考虑雷达导引头前馈补偿的一体化制导方法

针对大机动目标使空空导弹雷达导引头跟踪误差加大和制导精度下降的问题,提出了一种考虑雷达导引头前馈补偿的一体化制导方法。针对机动目标,构造视线角速度前馈补偿回路,对雷达导引头角跟踪系统进行补偿,提高导引头响应速度,降低跟踪误差角。基于视线坐标系设计一体化制导算法,采用卡尔曼滤波器对弹目视线角速度和目标加速度进行估计,将视线角速度信息前馈补偿到导引头跟踪回路中,将目标加速度信息补偿到最优制导律中,同时实现雷达导引头视线角快速跟踪和最优制导律制导信息提取。仿真结果表明,一体化制导算法可同时实现对导引头视线角速度和目标机动的估计,从而提高制导精度。     

多重渐消因子强跟踪SCKF及其在#br# 故障参数估计中的应用

针对非线性系统中不可观测故障参数估计问题,提出基于多重渐消因子强跟踪平方根容积卡尔曼滤波（multiple fading factors strong tracking square-root cubature Kalman filter, MSTSCKF）的状态和参数联合滤波算法。MSTSCKF基于强跟踪滤波器理论框架,通过引入多重渐消因子实时调整增益矩阵,克服平方根容积卡尔曼滤波（square-root cubature Kalman filter, SCKF）在故障参数变化函数未知或者突变时滤波精度下降甚至发散的缺点,并兼具SCKF在非线性拟合精度和数值稳定性等方面的优点。仿真结果表明,相比SCKF和强跟踪无迹卡尔曼滤波（unscented Kalman filter, UKF）,本文提出的方法具有更高的估计精度。     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。     

基于改进粒子滤波的光电目标跟踪算法研究

在光电目标跟踪与定位中,结合扩展卡尔曼滤波和粒子滤波的优点和目标跟踪的非线性特征,提出了一种非线性系统的基于当前统计模型的自适应扩展卡尔曼粒子滤波算法,根据光电目标的测量信息修正加速度方差,消除随机误差和噪声的干扰,提高预测的精度。通过MonteCarlo对比仿真实验表明该算法正确有效,定位精度较高,滤波效果得到改善,同时增强了稳定性,优于一般的EKF、PF和EPF算法,为光电目标的精确跟踪与定位的实现提供一种新的方法。     

基于SINGER模型的实时误差配准算法及分析

系统误差配准是多平台、多传感器目标跟踪的关键环节,可以有效地估计雷达跟踪系统误差,并进行准确误差补偿。若不进行精确的系统误差配准,则可能导致多平台、多传感器跟踪系统对目标融合跟踪的错误或对同一目标产生多条航迹,从而导致系统性能恶化。给出了基于目标SINGER运动模型的扩维卡尔曼滤波算法。通过仿真实验分析了误差配准精度与机动频率的关系,结论为针对不同机动频率目标进行雷达跟踪系统的误差配准提供理论参考。     

无源系统中时间差和角度变换跟踪算法

在使用时间差方法对目标进行无源跟踪时,跟踪系统中的各站点有时无法同步截获目标的信号,使跟踪过程中误差增大。提出基于时间差与角度切换的跟踪算法。该算法利用时间差和角度测量的结果,使用扩展卡尔曼滤波对目标跟踪,通过对每个周期各站截获信号和对目标跟踪精度的情况,选择输出两种方法对目标位置估计结果。算法比仅利用时间差的方法有更强的适应性,同时精度并没有下降。给出了算法的具体步骤,通过仿真实验验证该算法的有效性。     

自适应高斯模型与多基地雷达机动目标跟踪

为改善多基地雷达系统对高机动目标的跟踪性能,提出了基于自适应高斯模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.将目标加速度的概率密度特性描述为一具有均值和方差的高斯分布,建立了系统的离散状态方程和非线性观测方程进行EKF滤波,并在每个采样周期实现对输入控制信号及过程噪声协方差的更新,使加速度符合目标的实际变化情况.Monte Carlo仿真结果显示,对目标的变加速轨迹,该算法在位置和加速度上的均方根误差均比Singer模型小,且误差曲线平滑,表明了该算法能对机动目标实现准确跟踪.     

