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。     

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。     

改进的强跟踪飞机舵面快速故障诊断方法

针对多模型自适应估计(multiple model adaptive estimation, MMAE)方法适应突变故障能力差、多重渐消因子强跟踪算法滤波发散、故障条件概率计算量大等问题,提出一种改进的多重渐消因子强跟踪多模型自适应估计(strong tracking multiple model adaptive estimation, STMMAE)快速故障诊断方法。通过多重渐消因子提高了故障突变时滤波器的跟踪性能;通过改进一步预测协方差阵更新方程,保证了滤波器稳定性,提高了估计精度;采用基于欧几里得范数的飞机舵面故障概率快速计算方法,降低了故障概率计算量。对比仿真表明,该算法跟踪性强、速度快、精度高,具有较好的鲁棒性和稳定性。     

基于多重次渐消因子的强跟踪UKF姿态估计

针对应用于飞行器姿态确定中的乘性扩展卡尔曼滤波（multiplicative extended Kalman filter, MEKF）存在精度低、鲁棒性差的缺点,提出了一种基于多重次渐消因子的强跟踪无迹卡尔曼滤波（multiple fading factors strong tracking unscented Kalman filter, MSTUKF）算法。该滤波算法克服了单渐消因子对多变量跟踪能力差的局限性,通过引入两个多重次渐消因子对预测误差协方差阵进行调整,使得不同的滤波通道具有不同的调节能力,保证预测误差协方差阵的对称性,从而实现滤波算法强跟踪性。仿真结果表明,MSTUKF的滤波精度和鲁棒性均明显优于MEKF,能够更好地满足工程应用对精度和鲁棒性的要求。     

UKF算法及其在目标被动跟踪中的应用

利用了一种用于非线性系统的,基于无迹变换的Kalman滤波算法的一个新的扩展方法—UKF,推导了应用于方位角预测和纯方位跟踪两个方面的UKF滤波算法,并给出了具体步骤。仿真说明了在目标跟踪领域,应用该方法比以往EKF类的方法在滤波精度上明显提高,并且在实际应用中,由于该算法实现简单、计算量小而增强了可用性。     

改进的强跟踪平方根UKF在卫星导航中应用

针对应用于受不确定性干扰和噪声影响的卫星自主导航系统中的无迹卡尔曼滤波（unscented Kalman filter,UKF）存在估计精度低、跟踪性能差和鲁棒性弱等缺陷,提出一种改进的强跟踪平方根UKF(strong tracking square-root UKF, STSRUKF)导航方法。该方法中利用星敏感器和光学导航相机设计出导航方案,并通过转换方程将间接量测量转换为观测量。针对平方根UKF（square-root UKF, SRUKF）在高阶系统中因为sigma点的零权值系数是负的或者数值计算误差太大时而可能造成滤波器发散问题,采用一种改良的平方根分解方法,改善了滤波器的稳定性。同时,基于强跟踪滤波器理论（strong tracking filters, STF）,引入多重自适应衰减因子调节协方差矩阵,使得滤波器具有强跟踪能力和克服系统模型不确定的鲁棒性,改善了滤波器的估计精度。将该方法应用于卫星自主导航系统中,实验仿真结果表明,相对于平方根UKF和STF,该方法不仅保证了系统的可靠性,还提高系统的导航精度和改善系统的鲁棒性及跟踪能力。     

基于UD分解的改进型强跟踪滤波器

带多重次优渐消因子的强跟踪滤波器在计算舍入误差的影响下,估计状态的均方误差矩阵会失去非负定性,从而导致滤波发散的现象.在UD分解算法的基础上,提出了一种改进型带多重次优渐消因子的强跟踪滤波器.通过对引入渐消矩阵的一步预测均方误差矩阵进行UD分解,并将分解矩阵应用于滤波器量测信息的更新过程中,增强了算法的数值稳定性.此外,根据UD分解的结果给出了渐消矩阵的最小二乘解算方法,在提高渐消因子计算效率的同时摆脱了对先验知识的依赖性.仿真结果表明了算法的有效性.     

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.     

