基于平方根UKF的多传感器融合再入段目标跟踪研究

为了提高再入段目标跟踪的精度,将平方根不敏卡尔曼滤波（unscented Kalman filter, UKF）算法与多传感器分布式融合算法相结合,提出了基于平方根UKF的多传感器融合跟踪算法。在各个独立的传感器中利用平方根UKF滤波器进行状态估计,然后通过分布式融合方法融合各传感器的状态估计值得到全局的状态估计值和误差协方差,将全局误差协方差进行加权对各传感器进行分配更新。通过仿真验证,基于平方根UKF的多传感器融合跟踪算法具有较高的跟踪性能,是一种有效的非线性融合跟踪算法。     

多被动传感器UKF与EKF算法的应用与比较

针对多被动传感器条件下的目标跟踪问题,给出了推广卡尔曼滤波在多被动传感器条件下的具体算法;考虑到多被动传感器目标跟踪需要解决观测非线性的问题,故而将用于非线性系统的基于UT变换的UKF算法应用于所讨论的跟踪问题中,采用检测融合方案,将多个被动传感器的角度观测组合成量测向量,推导了多被动传感器的UKF滤波算法,实现了对目标在三维空间中的全被动跟踪.将两种算法进行了仿真比较,结果表明,采用多被动传感器的UKF算法可以获得比传统的推广卡尔曼滤波算法更为精确的跟踪效果.     

基于UKF的交互多模型算法

为了提高交互多模型算法的滤波精度,提出了基于无迹卡尔曼滤(UKF)的交互多模型算法(IMM-UKF).该算法融合了交互多模型算法对不同目标机动模式的自适应能力和UKF滤波精度高的优点.通过对机动目标跟踪的应用仿真,将该算法和基于扩展卡尔曼滤波(EKF)的交互多模型算法(IMM-EKF)进行了比较,仿真结果表明了IMM-UKF具有较好的跟踪性能,减小了机动目标跟踪的均方根误差.     

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.     

一种基于多传感器数据融合的目标跟踪算法

论述了目标跟踪的原理和数据融合技术,为了解决移动机器人系统中的传感器存在大量不确定性问题,提出了一种交叉传感器交叉特征(CSCM)数据融合算法,这种算法基于粒子滤波技术,融合多个传感器的信息,合并不同的状态空间模型,以此减弱系统和测量噪声,来估计移动机器人的位置和角度.在仿真实验中,我们分别比较了单一传感器和多传感器数据融合的不同情况,结果表明了这种算法的有效性,并展现了良好的跟踪性能.     

超低空拦截导弹武器系统的UKF-IMM目标跟踪算法

针对超低空拦截导弹武器系统的特点,提出了运用基于交互多模型的无迹卡尔曼滤波算法(UKF-IMM)对来袭目标进行状态估计的滤波方法.根据来袭目标的运动特点建立了特定的模型集,模型集由CV模型、比例导引模型和"当前"统计模型组成.每个模型分别采用UKF滤波器进行滤波,UKF-IMM滤波器的输出为各滤波器状态输出的概率加权融合.仿真结果表明,该模型集能够概括超低空拦截导弹拦截目标的运动样式,模型之间切换迅速,滤波算法收敛速度快.运用UKF-IMM滤波算法能够实现超低空拦截导弹火控系统对来袭目标及时准确地跟踪.     

基于UKF的扩频信号参数联合估计算法

针对伪随机码的同步问题,提出利用UKF算法进行伪随机(PN)码跟踪与信号幅度估计的联合处理。该算法通过对状态向量进行U变换,得到多个西格马点,然后利用UKF算法对非线性的扩频信号进行滤波估计。通过仿真实验,证明UKF算法在处理该类扩频信号的伪随机码的同步问题上具有更好的性能。     

基于IEK-PF的多传感器序贯融合跟踪

针对粒子滤波中得到优化的重要性密度函数比较困难的问题,将迭代扩展卡尔曼滤波和序贯融合与粒子滤波相结合,应于雷达和红外多传感器目标融合跟踪.利用基于迭代扩展卡尔曼滤波的序贯融合算法得到的系统状态更新矩阵和误差协方差矩阵来构造粒子滤波的重要性密度函数,使重要性密度函数能够融入最新观测信息的同时,更加符合真实状态的后验概率分布.仿真结果表明基于序贯融合的迭代扩展卡尔曼粒子滤波(IEK-PF)能提高状态估计的精度.     

