基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。     

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。     

利用子区域特征进行自适应目标跟踪

提出了一种基于目标区域分割的自适应运动目标跟踪算法。该算法通过K-均值聚类,将目标分割为多个子区域,根据子区域颜色特征及其分布提出了一种新的目标模型,并给出模型相似性测度准则,从而将目标模型更新问题简化为区域特征的更新,提高了模型的稳定性。同时在跟踪过程中,利用相似性测度检测目标遮挡程度,根据遮挡程度自适应地调整卡尔曼滤波器的参数和模型更新过程,提高了在遮挡情况下算法的鲁棒性。分析和实验表明,新算法能够在真实场景中准确、实时地跟踪目标,是一种有效的视频目标跟踪算法。     

模糊自适应强跟踪卡尔曼滤波器研究

针对卡尔曼滤波器对系统模型依赖性强、鲁棒性差和跟踪机动目标能力有限的问题,提出了一种具备模糊自适应特点的模糊强跟踪卡尔曼滤波器(fuzzystrongtrackingKalmanfilter,FSTKF)。这种方法主要利用模糊逻辑自适应控制器监测残差均值与标准差,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中多重次优渐消因子进行自适应调整,进一步提高滤波器的估计性能。仿真结果表明,该改进滤波器跟踪机动目标的精度高于常规卡尔曼滤波器和强跟踪卡尔曼滤波器。     

条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计.此外,获得的非线性状态估计的方差还用于修正线性状态的估计.将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Black-wellized粒子滤波器(Rao-Blackwellized ParticleFilter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%.     

基于新型的递归BLUE滤波器的IMM算法

雷达跟踪机动目标时，目标运动常被建模在直角坐标系内，同时目标量测可在传感器坐标系下获得。量测转换技术已被广泛使用在这类问题中，它使得卡尔曼滤波器得以应用于跟踪任务中。但上述技术忽视了卡尔曼滤波器的前提假设条件。提出一种基于新型递归BLUE滤波器的交互作用多模型算法，能近乎最优地估计出直角坐标系下的目标运动状态，同时保持传感器坐标系内所固有的量测误差。通过仿真，将它与基于传统的量测转换方法的交互作用多模型算法进行比较，表明了该算法的有效性和优越性。     

基于约束的单舰纯方位跟踪算法

提出一种把运动目标舰艇的航速约束以及对陆地岛礁规避的约束加入修正增益推广卡尔曼滤波器的方法 ,对目标观测方程和目标状态方程分别进行修正 ,用于单舰对海上运动舰艇辐射源进行纯方位跟踪。航速约束可以当作输出为 0的增加的观测数据来处理 ;另外 ,根据当前估计的目标位置和航速 ,当下一个周期目标将航行到陆地岛礁或即将航行到陆地岛礁时 ,用规避因子矩阵来修正目标舰的航向和航速 ,以避免目标航行到陆地岛礁。计算机模拟结果表明 ,该方法能提高对海上运动舰艇辐射源的无源定位精度。     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。     

并行多参考模型卡尔曼滤波系统仿真研究

研究了卡尔曼滤波器算法的基础上,提出随机系统多参考模型卡尔曼滤波器的新方法。该方法用Ｎ个线性模型近似表示参数变化很大的非线性系统。再用卡尔曼滤波器对Ｎ个模型进行滤波,得到Ｎ个状态的估计值。然后,对这Ｎ个状态估计值进行概率加权求和,得到最优状态估计值。分别针对二阶系统和船舶模型进行了大量的仿真研究。仿真结果展示,该方法具有广阔的工程应用前景。     

基于观测值聚类的多雷达数据融合

根据多部雷达同一时刻对同一目标的观测值在空间呈团状的特征,运用模式识别理论中聚类的方法解决数据融合问题。采用一种改进的KNN算法对多雷达观测数据进行聚类,结合聚类中心和目标预测值,应用卡尔曼滤波器估计目标状态,从而实现多雷达数据融合。实验结果表明,这种方法是有效的。     

