基于两次Kalman滤波的观测噪声自适应调整算法

在实际的目标跟踪过程中,由于目标远近等各种客观因素的影响,观测噪声是随时变化的.但是在标准卡尔曼滤波中,如果将观测噪声协方差设为恒定值,必然造成跟踪结果不理想.针对这种情况,通过在任意时刻施行两次卡尔曼滤波的结果来自适应地调整观测噪声协方差,使卡尔曼滤波算法中的观测噪声协方差与实际值更加接近,从而提高对目标的跟踪精度.最后Monte Carlo仿真实验证明了本算法的有效性.     

无人集群智能协同仿真试验评估理论框架研究

智能无人集群装备作为智能装备的典型代表,其技术、装备、作战应用在全球范围内加速推进,但总体上无人集群试验理论的研究滞后于无人集群技术、装备,无人集群能力的涌现性、对抗的复杂性,以及无人集群试验的不可重复、不可泛化等特性给无人集群试验基础理论、方法带来了巨大挑战。从体系工程集成试验视角和装备研制建设全生命周期视角提出面向能力生长的智能技术、智能单装、智能集群、智能体系4个集群试验模式,深度剖析无人集群智能协同试验的基础理论问题,构建无人集群智能协同试验基础理论框架。     

基于多次卡尔曼滤波的目标自适应跟踪算法与仿真分析

标准的卡尔曼滤波算法由于使用了固定单一的状态噪声模型,因此当目标运动状态经常发生剧烈变化时,跟踪效果不是很理想。为了提高对目标的跟踪精度和跟踪收敛速度,提出了一种新的算法,通过多次步长不同的卡尔曼滤波算法来判断机动目标的运动状态,进而使得系统状态噪声协方差能够随着目标机动情况自适应调整。最后的蒙特卡罗仿真实验验证了此算法的有效性。