基于直觉模糊熵的红外图像预处理方法

针对红外图像中的脉冲噪声问题以及传统滤波算法的不足,提出了一种自适应直觉模糊滤波算法.该算法利用直觉模糊集理论在处理不确定性问题中的优势,将图像中各个像素点改由一对隶属度函数和非隶属度函数自适应地标定,然后采用修改后的直觉模糊熵定义自适应地确定各像素点的权值以完成滤波.给出了该算法的具体步骤,仿真结果表明:当脉冲噪声密度较大时,采用该算法可有效地滤除噪声;即使当噪声密度很大时,在数学形态学方法的辅助下,该算法也可出色地完成脉冲噪声滤除工作.     

基于ANFIS的自适应机动目标状态估计算法

针对基于当前统计(current statistics,CS)模型的机动目标状态估计算法对机动目标加速度的极限值依赖性大的缺陷,提出了一种利用自适应神经网络-模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)自适应调整目标状态噪声方差的方法。首先利用ANFIS算法对目标机动强度进行估计,进而对目标状态噪声协方差矩阵进行自适应调整;然后利用粒子滤波(particle filter, PF)算法对目标状态进行估计。仿真结果表明,与该方法能够有效提高目标状态估计的精度。     

δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture, GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli, VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题, 结合基于临近点算法(proximal point algorithm, PPA)和变分贝叶斯(variational Bayesian, VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering, CKF), 提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma, IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布; 利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新; 最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel, VB-CRTS)平滑。仿真结果表明, 对于量测噪声未知的非线性系统, 所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。     

被动定位跟踪中的非线性滤波技术

针对被动定位跟踪中状态空间模型非线性程度较高所引发的滤波精度偏低的问题,分析和总结了已有的包括推广卡尔曼滤波(EKF)、修正增益的推广卡曼滤波(MGEKF)、二阶滤波、自适应推广卡尔曼滤波(AEKF)等各种次优递推滤波算法的特点。在此基础上重点论述了一种基于贝叶斯原理的序贯蒙特卡罗粒子滤波技术,该方法通过粒子的加权和表征后验概率密度,获得状态估值,在处理非线性非高斯系统的状态估计问题时精度逼近最优,鲁棒性更好。     

基于极大似然准则与滚动时域估计的自适应UKF算法

针对无迹卡尔曼滤波(unscented Kalman filter, UKF)在系统噪声统计特性未知或不准确的情况下滤波精度降低甚至发散的问题,提出一种基于极大似然准则与滚动时域估计的自适应UKF算法。首先根据极大似然准则构造关于系统噪声统计的估计模型;然后引入滚动时域策略对所提模型进行优化;最后采用序列二次规划方法求取噪声统计的估计值,得到带有噪声统计估计器的自适应UKF。提出的算法可以实现系统噪声统计的在线估计,克服了标准UKF的缺陷。通过惯性导航/全球定位系统(inertial navigation system/global positioning system, INS/GPS)组合导航系统中的应用实例,验证了提出算法的有效性。     

α稳定分布噪声中基于最优核时频分析的跳频信号参数估计

针对传统非线性时频分析方法在跳频(frequency hopping, FH)信号参数估计时,会出现严重的交叉项和参数估计精度降低等问题,引入径向高斯核(radially Gaussian kernel,RGK)时频分析方法,该方法根据FH信号的不同自适应选择最优核函数,从而有效抑制交叉项。RGK时频分析方法可在高斯噪声环境下估计FH信号的参数,但在脉冲性较强的α稳定分布噪声中,该方法性能退化甚至失效。对此,结合最大似然估计理论,提出了一种α稳定分布噪声环境下的加权最大似然广义柯西(weighted maximum likelihood generalized Cauchy,WMGC)滤波的新方法。采用基于WMGC滤波器的RGK时频分析方法(WMGC RGK方法,即WR方法),对该噪声中的跳频信号进行参数估计。仿真结果表明,与基于分数低阶及Myriad的时频分析方法相比,WR方法在α稳定分布噪声中具有良好的鲁棒性和优良的跳频信号参数估计性能。     

非高斯alpha稳定分布环境中自适应滤波及研究进展

讨论了非高斯alpha稳定分布噪声环境中的自适应滤波及其近十几年来的研究进展。以alpha稳定分布的线性理论和参数的最大似然估计理论为基础,发展形成了线性滤波和非线性滤波两大类算法。相对于高斯环境下的滤波,新滤波算法在脉冲噪声中的韧性得到显著提高。最后分别给出了两类算法在谐波恢复中的应用实例。     

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。     

基于自适应预测滤波的视线转率估计方法

针对空间目标拦截过程中,视线转率估计模型强非线性噪声非高斯的问题,提出了预测滤波与扩展卡尔曼滤波相结合的转率估计方法.该方法在线实时估计并修正系统模型,滤波同时引入自适应方法,在线调整模型的噪声方差.仿真结果表明,与无迹滤波相比,该方法计算量小、收敛速度快、对模型误差的鲁棒性强,可以有效提高视线转率的估计精度,进而提高制导精度降低脱靶量.     