基于AEKF的高速自旋飞行体组合导航方法

针对高速自旋飞行体运行过程中噪声特性无法准确获取的问题, 提出了基于改进自适应扩展卡尔曼滤波(adaptive extended Kalman filter, AEKF)算法对量测噪声进行自适应调节, 并在扩展卡尔曼滤波(extended Kalman filter, EKF)的基础上提出了一种基于对状态变量新的建模方式的EKF算法, 提高算法的实时性。采用北斗/捷联惯性导航系统(strapdown inertial navigation system, SINS)组合导航方案, 在EKF的基础上, 引入带遗忘因子的噪声估计器, 通过AEKF对组合导航数据进行融合, 对量测噪声进行估计。仿真结果表明, 所提出的组合导航方法对高速自旋飞行体的姿态和位置定位误差较小, 与无改进的AEKF相比, 具有更好的收敛性。     

基于概率数据关联的雷达导引头抗速度拖引干扰算法

针对在速度拖引干扰下, 脉冲多普勒雷达导引头无法精确跟踪、制导目标的问题, 提出了基于概率数据关联的抗速度拖引干扰算法。对于雷达导引头角度测量信息和Doppler测量信息, 采用序贯扩展卡尔曼滤波算法进行目标状态估计。根据Doppler信息强非线性的特点构建了伪量测信息, 并提出了在Doppler量测更新滤波估计阶段，采用概率数据关联算法进行抗速度拖引干扰。给出了算法的推导过程, 并进行了数值仿真验证。仿真结果表明, 采用该算法能够稳定跟踪释放多重速度拖引干扰的目标, 有效抑制速度拖引干扰对制导信息估计的影响, 改善导弹的制导精度。     

Scheme of adaptive polarization filtering based on Kalman model

1.INTRODUCTIONIn modern high technology war,the electroniccounter measures(ECM)and precise guidance tech-nology are rapidly developed and becoming the re-search hotspot of militarysciencefor all the countries.The guidance missiles are the main weapons andhigher anti-jamming ability and guidance precision arerequired for guidance radar.For the active mono-pulse guidance radar,the angle information of thetarget is obtained by usingthe angle measured methodof amplitude sum/difference or pha…     

非全测状态下的机动目标跟踪

针对空空导弹制导过程中可能出现测量信息不全的情况,以机动目标的“当前”统计模型为基础,在螺旋机动目标模型下对机动目标进行了跟踪滤波。在深入研究了扩展卡尔曼滤波算法、衰减记忆扩展卡尔曼滤波算法的基础上,利用改进的强跟踪滤波算法进行了非全测状态下的机动目标运动信息估计。仿真实验表明:改进的强跟踪滤波算法不仅能很好地完成速度和距离跟踪;如果加上多普勒速度测量,改进的强跟踪滤波算法还可跟踪上加速度。仿真结果表明了改进的强跟踪滤波算法的有效性。     

RBUKF算法在GPS实时定位解算中的应用

迭代最小二乘法（iterative least square, ILS）是GPS实时定位解算中使用最为广泛的方法,而近年来扩展卡尔曼滤波（extended Kalman filter, EKF）和无轨迹卡尔曼滤波（unscented Kalman filter, UKF）也在定位解算中逐步得到应用。主要研究了UKF算法的改进型RBUKF算法在GPS实时定位解算中的应用。首先建立了滤波模型,并通过分析和调试得到了滤波器参数,最后使用真实卫星数据对算法进行了验证。实验结果表明：RBUKF算法的定位精度优于EKF和ILS,与UKF基本相同,而其计算量小于UKF和EKF。     

