改进的非完全约束加权最小二乘TDOA/FDOA无源定位方法

针对目前时差定位/频差定位混合无源定位算法存在的定位均方根误差(root mean square error,RMSE)和定位偏差适应测量噪声能力差的问题,提出一种基于泰勒级数展开的非完全约束加权最小二乘法。首先将无源定位问题转化为二次规划问题,简化约束条件,应用拉格朗日乘子法求解目标定位的值。然后将得到的解在原约束条件下进行泰勒级数展开,利用获得的结果进一步优化解析解。计算机仿真对比了所提方法和两步加权最小二乘法(two-stage weighted least squares,TSWLS)、改进的约束加权最小二乘法(constrained weighted least squares,CWLS)、基于定位误差修正方法的定位性能,所提算法在兼顾实时性的同时,RMSE和定位偏差均低于TSWLS、CWLS、基于定位误差修正方法。     

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。