基于自适应MEDLL的伪卫星室内多径估计算法

在室内环境下，室内伪卫星定位系统受多径效应影响严重。针对该问题，提出一种基于自适应多径估计延迟锁定环路(multipath estimating delay lock loop, MEDLL)的伪卫星室内多径估计算法。该算法在MEDLL的基础上增加了一个参考相关器，用参考相关器相关值的标准差作为衡量标准，与其他相关器经过MEDLL算法消除所有信号后的噪声相关值的标准差进行比较，进而得到多径条数。实验结果表明，所提算法对不同时延、幅值的多径适应性都较好，在低信噪比条件下仍能正确估计多径条数。直射信号幅值估计误差均方根相比网格化MEDLL算法最高可以降低59%,相比Teager-Kaiser(TK)-MEDLL算法最高可以降低43%,更加适用于伪卫星室内定位系统抗多径。     

DS/SS通信系统多个窄带干扰消除算法研究

首先提出了一种基于WPT Kalman的干扰分离、增强和消除算法。该算估采用小波包变换 (WPT)准确地跟踪单个干扰的频率和带宽并将其从接收信号中分离出来 ,然后对其使用Kalman滤波进行增强。利用干扰分离所使用的小波包基对消除干扰以后的信号进行再次WPT ,得到单个干扰的量测噪声 ,并采用一种独特的参数估计方法实现量测噪声参数的在线实时估计 ,从而改善了Kalman滤波对干扰信号波形的估计性能。该方法综合利用了WPT自适应构建信号特性所对应的“最佳”滤波器组的能力和Kalman滤波对未知信号的线性的、无偏的、最小方差估计的特点以及量测噪声参数在线实时估计策略的优点 ,可以很好地恢复多个独立的、时变的窄带干扰以便消除。仿真结果表明 ,该算法可以提高DS/SS通信系统抗窄带干扰的能力     

一类相关噪声下离散线性系统的递推状态估计

已有的相关噪声情况下,离散线性系统的递推状态估计算法大多假定系统噪声和量测噪声在同一时刻相关,通过对系统噪声和量测噪声相互独立的连续线性系统的采样离散化,发现离散化后的系统相邻时刻的系统噪声和量测噪声相关。在线性无偏最小方差估计准则下,推导出了该离散化后所得系统的全局最优递推状态估计算法。通过Monte Carlo仿真,与假定系统噪声和量测噪声互不相关的Kalman滤波算法进行了比较,进一步表明了新算法的有效性。     

基于贝叶斯估计噪声相关下的CKF设计

针对常规容积卡尔曼滤波(cubature Kalman filter, CKF)要求系统噪声和量测噪声必须互不相关的局限性,提出了一种带相关噪声的非线性离散系统CKF设计方法。基于贝叶斯估计准则,给出了系统噪声和量测噪声相关时CKF滤波递推公式,并采用三阶球面-相径容积规则来近似计算系统状态的后验均值和协方差。当系统噪声和量测噪声相关时,常规CKF不适用,本文设计的噪声相关下的CKF可以有效地对状态进行估计,拓展了CKF的应用范围。数值仿真验证了算法的有效性。     

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。     

基于互协方差稀疏重构的MIMO雷达低仰角估计算法

针对低空目标仰角估计时, 多径信号间的混叠严重影响雷达的测角性能的问题, 基于压缩感知理论的波达方向(direction of arrival, DOA)估计算法与多输入多输出(multi-input and multi-output, MIMO)雷达体制结合起来共同进行低空目标DOA估计的研究, 提出了一种基于互协方差矩阵稀疏重构的MIMO雷达低空目标DOA估计算法。首先, 对MIMO雷达多径接收信号广义匹配滤波后的虚拟矩阵向量化处理, 并针对向量化后虚拟孔径扩展带来运算量大的缺点, 通过降维处理来减少运算量; 然后利用多快拍数互协方差矩阵中的噪声独立不相关的优点, 降低噪声影响, 提高算法估计性能; 最后转化为凸优化问题进行稀疏恢复。仿真结果表明算法在直达信号与多径反射信号相互削弱的情况下, 仍能有效估计低空目标的仰角, 较L1-SVD和L1-SRACV算法对低空目标具有更好的仰角估计性能。     

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.     

