非线性非高斯模型的高斯和滤波算法

通过将模型的状态噪声和观测噪声均表示成高斯和的形式,推导出非线性非高斯状态空间模型的高斯和递推算法,进一步提出了对应的扩展卡尔曼和滤波器（extended Kalman sum filter, EKSF）和高斯厄密特和滤波器（Gauss-Hermite sum filter, GHSF）。EKSF和GHSF分别用扩展卡尔曼滤波器（extended Kalman filter, EKF）和高斯厄密特滤波器（Gauss-Hermite filter, GHF）作为高斯子滤波器。分析的结果表明,现有的高斯和滤波算法是本文算法的特例;仿真结果表明,EKSF和GHSF能有效处理非线性非高斯模型的状态滤波问题,与高斯和粒子滤波器（Gaussian sum particle filter, GSPF）相比,EKSF和GHSF在保证精度的同时,大大降低了计算量,仿真时间分别约为GSPF的5%和6%。     

一种时域并行差分相关捕获算法

提出了一种基于硬件实现、在时域对全球导航卫星系统信号进行相关捕获的新算法。算法采用并行差分结构,通过对相关结果的复用,实现了对多个卫星信号的同时捕获。还分析了该算法、传统的相关算法和现有的两种改进型时域相关算法以及基于FFT的频域相关算法的算法复杂度和所需寄存器数量。分析和仿真结果表明,该算法在计算单个复现码的1次相关时,运算量并不随着过采样率的增加而增加。相比于传统的相关算法和现有的两种改进型时域相关算法以及基于FFT的频域相关算法,该算法在运算复杂度上具有优势,有利于在实际硬件系统中实现。     

单比特量化软件接收机中的鲁棒数字鉴相器

提出一种新的应用于单比特量化软件接收机中的鉴相器--鲁棒数字鉴相器。与已有的数字鉴相器不同，提出的鉴相器是对I、Q 两路的载波相位分别进行估计，再进行线性融合，从而提供了比数字鉴相器更好的精度和鲁棒性。分析与仿真结果表明，无论是在高信噪比还是低信噪比环境下，在单比特量化接收机中，提出的鉴相器估计精度均优于传统的反正切鉴相器和数字鉴相器，具有良好的性能和鲁棒性。     

条件线性高斯模型的Gauss Hermite filter-Kalman filter算法

针对条件线性高斯状态空间模型,提出了高斯厄密特滤波-卡尔曼滤波(Gauss Hermite filter-Kalmanfilter,GHF-KF)滤波算法。算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,由GHF获得非线性状态的估计;再将非线性状态的估计均值代入线性状态方程与观测方程,由KF获得线性状态的估计;获得的非线性状态估计方差还用于修正由KF估计的线性状态,以提高精度。将GHF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器RBPF相比,新方法在保证估计精度的同时,明显提高了实时性,计算时间仅约为RBPF的5%。     

Unscented卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出unscented卡尔曼滤波-卡尔曼滤波unscented Kalman filte-ring-Kalman filtering,UKF-KF算法,该方法用UKF估计条件线性高斯状态空间模型中的非线性状态,用KF估计线性状态。为了有效地融合UKF和KF估计的后验状态分布,将蒙特卡罗方法应用于KF估计的线性状态均值和方差,获得了与UKF sigma点相同数量的后验线性状态估计分布的样本,然后将这些样本与UKF中sigma点进行合成去获得系统中非线性状态的估计。该算法应用于机动目标跟踪的仿真结果表明:与Rao-Blackwellized粒子滤波器(Rao-Blackwellized particle filter,RBPF)相比,该算法虽在估计精度上略有下降,然而计算时间明显降低,有效提高了实时性。     

条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计.此外,获得的非线性状态估计的方差还用于修正线性状态的估计.将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Black-wellized粒子滤波器(Rao-Blackwellized ParticleFilter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%.     

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。