴地磁传感器和陀螺仪组合测量模型,采用欧拉角算法模型减少状态维数并使状态方程呈现线性化,可以减少计算量.该方法可以适用于量测噪声不确定的情况,引入新息序列不断修正误差限定参数来更新量测噪声估计值,可以提高滤波的精度和鲁棒性.奇异值分解能够保...     

基于水声通信延迟的多UUV协同定位算法

针对多水下自治机器人(unmanned underwater vehicle, UUV)协同定位过程中水声通信延迟造成的定位失效问题,提出了一种基于状态估计均方误差最小的延时扩展卡尔曼滤波(delayed extended Kalman filter, DEKF)定位误差修正方法。首先建立考虑水声通信延迟的系统状态方程,利用状态转移矩阵推导系统等效量测方程,然后给出多UUV 考虑水声通信延迟的扩展卡尔曼滤波(extended Kalman filter, EKF)定位方法并分析其不足;最后在EKF方法的基础上,分析量测信息延迟对状态估计的影响,建立系统真实量测模型,设计基于状态估计均方误差最小的DEKF 算法。仿真结果表明,该方法能够有效地修正多UUV 协同定位中由于水声通信延迟造成的定位误差,在工程实践中具有一定参考意义。     

径向速度测量推广Kalman滤波的改进

研究了一种把径向速度测量引入推广Kalman滤波 (EKF)的新方法。在对测量方程进行分解和对测量噪声的统计特性进行分析的基础上提出了一种序贯处理结构的推广Kalman滤波算法 ,这种算法相当于对非线性的径向速度函数围绕状态矢量的滤波值而不是预测值线性化 ,因而可以大大减小线性化处理带来的误差。两个不同的MonteCarlo仿真结果说明该算法的估计性能优于传统的推广Kalman滤波。