δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture, GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli, VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题, 结合基于临近点算法(proximal point algorithm, PPA)和变分贝叶斯(variational Bayesian, VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering, CKF), 提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma, IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布; 利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新; 最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel, VB-CRTS)平滑。仿真结果表明, 对于量测噪声未知的非线性系统, 所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。     

基于双马尔可夫链的SMC-CBMeMBer滤波

大部分多目标跟踪滤波器都是假设目标及其量测符合隐式马尔可夫链(hidden Markov chain,HMC)模型,而HMC模型隐含的独立性假定在很多实际应用中是无效的,双马尔可夫链(pairwise Markov chain,PMC)模型相对于HMC模型更具有普适性。已有的基于PMC模型的势均衡多目标多伯努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波的高斯混合实现仅适用于线性高斯系统,针对基于PMC模型的非线性多目标跟踪系统,将每一条假设航迹的伯努利随机有限集用一组加权粒子来近似,提出了基于PMC模型的势均衡多目标多伯努利滤波的序贯蒙特卡罗(sequential Monte-Carlo,SMC)方法实现(SMC-PMC-CBMeMBer)滤波。仿真实验结果验证了SMC-PMC-CBMeMBer算法的有效性,在基于PMC模型的非线性多目标跟踪系统中,SMC-PMC-CBMeMBer算法性能优于基于HMC模型的SMC-CBMeMBer滤波器和基于PMC模型的SMC-PHD滤波器。     

基于PHD滤波的相控阵雷达多目标跟踪算法

对于相控阵雷达方向余弦量测,采用扩展卡尔曼概率假设密度(extended Kalman probability hypothesis density, EK PHD)滤波进行多目标跟踪时,存在目标数估计偏高和目标状态估计准确度低的问题。针对上述问题,提出了一种新的多目标跟踪算法——无偏转换量测概率假设密度(unbiased converted measurements PHD, UBCM PHD)滤波算法。该算法采用方向余弦量测下的量测转换方法,保留了更多的量测信息;同时对转换后的量测偏差进行补偿,使量测转换误差的均值、方差准确近似原始量测高斯分布的一、二阶矩。仿真实验表明,所提算法可提高目标数和目标状态估计准确性。     

基于概率数据关联与粒子滤波的多目标跟踪算法

提出一种基于概率数据关联和改进粒子滤波的多目标跟踪算法。该方法在分析关联区域内有效量测基础上,利用量测与目标预测位置的统计距离计算关联概率;然后,对粒子滤波器进行改进,将目标的最新量测和状态的高斯逼近组合在一起,对每个粒子采用类似于卡尔曼滤波的方式产生高斯建议分布。以比提高目标状态的估计精度;最后,将所有有效量测的估计结果按照关联概率进行咖权,从而实现多目标跟踪。仿真结果表明,该算法用于复杂环境下的多目标跟踪精度较高,不仅降低了关联概率的计算难度,而且可以准确地进行数据关联,具有一定的工程应用价值。     

捷联惯导系统初始对准的SVM自适应Kalman滤波算法

作为捷联惯导系统初始对准关键技术的Kalman滤波要求事先精确已知系统及量测噪声的统计特性,当在滤波过程中这些特性改变时,滤波器性能将会降低甚至发散,针对这一问题采用了一种支持向量机(SVM)自适应Kalman滤波(SVMAKF)算法,根据协方差匹配技术应用支持向量机来动态调谐量测噪声方差阵R,当量测噪声随时间改变时,SVMAKF可以实时的估计出准确的噪声方差阵,这就降低了系统对量测噪声先验统计特性的依赖性,能够改善kalman滤波器的状态估计效果.基于SVMAKF的捷联惯导系统初始对准计算机仿真结果表明在滤波精度和滤波器鲁棒性上,SVMAKF都有比传统Kalman滤波器好的表现.     

基于卷积粒子滤波的交互式多模型算法

针对噪声分布未知环境下的非线性目标跟踪,提出了基于卷积粒子滤波的交互式多模型算法。该算法利用卷积粒子滤波器并行地运行多个模型,对前一时刻每个模型的状态后验概率密度进行交互,从交互后的概率密度中采样作为当前时刻滤波器的初始粒子,对当前时刻每个模型的状态后验概率密度进行加权作为系统输出。与基于粒子滤波的交互式多模型算法相比,算法消除了对量测噪声分布的依赖,提高了效费比,理论分析和仿真结果证明了该算法的有效性。     

基于自适应扩展H∞滤波的机动目标被动跟踪

为提高对机动目标的跟踪效果,提出了一种基于扩展H_∞滤波的自适应交互多模多被动传感器机动目标跟踪算法。利用简化的Sage-Husa自适应滤波器与交互多模相结合,对多被动传感器测得的目标角度信息进行融合,解决了被动式跟踪系统的可观测性及非线性问题,将扩展H_∞滤波器作为模型条件滤波器,通过调节扩展H_∞滤波器参数和量测噪声预测协方差矩阵,增强了对外界干扰的鲁棒性。仿真结果表明,所提算法比扩展卡尔曼滤波交互多模算法和标准交互多模算法具有更高的跟踪性能,在多站被动红外搜索与跟踪中是一种有效的跟踪算法。     