基于循环前缀的MIMO-OFDM改进信道估计算法

多输入多输出正交频分复用(multiple input multiple output-orthogonal frequency division multiplexing, MIMO-OFDM)系统中,为提升最小二乘(least squares, LS)信道估计算法的估计精度,可以利用离散傅里叶变换(discrete Fourier transform, DFT)算法对LS算法进行改进,然而,DFT算法对最大时延内的噪声未作处理,因此算法的估计精度仍易受噪声影响。针对这一不足,本文提出基于循环前缀(cyclic prefix,CP)的改进DFT信道估计算法。该算法以CP的长度为标准,对CP长度外的信道系数置零,对CP长度内的信道系数设置门限值,将模值小于门限值的信道系数置零。理论分析和仿真结果表明,改进算法中噪声被有效抑制,估计算法的精度得到提高。     

基于冗余量测的GNSS多路径误差抑制算法

针对惯性/卫星组合导航系统中,全球卫星导航系统(global navigation satellite system,GNSS)量测受多径效应影响的问题,提出了一种基于冗余量测的GNSS多径误差抑制方案。该方案包含了一个基于量测新息的GNSS多径误差卡方检验器和一个自适应Kalman滤波器。首先,通过卡方检验来判断量测新息零均值的特性丧失与否以检测GNSS量测中的多径误差。当检测到量测中存在多径误差时,自适应滤波器根据惯性导航系统的冗余量测估计出当前GNSS测量噪声协方差阵,以合理调节量测权重,增强滤波性能。最后,通过仿真与实际跑车试验,验证了该方案能够有效抑制GNSS多径误差,提高了导航精度。     

基于极大似然准则与滚动时域估计的自适应UKF算法

针对无迹卡尔曼滤波(unscented Kalman filter, UKF)在系统噪声统计特性未知或不准确的情况下滤波精度降低甚至发散的问题,提出一种基于极大似然准则与滚动时域估计的自适应UKF算法。首先根据极大似然准则构造关于系统噪声统计的估计模型;然后引入滚动时域策略对所提模型进行优化;最后采用序列二次规划方法求取噪声统计的估计值,得到带有噪声统计估计器的自适应UKF。提出的算法可以实现系统噪声统计的在线估计,克服了标准UKF的缺陷。通过惯性导航/全球定位系统(inertial navigation system/global positioning system, INS/GPS)组合导航系统中的应用实例,验证了提出算法的有效性。     

Lattice structure adaptive IIR notch filter based on least square kurtosis

A new variable step-size algorithm for a second-order lattice form structure adaptive infinite impulse response (IIR) notch filter to detection and estimation frequency of sinusoids in Gaussian noises is proposed. Utilizing least square kurtosis of output signals as a cost function, the new gradient-based algorithm to update frequency of the adaptive IIR notch filter and the new variable step-size algorithm are given. The computer simulation results show that the proposed algorithm has better ability in suppressing colored Gaussian noises and better accuracy in estimating parameters at low SNR than previous algorithms.     

一种GPS信号码片内多径时延估计算法

针对全球定位系统(global position system, GPS)中延迟差小于一个C/A码片的多径时延估计问题,提出一种基于约束增量维纳滤波的多径时延估计算法。该算法利用GPS信号C/A码延时先验估计,对多径冲激信道时延估计值和衰减系数估计值进行区间约束和幅度约束,并将约束条件应用到增量维纳滤波的迭代过程中,从而实现码片内多径时延的估计。理论分析和仿真结果表明,此算法具有时空复杂度低、收敛快,在低信噪比条件下有较高的分辨率等优点。     

