面向跟踪任务需求的主动传感器调度方法

以多传感器多目标跟踪为背景,针对跟踪任务需求中辐射风险控制问题,提出一种面向跟踪任务需求的主动传感器调度方法。该方法首先结合不敏卡尔曼滤波,给出了仅考虑跟踪任务需求的传感器调度策略;然后建立基于部分可观马尔可夫决策过程的辐射模型,并采用隐马尔可夫模型滤波器动态更新传感器辐射;最后考虑跟踪任务需求和传感器约束,将辐射风险控制下传感器调度问题转化为非线性约束下寻优问题。仿真实验结果验证了所提方法有效性。     

基于无迹粒子PHD滤波的序贯融合算法

针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波（particle probability hypothesis density filter, P-PHDF）算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波（unscented particle PHDF, UP-PHDF）的序贯融合算法。利用无迹粒子滤波（unscented particle filter, UPF）实现PHDF,由UKF算法得到更好更优的重要性密度函数并从中采样,使粒子的分布更接近多目标概率假设密度分布;另外,为进一步提高滤波算法的性能,实现基于雷达和红外传感器的UP-PHDF序贯融合算法,通过两传感器交替滤波保证目标状态的可观测性。在复杂环境下,仿真结果表明该算法的估计精度和稳定性明显优于单传感器P-PHDF算法。     

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。     

修正并行式多传感器不敏多假设跟踪算法

为了有效解决非线性系统中的多传感器多目标跟踪问题,提出了一种修正并行式多传感器不敏多假设滤波算法。算法运用概率数据互联的思想对各传感器的估计量进行概率加权,克服了并行式多传感器算法的误差积累现象,得到了一种修正的多传感器并行式算法。各传感器中量测点迹与航迹的数据互联问题通过多假设方法予以解决,并通过不敏卡尔曼滤波器完成非线性系统中的目标跟踪。仿真结果表明,从跟踪精度及稳定性方面看,所提出的算法性能要优于MSJPDA/EKF算法。     

基于UKF的单站无源定位与跟踪双向预测滤波算法

提出了一种新的滤波算法,以加快滤波算法的收敛速度和提高滤波的估计精度。反向预测与更新提高了上一时刻状态估计的精度,减小了当前时刻的状态预测误差。利用更准确的初始条件经过正向预测与更新,能得到当前状态更精确的估计值。计算机仿真结果表明,本算法的滤波性能优于传统的迭代滤波算法,既提高了滤波的估计精度,又加快了算法的收敛速度。     

基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题, 提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上, 使用三阶容积原则推导了状态预测公式, 并使用M-M方法实现状态的量测更新, 构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中, 仿真结果表明, 基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后, 分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响, 验证了所提算法的鲁棒性。     

基于容积卡尔曼的粒子PHD多目标跟踪算法

标准粒子概率假设密度(standard particle probability hypothesis density, SP-PHD)滤波在预测粒子状态时没有考虑最新的观测信息,因而存在估计精度较低、粒子退化严重的问题,针对上述问题,提出基于容积卡尔曼的粒子概率假设密度(cubature Kalman particle probability hypothesis density, CP-PHD)滤波算法,该算法基于球面-径向容积数值积分准则,利用容积卡尔曼滤波(cubature Kalman filter, CKF)产生建议密度函数,并对其进行采样得到当前时刻的粒子状态,从而使粒子分布更接近于真实的多目标后验概率密度函数。同时,CP-PHD算法性能不受目标状态维数影响,与无迹卡尔曼粒子概率假设密度(unscented Kalman particle probability hypothesis density, UP-PHD)滤波相比,具有更强适应性和更好的跟踪性能。实验结果表明,CP-PHD算法的跟踪精度优于SP-PHD和UP-PHD。     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

