基于零空间l1范数最小化的ISAR成像方法

在目标场景散射率分布满足稀疏性假设下,压缩感知(compressive sensing, CS)成像与传统距离-多普勒成像方法相比,可以使用很少的数据获得良好的图像,图像对比度高,没有旁瓣干扰。本文提出了一种基于零空间l₁范数最小化的逆合成孔径雷达(inverse synthetic aperture radar, ISAR) CS成像方法。从解欠定方程组的角度,将待重建目标图像分解为初猜值与残余值两部分。首先使用加权最小二乘(weighted lease square, WLS)法估计初猜值,作为目标初像；然后将待重建目标场景散射率的l₁范数作为额外的一个非线性测量值引入到图像重建中,在卡尔曼滤波框架下,利用非线性“伪测量”值,最小化待重建目标场景的l₁范数来估计零空间中残余值的解。实测ISAR数据处理验证了所提算法的有效性。与正交匹配追踪算法(matching pursuit algorithm, OMP)和primal-dual l₁范数最小化方法相比,所提方法获得的成像效果更好,成像时间比primal-dual l₁范数最小化方法更短。     

基于加权l1范数优化的双基地ISAR稀疏成像算法

针对低信噪比条件下实现双基地逆合成孔径雷达(inverse synthetic aperture radar, ISAR)稀疏孔径成像时重构质量较差的问题, 提出了一种基于加权l₁范数优化的高分辨成像算法。首先, 假设各像元稀疏非同分布, 利用贝叶斯准则和最大后验概率估计将双基地ISAR稀疏孔径成像问题转化为加权l₁范数约束问题, 建立成像模型; 然后, 利用柯西-牛顿算法进行加权l₁范数约束最优化问题的求解, 实现目标图像重构。由于假设各像元独立非同分布, 故通过像元加权的方式更好地利用了目标的能量聚集和结构特性, 提高了成像质量。最后, 仿真实验验证了算法的有效性和优越性。     

不确定线性描述系统的鲁棒H∞滤波器

研究了一类含有参数不确定性和未知扰动的线性描述系统的鲁棒H_∞滤波器设计问题。在容许、可观测的假设下,基于描述系统的有界实引理给出了鲁棒H_∞滤波器存在的充分条件。将滤波器存在条件转化为线性矩阵不等式的形式,可以利用线性矩阵不等式方法求解。推导了滤波器参数的等效形式,简化了滤波器系数矩阵的计算过程。最后,通过数值算例说明了所提出的方法的性能。     

一类不确定时滞非线性系统的H∞鲁棒镇定

利用混杂状态反馈策略研究一类不确定时滞非线性系统的鲁棒H_∞镇定问题.首先,当控制器增益矩阵均已知时,利用单Lyapunov函数法和凸组合技术,给出了闭环非线性切换系统具有鲁棒H_∞性能的充分条件并设计出相应切换律.然后,当控制器增益矩阵均未知时,利用多Lyapunov函数法,设计了控制器及相应的切换策略,使闭环非线性切换系统是鲁棒H_∞渐近稳定的.     

非线性扰动离散广义时滞系统的鲁棒H∞控制

研究了扰动是满足Lipschitz条件的一类非线性离散广义时滞系统的鲁棒H_∞控制和鲁棒H_∞保性能控制问题。目的是设计系统的鲁棒H_∞控制器和鲁棒H_∞保性能控制器。应用线性矩阵不等式方法,分别给出了系统的鲁棒H_∞控制器和鲁棒H_∞保性能控制器存在的充分条件;并在这些条件可解时,分别给出了鲁棒H_∞控制器和鲁棒H_∞保性能控制器的表达式。最后用例子说明了所给方法的应用。     

不确定网络化控制系统鲁棒故障检测

针对一类具有未知输入和模型不确定性的网络化控制系统,基于H_∞滤波器研究了系统的鲁棒故障检测问题.利用输入时滞方法,将含有网络传输时滞和数据丢包的不确定网络化控制系统建模成一类具有双加性状态时滞项的连续系统.采用Lyapunov-Krasovskii泛函方法分析了新系统的H_∞性能,并将所得结果应用于原系统鲁棒故障检测滤波器的设计,得到了滤波器存在的时滞依赖条件.最后,通过仿真验证了该方法的有效性.     

快速联合H∞滤波在SINS/GPS组合导航中的应用

针对捷联惯导/卫星定位(SINS/GPS)组合导航中联合卡尔曼滤波器对系统模型和噪声统计特性的依赖性和算法运算量大等缺点,提出了新的联合H_∞滤波方法.定义了新的联合H_∞滤波公式,提出了融合信息在子滤波器中自适应分配原则,简化了联合H_∞滤波算法.由于H_∞滤波不需要已知噪声的统计特性,因此新算法具有很强的鲁棒性,同时联合算法又可以有效地增加系统的客错能力.仿真实验证明新算法在稳定性和实时性上都有较大提高.     