改进的Sage-Husa自适应滤波及其应用

为防止滤波发散和提高系统的实时性,提出了一种基于协方差匹配技术的自适应滤波方法。该方法将协方差匹配技术和一种简化的Sage-Husa自适应滤波算法相结合,通过滤波的状态确定量测噪声协方差阵的值,在线估计噪声的统计特性实现自适应滤波。将该算法应用到惯导/双星（INS/DS）组合导航系统中,并和简化的Sage-Husa自适应滤波算法进行仿真比较。仿真结果表明,在滤波精度相当的情况下,新算法简化了运算,提高了实时性。     

基于冗余量测的GNSS多路径误差抑制算法

针对惯性/卫星组合导航系统中,全球卫星导航系统(global navigation satellite system,GNSS)量测受多径效应影响的问题,提出了一种基于冗余量测的GNSS多径误差抑制方案。该方案包含了一个基于量测新息的GNSS多径误差卡方检验器和一个自适应Kalman滤波器。首先,通过卡方检验来判断量测新息零均值的特性丧失与否以检测GNSS量测中的多径误差。当检测到量测中存在多径误差时,自适应滤波器根据惯性导航系统的冗余量测估计出当前GNSS测量噪声协方差阵,以合理调节量测权重,增强滤波性能。最后,通过仿真与实际跑车试验,验证了该方案能够有效抑制GNSS多径误差,提高了导航精度。     

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。     

#br# 舰船捷联惯导传递对准的改进自适应滤波算法

针对舰船捷联惯导传递对准性能受系统动态模型和噪声统计特性影响的问题,提出了一种基于改进自适应滤波的“速度+姿态”传递对准算法。针对噪声矩阵半正定性问题而导致的滤波发散,对自适应滤波噪声矩阵的迭代算式进行了改进,并基于协方差匹配技术给出了滤波发散的抑制策略。考虑到舰船航行中的载体变形影响动态模型的问题,在状态量中加入了安装误差角和挠曲变形角,并在算法中进行了补偿。仿真结果表明,改进算法可以在100 s之内有效地估计出姿态失准角和安装误差角,完成舰船捷联惯导的快速传递对准。     

IAE-adaptive Kalman filter for INS/GPS integrated navigation system

1 .INTRODUCTIONInertial navigation system(INS) and Global posi-tioning system ( GPS) are two major navigationsystems now widely usedfor marine applications a-round the world. Considering both systems pos-sess complementary working characteristics , abooming attention is focused on finding effectivemethods to combine the two different systems toconstituteintegrated navigation system with higheraccuracy and better performance .Information likeGPS position and velocity are often chosen as…     

用于组合测姿的Kalman渐消因子自适应估计算法

提出了适用于姿态测量的Kalman滤波渐消因子自适应估计算法,滤波中采用序贯处理的方法计算出每个量测量对应的渐消因子,在位置速度组合导航系统中,只有位置、速度的误差状态是直接可观测的,用序贯滤波处理计算得到的渐消因子对协方差阵中对应于位置和速度误差状态的对角元素进行自适应控制,抑制滤波发散,提高位置、速度和姿态的测量精度。半实物仿真表明,与原来的算法相比,修改后的方法不仅能够提供高精度位置、速度信息,而且还可以提供高精度姿态信息,其中航向误差在0.08°以下,俯仰和横滚误差在0.02°左右。     

车载DR导航的非线性滤波方法研究

针对扩展卡尔曼滤波方法(EKF)用于车载DR导航系统滤波中存在的一些缺点,将一种新的滤波方法—UKF滤波方法用于车载DR导航系统的非线性状态估计中。该滤波方法与EKF方法相比具有容易实现和滤波精度高的特点。通过非线性状态估计UKF方法大大提高了导航系统的精度。为了检验其有效性,将这两种方法分别对车载DR导航系统进行滤波仿真,仿真结果进一步表明UKF方法优于EKF方法,是一种理想的车载DR导航非线性滤波方法。     

基于新息协方差的自适应渐消卡尔曼滤波器

自适应渐消卡尔曼滤波采用渐消因子抑制滤波器的记忆长度,当系统模型和噪声模型建立不准确时,能够有效地抑制滤波器的发散。但是现有计算渐消因子的方法公式表达复杂,计算过程繁琐,不利于组合导航等一些实时的应用。针对这种情况,提出了一种利用新息协方差计算渐消因子的方法,通过渐消因子自适应地调整误差协方差,补偿不完整信息的影响。该方法计算量小,提高了滤波算法的可靠性。最后,仿真结果证明了该方法的有效性。     

Unsupervised robust adaptive filtering against impulsive noise

An implementation of adaptive filtering, composed of an unsupervised adaptive filter (UAF), a multi-step forward linear predictor (FLP), and an unsupervised multi-step adaptive predictor (UMAP), is built for suppressing impulsive noise in unknown circumstances. This filtering scheme, called unsupervised robust adaptive filter (URAF), possesses a switching structure, which ensures the robustness against impulsive noise. The FLP is used to detect the possible impulsive noise added to the signal. If the signal is "impulse-free", the filter UAF can estimate the clean signal. If there exists impulsive noise, the impulse corrupted samples are replaced by predicted ones from the FLP, and then the UMAP estimates the clean signal. Both the simulation and experimental results show that the URAF has a better rate of convergence than the most recent universal filter, and is effective to restrict large disturbance like impulsive noise when the universal filter fails.