基于交互式模型的多AUV协同导航鲁棒性滤波算法

针对多自主式水下潜器(autonomous underwater vehicle,AUV)在协同导航过程中量测异常等问题,提出一种基于交互式模型的多AUV协同导航滤波算法。首先以建立多AUV协同导航基本模型为基础,给出基本的协同导航滤波过程;通过广义最大似然估计的滤波算法对受污染的量测噪声进行处理;进一步地,利用Schweppe形式下的广义最大似然估计解决量测出现的异常情况;运用交互式多模型算法解决由量测噪声时变而造成的滤波精度下降问题。最后仿真结果表明该协同导航滤波算法具有良好的自适应鲁棒性。     

考虑SAR量测特性的弹载SINS/SAR组合导航滤波算法

在弹载捷联惯性导航系统(strapdown inertial navigation system, SINS)/合成孔径雷达(synthetic aperture radar, SAR)组合导航系统中, 针对量测输出时间间隔不同及SAR量测滞后的问题, 提出一种利用曲线拟合法解决量测滞后的非等间隔无迹卡尔曼滤波(unscented Kalman filter, UKF)算法。首先，在UKF的基础上, 利用系统状态转移矩阵的特性, 根据SAR有无量测输出选择是否进行量测更新, 解决了量测不同步的问题。然后，利用曲线拟合补偿法拟合SAR输出信息, 获得SAR量测信息滞后的补偿算法。最后，以弹载SINS/SAR组合导航系统为研究对象, 验证所提算法的有效性。仿真结果证明，该算法得到的东向位置误差的绝对值为5.12 m, 航向角误差绝对值为6.63″, 北向速度误差绝对值为0.08 m/s, 相比于传统UKF算法有效提升了组合导航系统滤波精度。     

基于波形捷变的多传感器机动目标跟踪

针对现代战场中目标往往采用机动方式运动的情况,为了提高目标跟踪的准确性和精确性,结合多传感器数据融合的优点,提出了一种基于波形捷变的多传感器机动目标跟踪方法。该算法通过波形捷变来改变量测的精度。首先在现有文献的基础上,将波形捷变方式推广到二维空间,把雷达量测的克拉美罗下限（Cramer-Rao lower bound,CRLB）近似为量测误差协方差,由于该CRLB是关于发射波形参量的,从而把雷达跟踪的信号处理与数据处理结合在一起,通过波形参量的动态选择得到量测误差协方差的最小值。从而在整个雷达跟踪过程中提高信噪比（signal to noise ratio,SNR）,降低量测误差。其次,在数据处理上,采用多传感器数据融合及粒子滤波进一步提高机动目标跟踪的精度。最后,将该算法与传统的Kalman滤波、粒子滤波及只对一维空间的量测采用波形捷变的算法和交互多模型方法（interacting multiple model,IMM）进行仿真比较,仿真结果显示该算法对机动目标的跟踪精度显著提高。     

基于相对信息观测量的INS/USBL非线性组合导航方法

针对传统惯性导航系统/超短基线定位系统(inertial navigation system/ ultra short base line, INS/USBL)组合导航利用绝对位置做观测信息存在导航精度较低,且噪声异常引起抗干扰能力弱的问题,提出基于相对信息观测量的INS/USBL非线性组合导航方法。以INS解算的应答器相对于INS在基阵坐标系下的入射角、斜距信息与超短基线输出的入射角、斜距信息之差作为观测量建立量测方程。在改进Sage Husa算法基础上采用容积规则,设计一种适用于非线性系统的自适应容积卡尔曼滤波估计器。仿真结果表明,该方法定位精度较传统方法提升2.4倍,在噪声异常情况下,滤波收敛,组合导航性能稳定。     

基于预测信息的量测转换序贯滤波目标跟踪

针对多普勒雷达目标跟踪问题,提出了基于预测值量测转换的序贯滤波目标跟踪算法。该算法采用基于预测信息的量测转换方式解决量测与目标运动状态的非线性,其中位置量测转换采用乘性去偏、伪量测转换采用加性去偏,量测转换误差的统计特性基于预测值进行推导,并采用序贯滤波方式处理伪量测以实现目标跟踪。同时将该算法扩展到机动目标跟踪情况,综合利用了位置量测与伪量测滤波部分输出的概率组合作为该模型的更新概率,利用模型更新概率对各滤波器的状态估计结果进行加权求和获得最终估计。仿真结果表明该算法与传统的序贯滤波跟踪算法相比,具有更高的跟踪精度,其扩展方法可实现有效的机动目标跟踪。     

基于改进高斯粒子滤波器的目标跟踪算法

针对现有机动目标跟踪中粒子滤波算法的不足,提出了一种改进的粒子滤波方法。该方法在高斯粒子滤波的基础上通过利用当前时刻量测值对量测误差的分布参数进行实时的统计和更新,并以此得到粒子的权值,从而考虑到了量测值对估计值的影响,该方法适合于量测误差分布为高斯白噪声且状态量与量测误差相关条件下的非线性估计。仿真结果表明,与传统的自举粒子滤波(boot trap particle filter, BPF)、高斯粒子滤波（Gaussian particle filter, GPF)以及无迹粒子滤波（unscented particle filter, UPF)相比,该方法具有较高的精度和较少的计算量。     

