基于强跟踪滤波器的液压伺服系统实时故障诊断

为了在线监测运行工况和提高其可靠性,研究了液压伺服系统的实时故障诊断模型和方法.使用强跟踪滤波器联合估计系统的状态和未知时变参数,使用修正的贝叶斯算法检测故障和估计出故障的幅值,从而建立故障诊断模型和实现液压伺服系统的实时故障诊断.仿真结果证实了模型的合理性和可行性,参数估计误差小于1.2%.该方法对模型参数的不确定性具有较强的鲁棒性,能正确检测和分离液压伺服系统的故障.     

基于强跟踪滤波器的纯方位机动目标跟踪算法

针对无源纯方位跟踪中目标机动的问题,提出了一种基于强跟踪滤波器的机动目标跟踪算法.该算法在目标机动跟踪中通过实时调节增益阵,提高了滤波器对状态变化的跟踪能力,避免了修正增益协方差(MGEKF)算法中所寻找的观测量修正函数不准确而引起较大的误差.同时对量测模型非线性问题采用伪量测变换估计器(PLE)予以解决,它具有形式简单,计算量小的优点.最后将该算法与MGEKF算法相比较,Monte Carlo仿真结果验证了提出算法的优越性.     

基于强跟踪滤波器的改进非线性自适应观测器

对基于强跟踪滤波器的非线性自适应观测器(nonlinearadaptiveobserver,NAO)的收敛性进行了分析,给出了NAO局部渐近收敛的充分条件。提出了一种改进非线性自适应观测器(modifiednonlinearadaptiveobserver,MNAO)算法。MNAO在具有强跟踪特性的同时对输出测量中的坏数据有较强的鲁棒性。为了降低对初始误差的敏感性,采用一种强跟踪扩展卡尔曼观测器算法启动MNAO。数值仿真示例显示了本方法的有效性。     

基于多卡尔曼滤波器的自适应传感器融合

准确估车前目标的位置和状态是车辆安全系统的一个重要组成部分,利用多传感器可以提高对目标测量的可靠性。给出了一种用于汽车防碰撞系统中估计车前目标位置的多传感器融合算法,根据车辆与目标之间的一步预测距离,从多个预置的卡尔曼滤波器中选择一个合适的滤波器来实时处理传感器的量测数据。该算法不仅可以有效地处理具有不同测量范围的传感器数据,同时还可以通过滤波器切换的方式,处理具不同数据速率的传感器数据。Monte Carlo数字仿真证明了该算法的有效性。     

模糊自适应强跟踪卡尔曼滤波器研究

针对卡尔曼滤波器对系统模型依赖性强、鲁棒性差和跟踪机动目标能力有限的问题,提出了一种具备模糊自适应特点的模糊强跟踪卡尔曼滤波器(fuzzystrongtrackingKalmanfilter,FSTKF)。这种方法主要利用模糊逻辑自适应控制器监测残差均值与标准差,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中多重次优渐消因子进行自适应调整,进一步提高滤波器的估计性能。仿真结果表明,该改进滤波器跟踪机动目标的精度高于常规卡尔曼滤波器和强跟踪卡尔曼滤波器。     

基于UD分解的改进型强跟踪滤波器

带多重次优渐消因子的强跟踪滤波器在计算舍入误差的影响下,估计状态的均方误差矩阵会失去非负定性,从而导致滤波发散的现象.在UD分解算法的基础上,提出了一种改进型带多重次优渐消因子的强跟踪滤波器.通过对引入渐消矩阵的一步预测均方误差矩阵进行UD分解,并将分解矩阵应用于滤波器量测信息的更新过程中,增强了算法的数值稳定性.此外,根据UD分解的结果给出了渐消矩阵的最小二乘解算方法,在提高渐消因子计算效率的同时摆脱了对先验知识的依赖性.仿真结果表明了算法的有效性.     

基于强跟踪滤波器的PMSM无速度传感器DTC策略

针对扩展卡尔曼滤波器(EKF)对模型误差鲁棒性差的问题,提出了基于强跟踪滤波器(STF)的永磁同步电机(PMSM)无速度传感器直接转矩控制(DTC)策略,该方法利用永磁同步电机定子坐标系下的非线性数学模型和强跟踪滤波技术建立了STF观测器,从而实现了对电机定子磁链、转速和转子位置的实时在线观测。仿真结果表明,STF观测器可以准确地观测出电机定子磁链和转速,同时与EKF观测器相比,该观测器对于系统参数摄动、外部干扰等系统模型失配具有更强的鲁棒性。     

基于强跟踪滤波器的再入飞行器制导律设计

研究了气动模型存在误差情况下高超声速再入机动飞行器的制导律设计问题。首先用强跟踪滤波器对气动参数进行估计,然后根据估计值与标称值的偏差对攻角和倾斜角进行修正,最后对原始非线性方程沿着标称轨道线性化得到线性偏差方程,并利用线性二次型最优调节器原理设计控制律。仿真结果表明所设计的制导律可以大幅度减小由于气动模型误差而引起的落点偏差。     