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。     

基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。     

鲁棒原子范数降噪及其在线谱估计中的应用

针对测量数据中含有异常值的线谱估计问题,提出了一种对异常值鲁棒的原子范数降噪方法来提高线谱估计的性能。该方法构建了一个可以联合估计出异常值及原始信号的优化问题,并在代价函数中加入l₁范数和原子范数惩罚项来分别对异常值的稀疏性和信号本身的特性进行约束。一旦获得了该优化问题的解,那么就可利用现有的算法对降噪后的信号进行线谱估计。仿真结果表明,在数据中存在异常值的情况下,所提的算法能够更准确地恢复原始信号,从而使降噪后的谱估计的精度和分辨率明显提高。     

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。     

α稳定分布噪声下基于最优L-柯西加权的LFM信号参数估计

针对传统维格纳霍夫变换(Wigner-Ville Hough transform, WHT) 时频分析方法在稳定分布噪声环境下性能退化的问题,基于L-估计理论,提出了可有效抑制该噪声的最优L 柯西加权(L-Cauchy weighted, LCW)新方法。3En准则是一种常用的异常值剔除方法,其可从数理统计的角度对异常值进行有效抑制,对此,结合柯西分布提出了基于分散系数的异常值剔除准则,并依据数值仿真选取降噪效果最优的分散系数γ。在LCW方法有效抑制α稳定分布噪声的基础上,采用WHT对线性调频(linear frequency modulation, LFM)信号进行参数估计。仿真结果表明,最优γ值的选取与该文提出的异常值剔除准则一致,且与基于分数低阶、加权Myriad滤波以及L-估计等多种方法相比,提出的基于LCW的WHT(LCW-WHT,LW)方法在强脉冲噪声下具有良好的鲁棒性和优良的LFM信号参数估计性能。     

线性回归模型的非线性稳健估计——基于经验过程理论的研究

线性回归模型参数估计的有效性及对厚尾扰动和离群值的稳健性有进一步改进的余地.本文基于条件分布函数提出线性参数模型的一种新的非线性稳健估计量,利用经验过程理论证明了其相合性和渐近正态性.相对于OLS(ordinary least squares)估计量和常用的稳健LAD(least absolute deviations)和Huber估计量,此估计量可全面把握因变量的分布信息,较准确地由样本数据反映真正的数据生成过程,关于扰动项的厚尾分布具有更好的稳健性,且可更好地消弱极端离群值样本对参数估计的不良影响.多种实验设计的模拟表明,此估计量在有限样本下表现良好;在厚尾扰动或离群值出现的时候,显示出良好的稳健性,且优于OLS、LAD以及Huber估计量的小样本表现.     

基于非线性映射的自适应混合Kalman/H∞滤波器

Kalman滤波器的精度高,但是鲁棒性差。H∞滤波器虽然鲁棒性好,但是精度不高,将两种滤波器进行混合获得新的滤波器可同时具备高精度和对干扰噪声的鲁棒性。通过对Kalman滤波器的实时性能评价,提出了一种基于非线性映射的自适应调节权值混合Kalman/H∞滤波器,并通过全球定位系统/推位组合导航模型对提出的方法进行了仿真验证。仿真结果表明,在干扰噪声统计特性变化和系统模型存在摄动条件下,与Kalman滤波和H∞滤波方法相比,所提出的混合Kalman/H∞滤波方法具有更高的滤波精度,更适用于实际应用。     

基于滑动窗口的新息自适应组合导航算法

针对新息自适应滤波算法噪声跟踪精度和跟踪灵敏度相互矛盾导致的窗口宽度选取困难问题,提出了一种基于滑动窗口的新息自适应组合导航算法,该方法通过设计噪声统计特性梯度检测函数、敏感噪声统计特性的实际变化情况,利用窗口自适应函数实时计算窗口宽度,使得窗口在预设区间内自适应滑动,以适应实际噪声的变化。仿真实验表明,基于滑动窗口的新息自适应组合导航算法可以有效跟踪噪声统计特性的实时变化,可同时兼顾自适应跟踪精度和跟踪灵敏度。     

矩阵对角化变换鲁棒QCKF在视觉和惯性融合姿态测量中的应用

视觉和惯性融合姿态测量系统,可以发挥视觉测量重复性、稳定性好和惯性测量输出频率高、不受环境光干扰的特点。针对融合测量中,系统噪声和观测噪声的统计特性不完全可知及在出现异常测量值时融合测量鲁棒性较差的问题,提出一种基于矩阵对角化变换的鲁棒四元数容积卡尔曼滤波(quaternion cubature Kalman filter, QCKF)算法,分析了鲁棒滤波参数对测量系统鲁棒性和测量准确度的影响,使用矩阵对角化变换代替标准CKF中的Cholesky 分解以改善数值计算的稳定性。结合搭建的视觉和惯性融合姿态测量系统平台,实验结果表明与标准CKF算法相比,具有更高的准确度、鲁棒性以及稳定性。     

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…     

ESO滤波器在运动参数估计中的仿真研究

通常情况下使用Kalman滤波器进行参数估计，然而在目标运动模型和噪声统计特性存在不确定性的条件下，Kalman滤波的应用将会受到一些限制。在分析ESO滤波器滤波性能的基础上，将其应用在运动参数估计中，有效地解决Kalman滤波所遇到的问题．并从系统噪声分别为高斯白噪声、有色噪声和目标作机动运动这三个方面与Kalman滤波器进行了比较。仿真结果表明ESO滤波器算法简单，有效，具有鲁棒性。     

一种带未知时变系统噪声水平的目标跟踪滤波器

在机动目标跟踪中，为了保证Kalman滤波器的数值稳定性和最优性，未知的时变系统噪声水平需要在线估计，但已有方法主要针对平稳或统计特性缓变的噪声过程。在Sage-Husa系统噪声水平自适应估计算法的基础上，通过引入基于新息的滤波器发散检测判据和利用强跟踪滤波器的思想，提出了一种系统噪声水平估计值的时变调节因子阵来抑制因系统噪声水平突变而引起的滤波器可能出现的发散问题。Monte-Carlo仿真结果表明，该算法不仅数值稳定性好，同时目标的跟踪精度也得到明显改善。