空间非平稳噪声环境下的自适应波束形成

提出了一种基于空间非平稳噪声环境下的自适应波束形成新算法。该算法通过估计噪声协方差矩阵,进行预白化处理,即可采用常规方法实现波束形成,克服了色噪声对波束形成的影响。计算机仿真结果证实了这一算法的有效性。     

基于变换的线性约束降秩自适应波束形成算法

在分析直接形式的线性约束降秩自适应波束形成算法存在缺陷的基础上,提出了基于变换的线性约束降秩自适应波束形成算法,解决了直接形式的线性约束降秩自适应波束形成算法在特定干扰角度上数值稳定性下降和约束零点损失问题。提出了线性约束正交投影算法,基于变换的线性约束正交投影算法可得到和其它降秩方法相同的性能,但降低了计算复杂度。通过计算机仿真验证了算法的有效性。     

基于容积卡尔曼滤波的约束恒模波束形成算法

提出一种基于容积卡尔曼滤波的线性约束恒模波束形成算法。首先使用伪观测法将恒模代价函数和约束条件写成状态观测方程,之后利用容积卡尔曼滤波算法来求解以上非线性滤波问题。所提方法能够避免常规算法对模型的近似处理和特征值分散效应对波束形成器输出性能的影响,因此对干扰和噪声有更强的抑制能力。仿真结果表明,本算法相比随机梯度法和递归最小二乘法具有更快的收敛速度和更高的输出信干噪比,在非平稳环境下,能够迅速调整权值收敛到最优解。     

干扰环境下用于GPS接收机的波束形成算法分析

以GPS抗干扰接收机为背景,研究了基于线性约束最小方差的波束形成算法MVDR和PI的抗干扰性能,分析了算法实现中由于协方差矩阵以及DOA估计误差所带来的性能损耗以及应用场合。在ULA阵和不同干扰信号DOA环境下,利用GPS软件信号源对算法进行仿真并分析了算法对SINR的影响。仿真验证了MVDR和PI对压制性宽带干扰的抑制能力。另外给出了算法输出SINR受期望信号和干扰信号"距离"影响的性能曲线,从而评估干扰源对GPS信号的影响,并为接收机定位解算中的星座选择提供一定的依据,以提高定位精度。     

基于波束域预处理的MIMO雷达MVDR波束形成算法

传统的MIMO雷达的发射阵列通常进行全向发射,而感兴趣的目标往往集中在较小的空域范围内,全向发射就造成了大量的功率浪费,从而导致波束形成器的输出信干噪比降低,针对这一不足,提出了一种基于发射波束域预处理的MIMO雷达MVDR波束形成算法.该算法首先利用二阶锥规划设计出波束域矩阵,通过发射波束域预处理使发射功率聚集在感兴趣的区域,同时保持预处理后的导向矢量的旋转不变性,然后利用MVDR算法进行自适应波束形成.仿真结果表明:波束域预处理提高了发射功率的利用率,因此,在发射功率相同的条件下,基于发射波束域预处理的MIMO雷达MVDR波束形成器具有更高的输出信干噪比.     

双约束稳健Capon波束形成算法的分析与求解

针对Capon波束形成算法在导向矢量的不确定集和模约束下的求解问题,提出了新的分析和求解方法。通过对最优化问题进行深入分析,发现不确定集约束决定该算法的性能,而模约束只是起辅助约束作用,因此可以通过对不确定集约束Capon波束形成算法的解进行标量化处理,使其满足模约束而获得该算法的最优解。所提出方法不仅使得不确定集约束参数的选择更加简单,同时使得波束形成算法的性能改善达到最优。发现不确定集约束参数选择得越大,算法的性能改善越接近于最优,而此时对应于负加载。仿真分析验证了方法的正确性和有效性。     

基于噪声子空间特性的波束形成器设计

为高效、高性能地合成阵列接收信号,提出基于噪声子空间特性的波束形成器设计.首先,利用噪声的宽带分布特性,对Capon空间谱的噪声区域做粗采样,由此进行残留噪声补偿,获得信号协方差矩阵的估计;其次,利用噪声子空间与信号子空间的正交性,通过信号协方差矩阵分解构造出信号正交补投影算子;最后,利用噪声子空间与干扰子空间的正交性...     

波束域特征空间自适应波束形成算法

波束空间法是阵列自适应处理的一种重要的降维方法,可使运算量大大降低;而特征空间法只需较少的数据采样数就可以加速波束形成的收敛。将波束空间处理与特征空间处理结合起来,给出了基于特征空间的波束域自适应波束形成算法。新算法降低了自适应处理中对数据采样数的要求,并且具有更好的信噪比特性和稳健性。仿真结果证明了算法的优越性。     

RLS波束形成算法在相干干扰环境中的应用

讨论了如何将RLS自适应波束形成算法与空间平滑法相结合,应用到相干干扰环境中.首先给出了RLS去相干算法的结构和具体迭代步骤,并进行了理论推导,得到了采样信号协方差矩阵的逆矩阵循环传递等效于采样协方差矩阵求平均值的结论.对两种情况进行了计算机模拟,证明了算法结构的正确性和可靠性.     