基于当前统计模型的机动目标自适应跟踪算法

当前统计模型及其自适应卡尔曼滤波算法对强机动目标具有很好的跟踪效果,但当机动目标为弱机动和非机动时算法跟踪性能较差。针对这一问题,提出了采用铃形函数作为模糊隶属函数对模型中加速度极值进行修正的自适应滤波算法,调整加速度稳定时的系统过程噪声方差,提高算法的跟踪精度。同时,借鉴强跟踪滤波算法的渐消自适应滤波因子思想,针对加速度突变的情况引入渐消因子对修正的加速度极值进行调节,提高算法在加速度突变情况下的跟踪速度。仿真实验结果表明,算法对弱机动目标和非机动目标的跟踪具有良好的效果。     

基于新息序列修正的输入估计算法

针对传统输入估计算法跟踪机动目标时检测概率和估计精度不高的缺点,提出一种改进的输入估计跟踪算法。算法利用对检测窗内新息序列进行修正以及对卡尔曼滤波状态变量进行补偿的方法,消除了已有机动检测估计对后继机动输入估计的影响,提高了对机动的检测概率和估计精度。理论分析和仿真结果表明,改进后的算法相比原有算法和IMM3算法,不仅跟踪性能有显著提高,而且对加速度缓变的机动也有较好的跟踪能力。     

一种基于数据融合的机动目标跟踪预测算法

在机动目标的运动跟踪中,为了减小搜索区域,需要对下一时刻目标位置进行预测。本文以医疗康复领域中基于视频的运动分析为背景,针对二维平面中静止背景的运动目标提出一种基于数据融合的预测跟踪方法。首先采用多项式拟合算法和基于“当前”模型的改进卡尔曼滤波算法分莉对运动目标进行位置预铡,然后采用数据融合的方法得到最终的预测结果．最后用计算机仿真和实验对所提出的预测算法进行了验证,结果表明本文算法与多项式拟合和卡尔曼滤波算法相比,预测误差更小,跟踪精度更高。     

非线性系统中多传感器滤波跟踪型数据融合算法的研究

在非线性系统中，常用的跟踪滤波算法是基于扩展的卡尔曼滤波算法的融合算法，但是这种融合算法的跟踪精度并不是很高。本文根据对滤波器跟踪型数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法。研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

基于平方根UKF的多传感器融合再入段目标跟踪研究

为了提高再入段目标跟踪的精度,将平方根不敏卡尔曼滤波（unscented Kalman filter, UKF）算法与多传感器分布式融合算法相结合,提出了基于平方根UKF的多传感器融合跟踪算法。在各个独立的传感器中利用平方根UKF滤波器进行状态估计,然后通过分布式融合方法融合各传感器的状态估计值得到全局的状态估计值和误差协方差,将全局误差协方差进行加权对各传感器进行分配更新。通过仿真验证,基于平方根UKF的多传感器融合跟踪算法具有较高的跟踪性能,是一种有效的非线性融合跟踪算法。     

机动加速度辅助的航姿系统扩展卡尔曼滤波

低精度航姿系统一般采用基于重力场和地磁场矢量观测的6态扩展卡尔曼滤波,载体长时间机动时,模型存在较大误差,无法保持稳定的姿态精度。将载体机动加速度描述为当前统计模型,提出了一种机动加速度辅助的9态扩展卡尔曼滤波,其状态变量包括三个姿态角误差、三轴陀螺零偏误差和三轴载体加速度误差,观测量为三轴加速度误差和三轴地磁场误差。实验表明,将航姿系统固定在转台上产生0.6 g的向心加速度时,9态扩展卡尔曼滤波在对机动加速度进行稳定估计的同时,姿态精度保持在1度以内。     