基于扩展Kalman滤波的运动目标距离/速度联合估计

通过对高频区运动目标的频域回波模型的分析,提出了一种基于高频区回波频域模型的非成像类参数化高分辨方法。该方法基于扩展卡尔曼滤波理论,通过对所建立的运动目标回波频域模型进行参数估计来获得目标距离高分辨。仿真结果证明,该方法回避了目标运动情况下成像类高分辨方法所必需的距离补偿问题,多散射点情况下在获得各散射点的距离高分辨的同时,可以获得目标运动参数的精确估计。     

基于强跟踪UKF的航天器自主导航间接量测滤波算法

针对广义卡尔曼滤波(extended Kalman filter, EKF)和无迹卡尔曼滤波(unscented Kalman filter, UKF)缺乏对系统异常的在线自适应调整能力、导致滤波器精度降低的问题,提出了一种将强跟踪滤波(strong tracking filter, STF)和UKF相结合的滤波算法,并进一步采用部分状态信息作为间接观测量,同时量测噪声方差阵实时调整,从而避免了对观测方程求取Jacobi矩阵的过程,使滤波器的设计得到简化。将该算法应用于航天器自主导航系统中,仿真结果表明,该算法在系统出现突变或缓变异常时,能够迅速检测出异常,在保证较高估计精度的同时,提高了系统的可靠性。     

基于TOA测量的Tn-R型无源雷达目标跟踪算法

针对传统单次无源定位方法对发射站与接收站的布站要求高的缺点,提出了基于到达时间（time of arrival, TOA）测量的Tⁿ-R型外辐射源雷达目标跟踪算法。该算法基于多个发射站获得的目标TOA测量值,采用Levenberg-Marquardt算法快速给出目标位置,然后利用扩展卡尔曼算法（extended Kalman filter, EKF）做滤波跟踪,解决了基本EKF算法的收敛速度慢和受初值影响大、易发散的问题。针对机动目标跟踪,提出了目标机动性判决方法并给出了一种简化的机动目标跟踪方案。针对外场试验数据的实际情况,采用了基于“两发一收”体制的目标跟踪和消除航迹模糊的方法。仿真与外场数据处理均表明,该算法收敛速度快,性能稳定,定位跟踪精度高,可满足实用要求。     

雷达导引头指向误差对导弹制导的影响与对策

受相控阵天线指向误差和天线罩瞄准误差的共同影响,相控阵雷达导引头存在较严重的指向误差。当指向误差斜率超出一定范围时会造成导弹制导系统出现寄生回路振荡问题,影响系统的稳定性和制导精度,在高空尤为明显。对此,本文通过构建相控阵雷达导引头制导系统模型,分析了导引头指向误差斜率对导弹制导的影响以及产生寄生回路振荡的机理;为消除导引头指向误差斜率对制导的不利影响,在指向误差测量补偿的基础上,又给出了一种多模型扩展卡尔曼滤波的估计方法,对导引头指向误差斜率进行实时估计与补偿。数字仿真结果表明,所提方法能够有效改善导引头指向误差斜率对制导系统的不利影响,提高系统稳定性和制导精度。     

非线性非高斯模型的高斯和滤波算法

通过将模型的状态噪声和观测噪声均表示成高斯和的形式,推导出非线性非高斯状态空间模型的高斯和递推算法,进一步提出了对应的扩展卡尔曼和滤波器（extended Kalman sum filter, EKSF）和高斯厄密特和滤波器（Gauss-Hermite sum filter, GHSF）。EKSF和GHSF分别用扩展卡尔曼滤波器（extended Kalman filter, EKF）和高斯厄密特滤波器（Gauss-Hermite filter, GHF）作为高斯子滤波器。分析的结果表明,现有的高斯和滤波算法是本文算法的特例;仿真结果表明,EKSF和GHSF能有效处理非线性非高斯模型的状态滤波问题,与高斯和粒子滤波器（Gaussian sum particle filter, GSPF）相比,EKSF和GHSF在保证精度的同时,大大降低了计算量,仿真时间分别约为GSPF的5%和6%。