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.     

基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping, FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter, AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。     

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降,通过构建强跟踪滤波器(strong tracking filter,STF)可以提升滤波算法的自适应性,但是构建STF时存在理论推导复杂、求解计算量大等局限和不足,针对上述问题,在平方根容积卡尔曼滤波(square-root cubature Kalman filter,SRCK...     

基于卡尔曼滤波的在线量子态估计优化算法

针对连续弱测量中存在高斯测量噪声的问题,提出一种基于卡尔曼滤波的在线量子状态估计的预测-修正-投影优化算法.首先,在常规在线卡尔曼滤波算法预测状态时间更新和估计状态测量更新的基础上,通过增加对量子态的约束条件,将其应用于在线的量子状态估计中,将量子态在线估计问题转化为一个带有量子态约束条件的卡尔曼滤波优化问题.其次,通...     

Phase noise filtering and phase unwrapping method based on unscented Kalman filter

This paper presents a new phase unwrapping algorithm based on the unscented Kalman filter(UKF) for synthetic aperture radar(SAR) interferometry.This method is the result of combining an UKF with path-following strategy and an omni-directional local phase slope estimator.This technique performs simultaneously noise filtering and phase unwrapping along the high-quality region to the low-quality region,which is also able to avoid going directly through the noisy regions.In addition,phase slope is estimated directly from the sample frequency spectrum of the complex interferogram,by which the underestimation of phase slope is overcome.Simulation and real data processing results validate the effectiveness of the proposed method,and show a significant improvement with respect to the extended Kalman filtering(EKF) algorithm and some conventional phase unwrapping algorithms in some situations.     

基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。     

基于乘性四元数和约束滤波的飞行器姿态估计算法

以单位四元数作为姿态描述参数提出一种乘性约束姿态估计算法。四元数具有全局非奇异、运动学方程双线性的优点,但归一化约束条件必须精确保持。首先,比较了加性和乘性滤波算法在估计误差定义和校正方式上的差别,并从物理概念和估计精度上详细分析了无约束四元数估计算法的不足。然后,针对“矢量测量+陀螺”姿态观测模式,利用乘性约束滤波算法设计了姿态估计器。针对状态部分受约束的姿态估计问题,推导了状态和方差预测方程及状态受约束的最优增益矩阵,并将约束增益矩阵应用到姿态估计算法的测量更新过程。最后,通过数学仿真验证了算法在估计精度和收敛性能上的优越性。     

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。     

基于集合卡尔曼滤波的改进粒子滤波算法

提出一种基于集合卡尔曼滤波的粒子滤波改进方法。该方法利用集合卡尔曼滤波的最大后验概率估计产生粒子滤波每一时刻各粒子的建议分布函数,使建议分布函数融入最新观测信息的同时,更加符合状态的真实后验概率分布。该方法在对粒子滤波的建议分布进行估计时使用采样方法近似非线性分布,且采样点数灵活可变,使计算精度和算法效率得到提高。仿真结果表明,提出的集合卡尔曼粒子滤波的估计性能明显优于标准粒子滤波、扩展卡尔曼粒子滤波和无迹粒子滤波。     

基于卡尔曼滤波的CDMA/GPS数据融合算法分析

针对无线定位技术的广泛应用,提出了一种改进的GPS/CDMA数据融合算法。该算法利用卡尔曼滤波实现了CDMA蜂窝网系统和GPS定位数据融合,提出高移动目标的事实上的位精度。借助移动目标的运动矢量模型、CDMA定位误差模型、GPS定位误差模型建立了CDMA和GPS定位状态方程,给出了数据融合的数学模型和融合算法。重点研究了利用卡尔曼滤波实现定位数据的融合。算法分别对GPS定位参数和CDMA定位参数进行滤波处理,然后对滤波后的数据融合。通过仿真表明滤波后两者定位精度都有大幅度的提高,数据融合后定位精度得到进一步的提高。     

基于理想弹道鲁棒容积卡尔曼滤波视线角估计

针对惯性元件在低成本全捷联制导弹药中应用难度大的问题,设计了一种利用理想弹道弹体运动参数代替惯性元件测量值的弹目视线角滤波估计方法。根据坐标系转换关系及弹目视线几何关系,将理想弹道参数作为系统不确定性参数,建立非线性滤波系统;针对具有参数不确定性的非线性系统滤波问题,提出了一种基于理想弹道的鲁棒容积卡尔曼滤波(ideal trajectory robust cubature Kalman filter,ITRCKF)算法,将具有不确定性系统的滤波问题转化为带参数κ的误差协方差上界最小化问题;最终利用导引头探测器测量得到弹体视线角,结合ITRCKF对非线性系统状态进行估计。实验结果表明:在小扰动条件下,ITRCKF偏角估计最大误差值较容积卡尔曼滤波(cubature Kalman filter,CKF)下降了85.57%,误差均方根(root mean square error, RMSE)下降了81.93%;在大扰动条件下,ITRCKF倾角估计值最大误差较CKF下降了31.64%,误差均方根下降了46.39%。所提方法对弹目视线角的估计值满足精度要求,并且相对于CKF估计值具有较好的鲁棒性能。