角闪烁噪声下的高斯和容积卡尔曼滤波算法

开展角闪烁噪声下的目标跟踪问题研究对提高传感器的探测性能具有重要意义,其中角闪烁噪声具有的非高斯特性是一个长期困扰研究者的难点。针对该问题,首先通过理论分析指出了容积粒子滤波(cubature particle filter,CPF)在角闪烁噪声下的性能缺陷。其次,基于高斯和滤波(Gaussian sum filter,GSF)框架和容积卡尔曼滤波(cubature Kalman filter,CKF)算法,提出了适用于角闪烁下的高斯和容积卡尔曼滤波(Gaussian sum cubature Kalman filter,GSCKF)算法,该算法将目标后验概率密度用高斯密度加权求和近似,通过多路并行的CKF实现状态预测与量测更新,同时利用模型降阶算法限制高斯分量数目的增长,能应用于非线性、非高斯条件的状态估计。最后,设计了仿真实验对GSCKF和CPF的跟踪精度、鲁棒性和计算复杂度进行了对比。     

基于卡尔曼滤波的在线量子态估计优化算法

针对连续弱测量中存在高斯测量噪声的问题, 提出一种基于卡尔曼滤波的在线量子状态估计的预测-修正-投影优化算法。首先，在常规在线卡尔曼滤波算法预测状态时间更新和估计状态测量更新的基础上, 通过增加对量子态的约束条件, 将其应用于在线的量子状态估计中, 将量子态在线估计问题转化为一个带有量子态约束条件的卡尔曼滤波优化问题。其次，通过将待优化问题的求解分解成两个凸优化子问题，一个是基于在线卡尔曼滤波算法求解无约束条件下的量子测量更新问题, 另一个是利用量子约束条件信息, 通过求解矩阵投影问题来获得估计状态。最后，将所提算法应用到4量子位系统状态的在线估计数值实验中, 进行了性能对比实验。实验结果表明, 所提算法具有更优的在线状态估计精度, 并且能够以更少的采样次数和耗时, 实现较高精度的量子状态在线估计。     

机动目标跟踪的斯-厄米特粒子滤波算法

闪烁噪声环境下的机动目标跟踪实质上是一个非线性非高斯系统滤波问题,为了提高跟踪精度,应用高斯-厄米特滤波方法来产生粒子滤波器(PF)的重要密度函数,解决了PF算法的粒子退化问题,并给出了基于高斯-厄米特粒子滤波器(GHPF)的闪烁噪声机动目标跟踪算法。仿真结果表明,各种PF算法对闪烁噪声机动目标的跟踪精度远远好于卡尔曼滤波方法;同时GHPF不仅提高了估计精度,而且减少了粒子数目,降低了算法的复杂度,因此其综合性能要好于其他PF算法,具有较高的跟踪精度和较好的实时性。     

GMSK+PN信号信噪比估计

针对数传、测距一体化的调制方式高斯最小频移键控复合伪码测距(Gaussian minimum shift keying+pseudo-noise, GMSK+PN)信号的信噪比估计,提出了一种精度较高、复杂度较低的快速算法。该算法采用层状结构分解的方式,将信号分解为若干信号单元,对每一个分解的信号单元进行功率分配计算或信噪比估计,最后快速准确地计算出整个信号的信噪比。信噪比在 1~13 dB之间时,估计误差小于0.5 dB。利用Simulink仿真工具,验证了该算法的有效性。     

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。     

联合高斯回归的平方根UKF方法

针对传统的滤波方法容易受系统动态模型不确定性和噪声协方差不准确的限制这一问题,提出一种将高斯过程回归融入平方根不敏卡尔曼滤波（unscented Kalam filter,UKF）算法中的滤波算法。该算法用高斯过程对训练数据进行学习,得到动态系统的回归模型及系统噪声的协方差;采用标准的平方根UKF算法,状态方程和观测方程,相应的噪声协方差由高斯过程实时自适应调整。将应用于飞行器SINS/GPS组合导航,结果表明,该方法能够自适应系统噪声,收敛速度快,导航精度高。     

基于噪声功率估计的FMT时域信道估计

利用PN码的循环相关性进行信道估计时,其估计值是有偏的,并且在低信噪比下受信道噪声的影响大。鉴于此,提出了基于信道噪声功率估计的FMT无偏信道估计算法,利用估计值数据特点,完全消除了残余直流偏置,同时在接收端利用导频序列估计信道噪声功率,根据路径信噪比选择出受噪声干扰大而能量贡献小的多径分量并将其置零,降低了信道噪声对估计精度的影响,改善了信道估计性能。