基于修正IEKF的IRST系统多站融合跟踪

针对红外搜索跟踪(infrared search and track, IRST)系统单站情况下的弱可观测强非线性问题,提出了一种基于修正迭代扩展卡尔曼滤波(modified iterated extended Kalman filter, MIEKF)的多站融合跟踪算法。按照高斯-牛顿迭代方法对IEKF中的测量更新进行修正,并推导了最大似然迭代终止条件,减小了非线性滤波的线性化误差。结合集中式融合跟踪算法,应用于IRST系统多站目标跟踪。以三站为例进行仿真研究,结果表明所提算法的跟踪性能要优于EKF和UKF。     

非线性滤波算法在无源双基地雷达目标跟踪中的比较研究

针对无源双基地雷达目标跟踪问题,仿真分析了EKF、UKF、CDF等几种非线性滤波算法的状态估计性能。同时,基于后向平滑估计原理,利用当前观测数据平滑估计前时刻状态变量的均值和方差,提出了一种改进的UKF(CDF)滤波算法-BSUKF/CDF。仿真结果表明,在理想高斯白噪声情况下,UKF/CDF及BSUKF/CDF的跟踪性能相近,但均明显优于EKF;但若考虑角闪烁噪声,BSUKF/CDF的跟踪性能则优于UKF/CDF及EKF。     

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。     

基于状态转换的顺序式异步数据融合算法

针对现有基于伪量测的异步融合算法存在的实时性差、融合时刻中心处理器计算负荷大以及引入噪声等相关问题,提出一种新的基于状态转换的多传感器顺序式异步融合算法。新算法通过连续系统离散化获得融合周期内各采样点同融合时刻之间状态的动态关系,并利用该关系来建立相邻两个采样时刻间符合标准Kal-man滤波条件的状态递归方程以及相应的测量方程,然后通过执行顺序Kalman滤波来实现异步数据融合。详细推导了融合算法的具体形式,并通过理论分析和计算机仿真证明了该算法不仅能避免现有基于伪量测的异步融合算法所存在的诸多问题,而且能获得更好的跟踪性能。     

基于鲁棒H∞滤波的多站角度测量机动目标被动跟踪

建立了机动目标的多站被动红外搜索与跟踪（infrared search and tracking, IRST）系统的当前统计模型,基于该模型提出了机动目标跟踪的鲁棒H∞融合滤波算法。该算法将H∞滤波算法和集中融合跟踪算法相结合,对多站IRST测得的目标角度信息进行融合,可解决被动式跟踪系统的可观测性及非线性问题,以实现对目标较高精度的定位和跟踪。以三个观测站进行跟踪为例,对一个高机动目标进行了仿真研究,仿真结果表明,该滤波算法比扩展卡尔曼滤波（extended Kalman filter, EKF）算法有更高的跟踪性能,是IRST系统中一种有效的跟踪算法。     

非线性系统中多传感器滤波跟踪型数据融合算法的研究

在非线性系统中，常用的跟踪滤波算法是基于扩展的卡尔曼滤波算法的融合算法，但是这种融合算法的跟踪精度并不是很高。本文根据对滤波器跟踪型数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法。研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

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。     

径向速度测量推广Kalman滤波的改进

研究了一种把径向速度测量引入推广Kalman滤波 (EKF)的新方法。在对测量方程进行分解和对测量噪声的统计特性进行分析的基础上提出了一种序贯处理结构的推广Kalman滤波算法 ,这种算法相当于对非线性的径向速度函数围绕状态矢量的滤波值而不是预测值线性化 ,因而可以大大减小线性化处理带来的误差。两个不同的MonteCarlo仿真结果说明该算法的估计性能优于传统的推广Kalman滤波。     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。     

基于GM(1,1)模型的机动目标跟踪方法研究

传统卡尔曼滤波器依赖目标运动状态的数学模型,当目标运动数学模型不精确或不能够用线性状态空间模型描述时,跟踪滤波会发散。针对这一问题,提出了一种基于GM(1,1)(Grey model)模型的跟踪卡尔曼滤波方法。在卡尔曼滤波过程中,迭代所需的预测值不再依赖所建立的目标运动状态方程,而是用前几个时刻的估计值建立灰色微分方程来预测下一时刻的值,其预测精度高,滤波性能提高,特别在目标机动的时间内跟踪滤波效果要好于传统方法。仿真结果表明,是一种可行的机动目标跟踪方法。     

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。