跟踪弹道目标的几种次最优滤波器

研究了通过雷达观测跟踪重返大气层阶段的弹道目标问题。考虑了一种状态方程和量测方程都具有高度非线性的数学模型并推导出估计误差的理论Cramer-Rao低界。我们设计了三种次最优滤波器并将其滤波性能和Cramer-Rao低界进行了比较。除了在非线性滤波中经常采用的EKF和UKF之外，提出了一种结合传统卡尔曼滤波和简化点Unscented变换的滤波器，仿真结果表明，新滤波器在精度和计算复杂性上均有良好表现。     

基于固定滞后滤波平滑的弹道重构算法

为有效利用雷达测量的飞行数据进行弹箭的实际弹道重构,建立了弹道重构需要的状态方程和量测方程,考虑模型的非线性和重构状态非高斯分布的可能性,结合Bootstrap粒子滤波给出一种一步固定滞后滤波平滑算法的实现,并将其作为弹道重构的估计工具。算例仿真表明,相比于Bootstrap粒子滤波和无迹卡尔曼滤波,该Monte Carlo平滑算法可以进一步提高估计的精度,为弹道重构提供一种新的有效工具。     

UPF based autonomous navigation scheme for deep space probe

The autonomous ＂celestial navigation scheme＂ for deep space probe departing from the earth and the autonomous ＂optical navigation scheme＂ for encountering object celestial body are presented. Then, aiming at the conditions that large initial estimation errors and non-Gaussian distribution of state or measurement errors may exist in orbit determination process of the two phases, UPF （unscented particle filter） is introduced into the navigation schemes. By tackling nonlinear and non-Gaussian problems, UPF overcomes the accuracy influence brought by the traditional EKF （extended Kalman filter）, UKF （unscented Kalman filter）, and PF （particle filter） schemes in approximate treatment to nonlinear and non-Gaussian state model and measurement model. The numerical simulations demonstrate the feasibility and higher accuracy of the UPF navigation scheme.     

基于迭代无迹卡尔曼滤波的SLAM算法仿真研究

对迭代无迹卡尔曼滤波算法在SLAM问题中的应用进行仿真研究。通过仿真分析发现,与一般的无迹卡尔曼滤波算法相比,迭代的算法有时无法提高SLAM的精度,继而探讨了SLAM问题中选择采用迭代算法的条件;同时针对迭代算法的观测更新阶段,用阻尼的高斯-牛顿迭代方法改进完全高斯-牛顿迭代方法,从而提出一种改进的基于迭代无迹卡尔曼滤波的SLAM算法。仿真实验对提出的迭代条件进行了验证,仿真结果表明提出的SLAM算法与无迹卡尔曼滤波算法相比,可以进一步提高SLAM问题的估计精度。     

EM算法在Wiener过程随机参数的超参数值估计中的应用

Wiener过程广泛用于产品的性能退化建模,为了便于Bayesian统计推断大都采用随机参数的共轭先验分布。针对目前的二步法得到的超参数先验估计值精度不高的问题,研究了最大期望(expectation maximization,EM)算法在Wiener过程超参数先验估计中的应用。EM算法将随机参数作为隐含变量对先验信息进行整体处理,利用随机参数的期望值代替其估计值,通过Expectation和Maximization组成的递归迭代过程寻找超参数的估计值。仿真实验表明,EM算法相比于二步法提高了估计精度,特别是在采样数量较少时EM算法具有较大的精度优势。GaAs激光器实例应用表明EM算法不但具备很好的收敛性而且有良好的工程应用价值。     

基于UKF的低成本SINS/GPS组合导航系统滤波算法

针对MIMU的精度不高,会带来较大的初始对准误差角,如果继续采用传统的小干扰线性方程就会给滤波带来很大误差,甚至发散。针对这个问题,对低成本SINS/GPS组合导航系统建立了基于四元数误差模型的非线性滤波方程,并采用了UKF非线性滤波方法。针对四元数误差模型单纯使用UKF方法无法估计加计零偏和陀螺漂移的问题,提出将UKF和EKF相结合的算法,仿真结果表明,比起扩展卡尔曼滤波以及采用传统小干扰线性方程的卡尔曼滤波,这种方法能够提高姿态误差角特别是方位误差角的估计精度。     

