基于改进粒子滤波的双站无源定位跟踪算法研究

在非线性非高斯状态空间下,粒子滤波器是一种有效的非线性滤波算法,它的关键问题包括粒子权重的计算、粒子重采样和状态估计等.根据粒子滤波算法思想和双站无源定位跟踪的非线性,将粒子滤波算法用于双站无源定位跟踪问题,给出了一种改进的粒子滤波算法,并对其关键问题根据双站无源定位跟踪的特殊性进行了改进.利用matlab进行了仿真实验,与最小二乘算法、扩展卡尔曼滤波算法进行了比较,结果表明所提算法定位跟踪精度优于其他方法.     

基于多普勒频率变化率的无源定位算法研究

针对新型无源探测系统的要求,在原有多普勒频率变化率无源定位算法的基础上,为提高定位精度和收敛速度,提出了增加多普勒频率作为观测量,同时引入EKF算法对原始定位结果进行了处理。计算机仿真结果表明,改进后的算法能够满足新型无源探测系统的技术要求。     

图像匹配制导定位精度分析

本文推导出了相关匹配滤波器的定位误差表达式,证明了使定位误差达到最小的滤波器形式即为古典匹配滤波器,并与相位滤波器的定位误差进行了比较,结果表明,古典匹配滤波器在定位精度上具有最佳性能。     

一种非视距环境下的椭圆-角度混合定位技术

为了研究基于CDMA网络的新型定位系统,提出了称为"椭圆-角度混合定位"的新型定位技术,它利用信号到达时间之和(TSOA)与到达角(AOA)实现目标的定位.在设计的定位系统中,采用有偏卡尔曼滤波器消除TSOA测量值中的非视距(NLOS)误差,同时抛弃遭受NLOS严重污染的AOA测量值,最后使用扩展卡尔曼滤波器实现多台定位设备的数据融合,实现了对移动台的定位和跟踪,仿真结果显示了定位系统的有效性.     

基于辅助粒子滤波的风估计方法研究

对飞行中风场测量值含连续野值较多的问题,提出了将连续野值当作噪声处理的方法。噪声设置为随机游走模型并在状态方程中引入时变系数,利用辅助粒子滤波(APF)处理。与当前的自适应Kalman方法进行了比较,在含10个连续野值的模拟数据处理中,Kalman方法发生了跳变,而APF方法成功地处理了连续野值;APF方法和Kalman方法的平均均方误差分别为0.8313和1.0021。最后,将APF方法用于飞行测量数据处理。结果表明,APF方法能处理更多的连续野值,具有更好的精度和稳定性,适合工程应用。     

基于RBF神经网络的蜂窝无线定位算法

为了解决最小二乘法需要测量数据的先验信息来构造协方差矩阵的问题,提出了基于RBF神经网络的蜂窝无线定位算法.它融合了移动基站提供的AOA,TOA和TDOA测量值来实现移动台的定位,利用神经网络较快的学习特性和逼近任意非线性映射的能力,使其适用于复杂的多径环境.对基于RBF神经网络的定位系统性能进行了仿真,结果表明,基于REF网络的蜂窝无线定位算法消除了定位模糊和基站非理想分布对定位精度的影响,在小区半径小于2 km的情况下,系统的定位精度在125 m时准确率可达67%,在300 m时准确率可达95%.     

基于粒子滤波器的SLAM的仿真研究

机器人同时定位与精确地图创建能力是自主移动机器人的先决条件。SLAM的很多实现方法无法解决有大量环境特征的环境。应用粒子滤波器和卡尔曼滤波器分别估计机器人位姿和环境特征的后验概率分布。这个算法的基础是把后验概率分解成路径的后验概率和环境特征的后验概率分布。为避免衰竭问题,在粒子滤波器的重采样阶段,除了用权值选取粒子,还在更新阶段直接注入从传感器数据生成的少量粒子。仿真结果显示这个算法可以用100个粒子处理5000个环境特征的优越性。     

无源北斗/高度组合导航自适应滤波算法

为了减小用户机动对无源北斗双星组合导航系统定位精度的影响,论文研究了自适应滤波定位算法.首先,在分析组合导航算法Singer模型的基础上,提出了模糊逻辑自适应滤波方案.然后,通过仿真获取系统知识,建立模糊逻辑系统,实时调整滤波器驱动噪声方差,实现滤波定位算法模型对用户机动的适应性.最后,通过仿真验证,设计的模糊逻辑自适应滤波算法能根据用户机动情况实时调整卡尔曼滤波器的驱动噪声方差参数,并能有效提高组合导航系统机动时的定位精度.     

高频地波航海导航定位方法研究

提出了一种基于高频地波传播的船只导航定位系统设计方法。该方法通过接收3个固定发射基站发射的导航定位参考信号(时基同步的线性调频信号),借助于谱分析技术实现了定位船只的距离与运动速度信息精确提取以及天地波信号的有效分离。数据仿真表明,定位精度与测量信噪比相关,即相参积累时间越长,定位精度越高,因此通过调整相参积累处理时间即可获得定位精度所要求的累积信噪比。     

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%.