基于修正贝努利滤波的被动多目标跟踪算法

针对势平衡多目标多贝努利(cardinality balanced multi target multi Bernoulli, CBMeMBer）滤波中的量测信息弱化问题,提出一种改进的多目标多贝努利（improved multi target multi Bernoulli, IMeMBer）滤波。该算法通过对漏检目标的多贝努利随机集进行修正,在解决目标数过估问题的同时,避免了CBMeMBer滤波中的量测信息弱化问题。在此基础上,将高斯粒子滤波引入IMeMBer算法中,通过一组高斯粒子近似多贝努利随机集中元素的概率分布,实现被动测角情况下的多目标跟踪。仿真结果表明,所提算法能够以较小的运算代价达到高斯混合粒子劳势估计的概率假设密度滤波相似的跟踪精度,具有良好的工程应用前景。     

基于PHD滤波的相控阵雷达多目标跟踪算法

对于相控阵雷达方向余弦量测,采用扩展卡尔曼概率假设密度(extended Kalman probability hypothesis density, EK PHD)滤波进行多目标跟踪时,存在目标数估计偏高和目标状态估计准确度低的问题。针对上述问题,提出了一种新的多目标跟踪算法——无偏转换量测概率假设密度(unbiased converted measurements PHD, UBCM PHD)滤波算法。该算法采用方向余弦量测下的量测转换方法,保留了更多的量测信息;同时对转换后的量测偏差进行补偿,使量测转换误差的均值、方差准确近似原始量测高斯分布的一、二阶矩。仿真实验表明,所提算法可提高目标数和目标状态估计准确性。     

基于VB近似的自适应δ-GLMB滤波算法

目前,基于δ-扩展标签多伯努利(δ-generalized labeled multi-Bernoulli, δ-GLMB)滤波器的多目标跟踪方法假设量测噪声协方差先验已知,而实际中量测噪声协方差可能是未知或随着环境改变而变化。针对上述问题,提出一种基于变分贝叶斯(variational Bayesian, VB)近似的自适应δ-GLMB滤波算法。该算法以δ-GLMB滤波器为基础,利用逆威沙特和高斯乘积混合分布近似量测噪声协方差和多目标状态联合后验分布,通过VB近似技术推导滤波迭代。仿真结果表明,所提算法对于线性未知量测噪声协方差场景具有很强的多目标跟踪鲁棒性,在有效估计量测噪声协方差的同时实现准确的目标数和目标状态估计。     

基于幅值信息的联合概率数据关联粒子滤波算法

针对非线性非高斯环境下多目标被动跟踪的低可观测问题,将粒子滤波、联合概率数据关联和量测的幅值信息相结合,提出了一种基于幅值信息的联合概率数据关联粒子滤波算法。将联合概率数据关联算法中的关联似然与幅值似然比相结合,利用粒子滤波算法进行跟踪滤波,用幅值量测来改善低可观测条件下的目标跟踪性能。仿真结果表明,该算法提高了数据关联的可靠性和目标跟踪的精度。     

三段判别域与最小二乘拟合的抗差滤波算法

组合导航系统卫星信号在传播过程中容易受到干扰导致卫星导航观测值出现故障。对于此问题, 提出一种基于最小二乘拟合原理的抗差滤波算法, 根据检测量的分布状态将故障分为三段判别域, 分别为无故障、偏差和超差的情况。无故障时不做处理, 出现偏差时对观测值进行降权处理, 对于超差情况, 用前几个时刻的观测值组成的拟合函数进行一个时刻的外延, 代替当前时刻的故障观测值。仿真结果表明, 三段判别域相对于两段判别域多了对偏差情况的处理, 提高了导航精度。连续时间内发生超差情况时, 相比于使用降权法, 基于最小二乘拟合的抗差滤波算法导航精度更高, 稳定性更好。     

基于粒子群优化算法的无人战斗机路径规划方法

对于无人机的路径规划问题,从和机器人路径规划问题的差别入手,通过粒子群优化算法对有限数目的采样航点的优化,使用高次B样条曲线拟合出满足路径最短且威胁最小的无人战斗机的飞行路径。研究了路径规划约束的数学模型、粒子构造方式和粒子的评价适应度函数。通过仿真对目前出现的基于粒子群优化算法的无人机路径的多项式拟合方法和所提出的基于B样条拟合的方法进行了比较。仿真结果表明,使用粒子群算法优化出来的B样条曲线比多项式拟合法和几何方法更加合理有效。     

取水监测数据的奇异值识别与修正策略

提高水资源监测数据的真实性与完备性是国家水资源监控能力建设的重要内容.本文基于当前国家水资源监控数据的实际统计状况,提出采用小波变换模极大值的方法实现对取用水监测数据的降噪和奇异值的挖掘,并将辨识出的奇异值进行剔除处理后的监测数据序列作为粒子群-最小二乘支持向量机模型的训练样本,进而根据拟合函数对奇异值进行修正的策略.通过对重点取用水户的取用水监测数据进行实证研究结果发现,利用小波变换模极大值可较大限度地保留取用水监测数据的原始信息,并实现对其中变动幅度偏大数据的分离,可有效降噪并观测取用水监测数据的内在变化规律;同时借助相对误差可进一步挖掘监测数据中存在的奇异值,且辨识效果要好于传统统计方法;而粒子群-最小二乘支持向量机模型对取用水监测数据的样本拟合要比普通最小二乘支持向量机、曲线拟合等方法更为有效,运用该方法修正的取用水监测数据奇异值更加符合实际取用水需求的特点.     