Optimization-based particle filter for state and parameter estimation

In recent years, the theory of particle filter has been developed and widely used for state and parameter estimation in nonlinear/non-Gaussian systems. Choosing good importance density is a critical issue in particle filter design. In order to improve the approximation of posterior distribution, this paper provides an optimization-based algorithm (the steepest descent method) to generate the proposal distribution and then sample particles from the distribution. This algorithm is applied in 1-D case, and the simulation results show that the proposed particle filter performs better than the extended Kalman filter (EKF), the standard particle filter (PF), the extended Kalman particle filter (PF-EKF) and the unscented particle filter (UPF) both in efficiency and in estimation precision.     

基于自适应的单形采样UKF组合导航算法

在SINS/GPS组合导航系统中,传统的无迹卡尔曼滤波 (unscented Kalman filter,UKF)采用对称采样无迹变换(unscented transform,UT),计算量大,而且采样点到中心点的距离会随着状态维数的增加而增大,产生采样的非局部效应。针对以上问题,利用最小偏度单形采样策略降低UKF计算量以提高系统的实时性,采用比例UT变换来解决采样过程中的非局部效应,通过自适应调整比例因子来提高UKF的估计精度。由此引入了一种改进的UKF算法——自适应比例无迹卡尔曼滤波(adaptive scaled unscented Kalman filter, ASUKF)用于SINS/GPS组合导航系统中。仿真结果表明,这种方法计算量小且精度较高。     

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.     

基于比例加速退化建模的单台机载设备剩余寿命自适应预测

针对现有机载设备剩余寿命(remaining useful lifetime, RUL)预测方法在新研单一样本条件下, 无法应用于加速退化试验场景的问题, 本文基于比例关系模型提出了一种加速退化场景下适用于单个试验样本的自适应RUL预测方法。首先, 依据加速退化环境下Wiener过程存在的漂移/扩散系数比例关系, 构建考虑设备个体差异与测量误差的非线性随机退化模型; 其次, 针对加速退化试验存在单一受试样本的情况, 提出了基于期望最大和卡尔曼滤波联合算法的参数自适应估计方法; 然后, 基于卡尔曼滤波原理在线更新目标设备的退化状态, 并推导出设备剩余寿命的概率密度函数; 最后, 通过对单台行波管加速退化实测数据进行分析, 验证了方法的正确性和优势。     

基于IUPF算法的三维无人机毫米波波束跟踪

由于无人机毫米波通信技术具有高速数据传输和广域网络覆盖能力, 因此在军用和民用领域中拥有广阔的应用前景。针对无人机毫米波通信需要进行精确的波束跟踪这一问题, 提出一种基于改进无迹卡尔曼粒子滤波算法的三维波束跟踪方法。该方法首先利用无迹卡尔曼滤波建立建议密度函数并更新采样粒子; 然后计算每一个采样粒子的权值, 并在归一化后再次对粒子进行重采样; 最后计算粒子均值, 得到波束跟踪角度。仿真结果表明, 该方法相较于以往毫米波波束跟踪方法大大降低了估计误差, 显著提高了波束的跟踪精度。     

多重渐消因子强跟踪SCKF及其在#br# 故障参数估计中的应用

针对非线性系统中不可观测故障参数估计问题,提出基于多重渐消因子强跟踪平方根容积卡尔曼滤波（multiple fading factors strong tracking square-root cubature Kalman filter, MSTSCKF）的状态和参数联合滤波算法。MSTSCKF基于强跟踪滤波器理论框架,通过引入多重渐消因子实时调整增益矩阵,克服平方根容积卡尔曼滤波（square-root cubature Kalman filter, SCKF）在故障参数变化函数未知或者突变时滤波精度下降甚至发散的缺点,并兼具SCKF在非线性拟合精度和数值稳定性等方面的优点。仿真结果表明,相比SCKF和强跟踪无迹卡尔曼滤波（unscented Kalman filter, UKF）,本文提出的方法具有更高的估计精度。