基于加速度补偿的惯性行人导航非零速区间姿态估计CKF算法

姿态估计是导航解算的基础，在基于足绑式惯性测量单元的行人导航系统中，由于足部运动加速度变化频繁且剧烈，使得常见的姿态融合算法精度下降。为了减小运动加速度对姿态解算的影响，通过数据分析定义了可以进行加速度补偿的拟合区间，在零速检测的基础上给出了拟合区间的判定方法，提出了对加速度计的输出进行一阶拟合补偿的方案，并设计了能完成后续行人导航姿态估计任务的容积卡尔曼滤波(cubature Kalman filter, CKF)算法，在非拟合区间则采用三子样旋转矢量法进行姿态更新。在数值仿真中，将所提算法与纯三子样旋转矢量法进行了对比分析，对算法精度进行了测试，在行人导航试验中验证了算法的有效性。试验结果表明，在行走过程中及出现较大运动加速度的情况下，加入加速度补偿的CKF姿态估计精度平均提高了35.3%。在矩形闭合路径试验中，起终点水平误差降低了56.3%,起终点高度误差降低了20.3%。     

基于UKF的交互多模型算法

为了提高交互多模型算法的滤波精度,提出了基于无迹卡尔曼滤(UKF)的交互多模型算法(IMM-UKF).该算法融合了交互多模型算法对不同目标机动模式的自适应能力和UKF滤波精度高的优点.通过对机动目标跟踪的应用仿真,将该算法和基于扩展卡尔曼滤波(EKF)的交互多模型算法(IMM-EKF)进行了比较,仿真结果表明了IMM-UKF具有较好的跟踪性能,减小了机动目标跟踪的均方根误差.     

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪的算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点。提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 ,可提高各单传感器的跟踪精度。     

基于"当前"统计模型的模糊自适应跟踪算法

“当前”统计模型需要预先设定目标最大机动加速度，不能很好的适应各种机动情况。采用模糊推理的方法根据测量新息和新息变化率实时调整目标最大机动加速度，自适应各种机动情况。此外，针对多数传感器测量方程的非线性，采用性能较好的Unscented Kalman Filter代替常用的扩展卡尔曼滤波。仿真结果表明，该算法在跟踪精度和收敛速度都优于传统的基于“当前”统计模型的跟踪算法。     

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点 ,并提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行了比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 ,可提高各单传感器的跟踪精度     

高分辨距离像辅助的机动目标跟踪算法

宽带相控阵雷达可以获得高分辨距离像,利用此特征获取目标的姿态角成为了一种可能,基于此提出了一种新的机动目标跟踪算法,充分利用高分辨距离像特征,实时估计目标姿态角,并将姿态角信息融合到雷达的量测方程,本文结合先进的非线性滤波算法,提出了利用姿态角的交互多模型不敏卡尔曼滤波算法。通过计算机仿真表明,利用目标姿态角的机动目标跟踪算法相比传统算法目标跟踪精度(位置精度和速度精度)得到很大提高。同时姿态角误差越小,目标跟踪性能越好。     

基于自适应CS模型的IMM算法

目标运动状态的改变将导致目标跟踪算法精度降低或发散。为了提高机动目标跟踪的跟踪性能,首先,针对当前统计(current statistical, CS)模型中最大加速度固定设置导致模型误差增大的问题,提出了一种自适应CS模型;在自适应CS模型和交互式多模型(interacting multiple model, IMM)的基础上,提出了一种交互式多自适应模型(interacting multiple adaptive model, IMAM),该模型通过采用两个自适应CS模型,能够有效消除目标状态突变造成模型误差急速增大的问题,提高了模型的准确度和适应性。其次,在IMAM的基础上,结合修正卡尔曼滤波(amendatory Kalman filter, AKF)的思想,提出了IMAM-AKF算法,该算法通过修正最终的状态融合估计值,有效地降低了目标机动造成的模型误差,进一步提高了机动目标跟踪的性能。最后,结合自适应渐消卡尔曼滤波(adaptive fading Kalman filter, AFKF)的思想,提出了IMAM-AFAKF算法。仿真结果表明,无论是强机动还是弱机动,IMAM-AFAKF算法都具有较好的跟踪性能。