基于当前统计模型的机动目标自适应跟踪算法

当前统计模型及其自适应卡尔曼滤波算法对强机动目标具有很好的跟踪效果,但当机动目标为弱机动和非机动时算法跟踪性能较差。针对这一问题,提出了采用铃形函数作为模糊隶属函数对模型中加速度极值进行修正的自适应滤波算法,调整加速度稳定时的系统过程噪声方差,提高算法的跟踪精度。同时,借鉴强跟踪滤波算法的渐消自适应滤波因子思想,针对加速度突变的情况引入渐消因子对修正的加速度极值进行调节,提高算法在加速度突变情况下的跟踪速度。仿真实验结果表明,算法对弱机动目标和非机动目标的跟踪具有良好的效果。     

基于视觉和渐消记忆UKF的浮空器位姿估测

提出了一种新的浮空器位姿估测方法,用地面上共面设置的四个固定信标和浮空器上双焦CCD摄像机组成单目视觉测量系统;应用四元数描述载体和大地直角坐标系间变换关系,在此基础上利用Levenberg-Marquardt迭代算法将地标图像观测量直接转化为位姿参数值,减少了计算量;合理地采用随机加速度模型构建滤波器状态方程,并引入渐消记忆因子改进平方根UKF滤波算法,用于抑制由于系统建模误差造成的滤波精度下降。对所提方案进行验证,比较了不同渐消记忆因子作用下的滤波结果,仿真结果表明了该方法的有效性。     

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.     

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。     

多机无源跟踪迭代UKF算法

为利用多机实现对目标的快速高精度无源跟踪,提出了一种新的迭代无味卡尔曼滤波（unscented Kalman filter,UKF）算法。所提算法利用随机变量的概率密度函数变换,求得了直接关于目标状态的似然函数,并据此利用最大似然估计迭代求解当前时刻的目标状态,推导了能达到最大似然面的迭代求解准则,将该准则与UKF算法结合得到新的迭代UKF算法。以多机只测角跟踪为例,对所提算法的性能进行仿真分析,仿真结果表明,相对于已有的迭代UKF算法,所提算法具有更好的跟踪性能,实用性强。     

基于UKF的新型北斗/SINS组合系统直接法卡尔曼滤波

针对传统的间接法卡尔曼滤波在北斗/捷联惯导(serial inertial navigation system, SINS)组合导航系统中无法实现较高的定位精度且计算的冗余度大的缺点,提出一种基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的新型组合系统滤波算法。本算法以SINS输出的导航参数及平台误差角等作为系统状态,无源北斗输出的位置速度参数作为量测,采用改进的UKF方法进行数据融合,并直接计算组合系统导航参数的最优估计。实验结果表明,新算法可以降低对伪距误差模型的精确度要求,同时避免非线性系统状态方程的线性化,简化滤波参数的调整过程,从而有效地缩短组合导航系统的解算时间,提高定位精度。     

UKF-based attitude determination method for gyroless satellite

UKF (unscented Kalman filtering) is a new filtering method suitable to nonlinear systems. The method need not linearize nonlinear systems at the prediction stage of filtering, which is indispensable in EKF ( extended Kalman filtering) . As a result, the linearization error is avoided, and the filtering accuracy is greatly improved. UKF is applied to the attitude determination for gyroless satellite. Simulations are made to compare the new filter with the traditional EKF. The results indicate that under same conditions, compared with EKF, UKF has faster convergence speed, higher filtering accuracy and more stable estimation performance.     

基于低轨星网的多目标协同跟踪滤波技术

低轨高密度星网因其覆盖范围广、能够对弹道目标进行全程跟踪而受到广泛的重视。针对低轨星网对多弹道目标协同跟踪问题, 提出一种基于卡方分布和无迹卡尔曼滤波(unscented Kalman filter, UKF)的多目标协同跟踪滤波算法。该方法首先在卡方分布的假设下, 设计了一种基于测量平面的数据关联指标函数, 实现量测值的分配; 在此基础上采用变结构滤波框架对多弹道目标进行状态更新; 最后给出了多目标状态估计性能的评估指标。数值仿真实验证明, 所提算法可以有效地实现多目标在测量平面上的数据关联, 并以较少的计算量对多目标进行准确估计。