基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。     

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IMM的高动态GPS接收机载波跟踪算法

利用交互式多模型的带宽自适应调整特性实现了高动态与静态环境下通用的GPS信号载波跟踪算法。仿真结果表明,该算法在保证满足高动态GPS信号载波跟踪要求的前提下,降低了静态时的频率跟踪误差,避免了不同动态环境下多个载波跟踪算法及切换方案的设计。     

高动态GPS载波跟踪算法研究

为了寻求更好的高动态GPS载波跟踪解决方案,设计了适于高动态环境的基于参数估计的载波跟踪环路,分析了高动态GPS载波跟踪系统模型,比较了EKF、UKF和PF三种滤波算法的参数估计性能。在此基础上,完成了基于EKF、UKF和PF的载波跟踪环路的设计,并以JPL提出的高动态模型为例进行仿真验证。仿真结果表明,虽然这三种算法均能实现对高动态信号的精确跟踪,但总体而言,基于PF的载波跟踪环路具有更好的动态适应能力。另外,鉴于高动态GPS接收机应用场合的特殊性,又对PF滤波算法在非线性、非高斯GPS载波系统的假设下进行了仿真验证,结果显示了应用粒子滤波算法解决非高斯噪声干扰载波跟踪问题的可行性。     

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。     

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。     

高动态GPS/INS组合导航算法研究

首先介绍了新型深组合GPS/INS系统原理图及组合导航滤波算法。在该算法中，组合卡尔曼滤波器除完成INS误差及GPS接收机时钟误差的估计外，还参与了GPS码跟踪，即完成传统码跟踪环中环路滤波器的功能。采用自适应码跟踪误差估计器补偿组合卡尔曼滤波器测量值中的相关分量，从而消除了传统组合中不稳定的主要根源。然后进行了计算机仿真计算，仿真结果表明，新型深组合GPS/INS导航算法适用于机动性较高的载体。     

动态时空异常感知的相关滤波目标跟踪算法

针对背景感知算法未与目标的时空域特性建立联系,以及无法准确处理遮挡、形变等异常跟踪情况的问题,提出了能够动态感知时空异常的目标跟踪算法。在相关滤波器训练过程中引入动态空间正则项,使其与样本的时空域特性建立联系;结合响应图的峰值唯一性和锐利信息,提出异常感知方法;利用历史滤波器具有不同置信度的特点以及目标在时域中的连续性,通过异常感知方法自适应选择高置信度的历史滤波器作为时间正则化的参考模板,降低滤波器退化的风险。在OTB50、OTB100和TC128测试基准上进行仿真实验,该算法能够适应外观变化、画面杂乱等复杂条件下的跟踪任务,具有较强的鲁棒性和实用性。     

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。     

动态环境下GPS软件接收机研究

载体的动态性所引入的多普勒频移给GPS接收机的载波跟踪带来了很大的困难。首先介绍了GPS软件接收机捕获与跟踪策略,提出了一种新的基于模糊逻辑控制器和三阶锁相环的动态载波跟踪方案,分析了模糊逻辑控制器的设计原理,推导了适合软件实现的三阶锁相环的数字形式。实验结果证明提出的设计方法与传统环路相比可大幅度缩短载波跟踪时间,减小环路滤波器带宽,并能消除周跳。     

高动态跳频载波跟踪技术

在无人机或导弹等高速运动目标间建立稳定、可靠的通信链路,需要突破高动态下的载波跟踪技术,考虑跳频通信系统的突发传输模式,本文提出基于开环最大似然估计(maximum likelihood estimation,MLE)和扩展卡尔曼滤波跟踪算法的高动态载波信号跟踪技术.通过理论和仿真分析证实了该算法可有效克服传统环路的缺...     

基于卡尔曼滤波的锁频环改进算法

为了在树荫下、建筑物内等受遮挡的环境中实现对弱信号的跟踪,需要对传统的载波环路加以改进。提出一种基于卡尔曼滤波的锁频环(frequency lock loop, FLL)改进算法,在传统FLL的鉴频器与环路滤波器中间加入卡尔曼滤波模块,并在环路滤波器和卡尔曼滤波模块之间加入数据处理模块。在相同条件下,分别对传统FLL和改进后FLL进行仿真测试。实验表明,改进后的FLL不仅能跟上信噪比低至-30 dB的信号,且在跟踪精度上也比传统FLL提高很多。     

基于平方根UKF的多传感器融合跟踪

为了提高融合算法的精度,将UKF(Unscented Kalman Filter)算法与多传感器顺序滤波融合跟踪算法相结合,提出了基于UKF的多传感器序贯融合算法.UKF算法利用非线性方程自身的传播,估计系统状态,避免了对非线性方程线性化的过程.顺序滤波融合算法用同一时刻的量测依次更新状态,计算复杂性低.仿真结果表明,UKF顺序滤波融合跟踪算法比传统的扩展卡尔曼滤波(EKF)算法有更高的跟踪性能,是一种有效的非线性融合算法.     

高分辨距离像辅助的机动目标跟踪算法

宽带相控阵雷达可以获得高分辨距离像,利用此特征获取目标的姿态角成为了一种可能,基于此提出了一种新的机动目标跟踪算法,充分利用高分辨距离像特征,实时估计目标姿态角,并将姿态角信息融合到雷达的量测方程,本文结合先进的非线性滤波算法,提出了利用姿态角的交互多模型不敏卡尔曼滤波算法。通过计算机仿真表明,利用目标姿态角的机动目标跟踪算法相比传统算法目标跟踪精度(位置精度和速度精度)得到很大提高。同时姿态角误差越小,目标跟踪性能越好。     

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.     

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SCKF的光电跟瞄系统等效复合控制

由于高能激光武器独特的毁伤机理要求其光电跟踪瞄准系统的控制精度达到微弧度级,因此由跟踪目标加速度带来的跟踪误差已不可忽略。提出了一种速度与加速度前馈补偿以提高光电跟瞄系统跟踪精度的方法,推导了该系统加速度前馈补偿的误差系数。为获得高精度的目标运动要素,应用平方根容积卡尔曼滤波(square〖JP3〗 root cubature Kalman filter, SCKF)算法对目标进行滤波预测。在建立的等效复合控制系统中进行仿真实验,结果表明,基于SCKF前馈补偿方法相对于基于常用非线性卡尔曼滤波算法的前馈补偿方法,精度得到大幅提高。     

利用方向角信息辅助雷达目标跟踪

传统雷达仅能提供目标的方位和距离量测,由于可利用的信息相对较少,跟踪精度很难进一步提高。利用现代雷达的高分辨探测能力,提出了一种基于距离像识别信息辅助目标跟踪的模型,并结合求根不敏卡尔曼滤波技术得到了一种高性能跟踪算法。该算法根据距离像识别结果得到目标方向角的测量,进而通过增加观测量的维数来提高目标的跟踪能力。不同条件下的仿真结果表明,利用方向角信息辅助的跟踪算法收敛速度快,跟踪精度高,且复杂度与传统算法相当。