GMDH参数模型的改进及在煤炭价格研究中的应用

首先,针对现有GMDH算法的不足做了两点改进:一是利用初始变量添加法来防止有用信息丢失、改善模型结构、提高模型精度,二是用权系数向量法或符号表达式法直接给出GMDH输出的显式表达式;然后,将改进的GMDH算法应用于煤炭价格影响因素的实证研究。结果显示改进的GMDH算法能够更真实地反映实际的煤炭价格模型结构,不仅有更高的拟合精度,而且有良好的外推能力,能够准确预测煤炭价格的变动趋势。     

公司债券违约率的结构化模型研究

采用期权定价和违约率函数的结构化处理方法建立估计公司债券违约率的模型，应用美国国内公司的整体数据给出了将模型具体化的处理方法，得到一个带马尔可夫链的违约率函数。根据实证数据的初步检验，该函数的拟合效果比较理想，可用于估计一般性上市公司群体的债券违约率。文中的处理方法具有良好的可行性，只要拥有模型必需的股权价值、债务价值和违约率的数据，就能按照该方法将模型具体化，拟合出违约率函数，并由此来估计公司债券的违约率。     

空地联合预警系统的弹道估计实时算法

针对弹道导弹预警系统中的弹道实时估计难题,提出了一种新的卫星与雷达测量数据的加权快速融合方法,它是一种递推式计算方法,对有效测元进行逐个融合计算,可以提高估计精度。在此基础上,探讨了一种基于匹配多项式最小二乘滤波的雷达数据实时处理方法,该算法能有效的降低截断误差。给出了应用这两种方法的具体步骤,理论分析和仿真计算结果表明了算法的有效性。     

基于神经网络的时变参数系统仿真优化方法

时变参数系统的仿真优化问题是一个新兴的研究课题,相比传统仿真优化,时变参数系统对实时性的要求高,而对解的精度要求不高。本文提出将该问题转换为一类神经网络预测问题,并从理论上证明了该方法的可行性。首先,线下构建神经网络模型描述输入参数到最优解的映射关系;然后,利用训练好的神经网络模型线上实时预测最优解。考虑到边界样本对最优解拟合曲面的影响,提出构建中心样本和边界样本,分别训练两个神经网络模型。仿真和实例表明,该方法能够随时变参数的变化实时给出满意解,从而为求解时变参数仿真优化问题提供一种新的解决思路。     

NAR模型的Korenberg算法及其应用

函数逼近是许多工程领域,乃至经济领域中的一个基本问题,本文深入研究了NAR（Nonlinear Autoregresive)模型的Korengberg函数逼近算法,并从实时控制角度提出了一种可行的、新的模型优化方法。在仿真实验中,对混沌信号和火炮弹道函数逼近时,得到了较好的效果。实实验结果表明,本算法具有以下4个优点;1）对不同结构的系统具有较好的适应性。2）具有较高的逼近精度。3）具有较短的计算时间。4）具有较强的抗噪声能力。可见,本算法是一种有效高实际应用价值的方法。     

动力学模型系统误差及其协方差阵的随机加权拟合法

在现有的基于移动窗口函数模型和随机模型系统误差自适应拟合方法的基础上,提出一种基于移动窗口动态导航模型系统误差的随机加权拟合法,在相同的窗口内给出了相应的状态预报向量协方差阵的随机加权拟合。由于动力学模型系统误差难以直接修正,采用修正状态估计误差向量及动力学模型误差向量的方法,实现对动力学模型系统误差的修正,然后利用修正后的动力学模型及相应的协方差阵进行导航滤波计算,有效地抑制动力学模型系统系统误差的影响,提高导航解算的精度。仿真结果证明,采用随机加权拟合后的算法精度优于未进行拟合的卡尔曼滤波和自适应卡尔曼滤波算法。     

基于新最速下降法的目标跟踪算法

雷达目标跟踪滤波算法是雷达信号处理的重要组成部分, 在空防预警、战场监视、导弹制导等领域起着重要的作用。本文提出了基于一种新最速下降法的目标跟踪算法。首先建立一种基于改进多项式拟合模型的运动描述模型, 接着用一种新最速下降法来求解运动模型的最优参数, 通过实时的最优运动模型对运动目标航迹进行预测跟踪, 并采用正则化思想去除噪声影响。将本文算法与目前常用的交互多模型跟踪滤波算法进行对比, 仿真结果表明在目标机动和非机动的情况下, 本文算法的精度更高、计算量更小、实时性更好。