基于高程补偿的BLUE算法在塔康中的应用研究

基于塔康系统的斜距、方位和高程可对目标定位,但较大的量测误差影响定位精度。为提高估计精度,研究塔康中最佳线性无偏估计(best linear unbiased estimation, BLUE)滤波器的实现。建立地面站对目标的量测模型,并分析量测转换误差特性,推导出对应的BLUE滤波模型;针对目标从地面站上空过顶时出现无效量测的问题,通过对高程量测补偿的方法予以克服,解决传统算法在强非线性量测下误差较大的弊病。与经典方法的性能对比表明,改进算法有效地抑制了强非线性量测下的滤波发散,有很强的鲁棒性和实时性。     

基于量测转换与输入估计的机动目标跟踪算法

针对雷达系统中机动目标的跟踪问题,提出输入估计(input estimation,IE)与无偏量测转换（unbiased converted measurement,UCM）相融合的自适应算法。用无偏量测转换技术将观测量转换到直角坐标系,使得在极坐标系内应用IE成为可能;提出检测窗内加速度阶梯变化的假设并推导相关模型,使得单个输入估计器能够跟踪各种变化机动。仿真分析表明,算法与基于多滤波器并行工作的交互式多模型相比,跟踪精度相当,但运算量大大降低,因此适用于对性能和实时性要求较高的场合,有很好的应用前景。     

多雷达组网虚拟观测卡尔曼滤波算法研究

多雷达组网对空域运动目标跟踪时,组网雷达极坐标测量值与目标状态值呈非线性关系,不满足卡尔曼滤波线性化使用要求。提出将组网融合中心惯性坐标系虚拟为滤波观测坐标系,使得滤波状态和虚拟测量简化为线性关系,通过虚拟观测噪声建模、滤波初始化建模,解决了多雷达组网使用卡尔曼滤波对空域运动目标的最优化滤波估计问题。软件仿真测试和检飞数据验证表明:虚拟观测卡尔曼滤波算法(Virtual-Observation Kalman Filter Algorithms,VOKFA),滤波精度高、算法稳定性好,非常适合于多雷达组网滤波跟踪工程应用。     

径向基概率神经网络的混合结构优化算法

使用递归正交最小二乘算法(ROLSA)优选径向基概率神经网络(RBPNN)的隐中心矢量，微遗传算法(μGA)用于求解RBPNN最优核函数控制参数，并同ROLSA相结合(ROLS-μGA)来优化RBPNN的全结构(优选最优控制参数及隐中心矢量)。实验结果表明，ROLS-μGA具有很好的优化效率，而且优化后的RBPNN的推广性能也没有下降。实验还验证了ROLS-μGA对径向基函数网络(RBFNN)也有很好的适用性。     

径向基概率神经网络结构的遗传优化

运用遗传算法(GA)来优化设计径向基概率神经网络(RBPNN)结构，优选了隐中心矢量和优化求取对应的核函数控制参数．提出的染色体编码方式，充分体现了所选隐中心矢量在模式样本空间中的数量及位置分布，同时还包含了相适应的棱函数控耕参数信息．新构造的适应度函数不仅有效地控制了网络输出的误差精度，而且还能够使得RBPNN结构优化趋于最简．将IRIS分类问题用于检验该算法的有效性并与ROLSA和MKM进行了比较研究，结果表明，GA的优化效率最高，而且GA优化后的RBPNN在推广能力方面也没有明显下降．