光电跟踪系统的一类非线性滤波器

传统的光电跟踪系统通过测量目标的斜距离、俯仰角和偏航角来获取目标运动参数。针对附加角速度测量的一类新的光电跟踪系统,充分考虑传感器测量噪声的相关特性,基于非线性估计理论设计了目标跟踪滤波器。首先利用嵌套条件方法推导了转换测量误差前两阶矩的一致性估计,然后采用序贯采样卡尔曼滤波器（SUKF）对解耦后的转换测量进行序贯处理,最后从理论上分析了跟踪滤波器的稳定性并给出了跟踪系统的Cramer-Rao下界（CRLB）。Monte-Carlo仿真表明：滤波器估计误差均方差（RMSE）已逼近非线性跟踪系统的CRLB。

Abstract：

Generally tradition optic-electric tracking systems can obtain target motion parameters by measuring distance,elevation angle and yaw angle of targets.A target tracking filter taking correlated measurement noises into account was designed for optic-electric tracking systems with angle velocity measurements based on nonlinear estimation theory.Firstly,the consistent first two moments estimate of the converted measurement errors were derived by nested conditioning method;then the converted measurements were sequentially processed according to Sequential Unscented Kalman Filter （SUKF）;Finally the stability of the filter was analyzed theoretically and the Cramer-Rao Low Bound （CRLB） of the nonlinear tracking systems was proposed.Monte-Carlo simulation results show that the Root Mean Square of Estimate Error （RMSE） of the filter is closed to the CRLB of the nonlinear tracking systems.     

基于强跟踪滤波器的自适应常加速模型及跟踪算法

建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服"当前"统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对"当前"统计(CS)模型的分析研究,在常加速(CA)模型的基础上提出了一种基于强跟踪滤波器的自适应常加速模型及跟踪算法(ACA-STF).该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比"当前"统计模型算法具有更高的跟踪精度.     

基于推广卡尔曼滤波的多站被动式融合跟踪

将推广卡尔曼滤波(EKF)算法与集中式融合跟踪算法相结合，用于被动式多站跟踪，给出了基于EKF的被动式多站集中式融合跟踪算法。该算法可解决被动式跟踪系统的可观测性及非线性问题。以三个站进行跟踪为例，进行了仿真研究，结果表明该算法具有满意的跟踪性能。     

基于平方根UKF的多传感器融合跟踪

为了提高融合算法的精度,将UKF(Unscented Kalman Filter)算法与多传感器顺序滤波融合跟踪算法相结合,提出了基于UKF的多传感器序贯融合算法.UKF算法利用非线性方程自身的传播,估计系统状态,避免了对非线性方程线性化的过程.顺序滤波融合算法用同一时刻的量测依次更新状态,计算复杂性低.仿真结果表明,UKF顺序滤波融合跟踪算法比传统的扩展卡尔曼滤波(EKF)算法有更高的跟踪性能,是一种有效的非线性融合算法.     

基于UKF的双平台无源融合跟踪方法

针对存在配准偏差的双平台无源融合跟踪系统,提出了基于扩维Unscented卡尔曼滤波的配准跟踪一体化方法,在跟踪算法中,采用模糊调度方法调节＂当前＂统计模型参数,引入渐消因子,能够在状态发生突变时,迅速调整系统参数,提高了系统的抗机动目标自适应能力。仿真结果表明,这种跟踪算法能够较好地解决双平台无源融合跟踪系统中的配准偏差问题。     

复杂背景下基于改进粒子滤波的红外人体跟踪

为解决复杂背景下红外图像序列中的人体跟踪问题,提出了一种改进的粒子滤波跟踪方法。根据红外图像中人体目标的特点,首先建立人体的灰度直方图来提取其灰度特征,同时采用一种新的基于帧间差分和灰度概率分布图的方法提取其运动特征。然后将上述两种特征融合到粒子滤波框架中,用于粒子权值的计算,最终实现红外序列中人体的稳健跟踪。实验结果表明,和传统粒子滤波算法相比,该方法大大提高了复杂背景下红外人体跟踪的准确性和有效性,跟踪结果令人满意。

Abstract：

An improved particle filter tracking algorithm was proposed to solve the problem of human tracking in infrared image sequences under complex background.According to the characters of the human in the infrared images,the algorithm firstly constructed the gray histogram of the human to extract the gray feature,and at the same time utilized a new method based on the inter-frame difference and gray probability distribution image to get the motion feature.Then,the above-mentioned two features were fused into the particle filter frame to calculate the particle weights.Finally the robust tracking of human in infrared image sequences was achieved.The experimental results show that compared with the traditional particle filter algorithm,the presented method greatly improves the accuracy and effectiveness of the infrared human tracking under complex background,and the tracking results are satisfactory.     

基于雷达和光电传感器的融合跟踪

基于防空武器系统的跟踪制导问题提出了一种利用雷达和光电传感器的融合跟踪方法。雷达能探测目标的斜距、方位角和高低角 ,光电传感器能较精确地探测目标的方位角和高低角 ,数据融合技术充分利用了雷达和光电传感器的观测信息及目标运动的特征信息 ,能显著改善系统机动目标的跟踪性能 ,提高武器系统的命中率。     

一种基于多传感器数据融合的目标跟踪算法

论述了目标跟踪的原理和数据融合技术,为了解决移动机器人系统中的传感器存在大量不确定性问题,提出了一种交叉传感器交叉特征(CSCM)数据融合算法,这种算法基于粒子滤波技术,融合多个传感器的信息,合并不同的状态空间模型,以此减弱系统和测量噪声,来估计移动机器人的位置和角度.在仿真实验中,我们分别比较了单一传感器和多传感器数据融合的不同情况,结果表明了这种算法的有效性,并展现了良好的跟踪性能.     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。