抗“飞点”的UKF GMPCPHD滤波算法

为实现被动测角目标状态和数目的实时估计,在高斯混合粒子（Gaussian mixture particle, GMP）的势化概率假设密度(cardinalized probability hypothesis density, CPHD) 滤波框架下,提出了基于抗“飞点”无迹卡尔曼滤波器（unscented Kalman filter, UKF）的GMPCPHD滤波算法,即抗“飞点”的UKF GMPCPHD滤波算法。在该算法中,粒子滤波的重要性采样函数由抗“飞点”UKF产生,粒子的预测与更新采用拟蒙特卡罗(quasi Monte Carlo, QMC)方式,目标状态的概率假设密度（probability hypothesis density, PHD）和势分布用一组高斯粒子滤波器（Gaussian particle filtering, GPF）近似。通过该算法与GMPCPHD、UKF-GMPPHD滤波算法的对比仿真,验证了该算法良好的跟踪性能。     

基于量测转换序贯滤波的GMPHD机动目标跟踪

针对多普勒雷达杂波环境下的多机动目标跟踪, 提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性, 将位置量测进行无偏量测转换, 将多普勒量测进行去偏量测转换, 并通过序贯滤波方式提高跟踪精度。针对多目标的机动性, 在高斯混合概率假设密度(Gaussian mixture probability hypothesis density, GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示, 所提算法可以在杂波环境中实现有效的机动多目标跟踪, 与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%, 而且大大改善了算法效率; 与无迹卡尔曼最适高斯近似GMPHD相比, 在效率上有小幅度的增加, 且跟踪精度提升了36.47%。     

改进的Sage-Husa自适应滤波及其应用

为防止滤波发散和提高系统的实时性,提出了一种基于协方差匹配技术的自适应滤波方法。该方法将协方差匹配技术和一种简化的Sage-Husa自适应滤波算法相结合,通过滤波的状态确定量测噪声协方差阵的值,在线估计噪声的统计特性实现自适应滤波。将该算法应用到惯导/双星（INS/DS）组合导航系统中,并和简化的Sage-Husa自适应滤波算法进行仿真比较。仿真结果表明,在滤波精度相当的情况下,新算法简化了运算,提高了实时性。     

条件线性高斯模型的Gauss Hermite filter-Kalman filter算法

针对条件线性高斯状态空间模型,提出了高斯厄密特滤波-卡尔曼滤波(Gauss Hermite filter-Kalmanfilter,GHF-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,由GHF获得非线性状态的估计;再将非线性状态的估计均值代入线性状态方程与观测方程,由KF获得线性状态的估计;获得的非线性状态估计方差还用于修正由KF估计的线性状态,以提高精度。将GHF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器RBPF相比,新方法在保证估计精度的同时,明显提高了实时性,计算时间仅约为RBPF的5%。     

IAE-adaptive Kalman filter for INS/GPS integrated navigation system

1 .INTRODUCTIONInertial navigation system(INS) and Global posi-tioning system ( GPS) are two major navigationsystems now widely usedfor marine applications a-round the world. Considering both systems pos-sess complementary working characteristics , abooming attention is focused on finding effectivemethods to combine the two different systems toconstituteintegrated navigation system with higheraccuracy and better performance .Information likeGPS position and velocity are often chosen as…     

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%.     

一种改进的自适应平方根传递对准滤波算法

提出了一种解决时变噪声条件下传递对准的改进自适应平方根滤波算法。该算法将状态方差调节因子阵、自适应调节的系统噪声和量测噪声方差以及噪声有限记忆尺度融入平方根滤波结构中,采用序列算法滤波解算。算法通过一步控制和多步自适应调节过程,以较少的计算量从数值计算、噪声抑制及自适应调节方面提高滤波性能。仿真结果表明,该算法滤波稳定性强,能够根据实际噪声快速调整,且滤波精度高,为机载导弹提供了一种有效的快速精确传递对准方法。     

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。     

抗差自适应UKF算法在地基光学跟踪空间目标中的应用

滤波过程中若噪声的统计特性发生时变,则会引起传统无迹卡尔曼滤波(unscented Kalman filter,UKF)的滤波精度快速降低、滤波收敛性不定甚至发散,针对这个问题提出了具有鲁棒性的UKF算法。首先根据极大后验估计(maximum a posterior estimate,MAPE)原理,推导出无偏的近似最优MAPE常值噪声统计特性的滤波估计公式,并给出了时变噪声统计估计器相关参数的一整套递推公式。考虑到观测数据粗差的存在,将可以在线估计时变噪声特性的方法和具有鲁棒特性的滤波因子相结合,以有效抑制观测数据的粗差值对滤波稳定性和收敛性的影响。最后,以地面站对空间非合作目标的光学测角跟踪为应用背景的仿真实例表明,该算法在噪声统计特性未知或不准确且过程噪声矩阵时变、观测数据存在个别粗差情况下,滤波依然收敛,其滤波精度及稳定性提高较为明显。     

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...