无人作战飞机数据链延时对攻击决策的影响及其补偿

数据链是无人作战飞机与地面控制系统之间的纽带,但是数据链延时会使地面操作员对战场态势的判断存在滞后和误差,从而易引起决策不当。在分析了无人作战飞机对地攻击过程中数据链延时对攻击决策影响的基础上,采用Unscented卡尔曼滤波器估计了无人机和机动目标状态,然后采用一种状态外推算法和马尔科夫加速度模型分别对二者的状态进行了预测。仿真结果表明,该方法对数据链延时具有较好的补偿作用,可以减少因数据链延时造成的不良影响。     

不完全量测下的Cubature卡尔曼滤波方法

提出了一种不完全量测下的Cubature卡尔曼滤波方法,该方法在Cubature卡尔曼滤波算法的基础上,建立了量测滞后下的状态空间模型,利用采样点状态扩维的方法对状态估计值进行更新,并给出了不完全量测下的Cubature卡尔曼滤波算法的实现流程。仿真实验表明,不完全量测下的Cubature卡尔曼滤波方法可以用于处理量测信息采样时间和延时时间都不确定的情况,在处理不完全量测下的高维强非线性系统状态估计时计算量小,具有较高的估计精度。     

机动目标跟踪的S修正无迹卡尔曼滤波算法

针对非线性观测条件下的非线性机动目标跟踪问题,借鉴线性滤波中卡尔曼滤波器的S修正防发散思想,对基本无迹卡尔曼滤波算法进行改进,提出S修正无迹卡尔曼滤波(SUKF)方法.对二维机动目标跟踪的仿真结果表明,该算法与基本UKF算法相比,跟踪精度大幅提高,但计算时间略有增加;与SPPF算法相比,跟踪精度提高,且计算复杂度大幅降低,计算时间大幅缩减.     

光电跟踪平台脱靶量滞后补偿方法

针对光电跟踪平台在跟踪目标时存在脱靶量滞后的问题,设计了一种基于非线性跟踪微分器和机动目标"当前"统计模型的滞后补偿方法。根据光电跟踪平台中目标脱靶量的产生机理,将脱靶量滞后等效为纯延迟环节和采样保持环节的串联,利用非线性跟踪微分器得到滞后脱靶量的跟踪信号及其微分信号。在此基础上,采取直接预测补偿法处理延迟环节,从而估计出不含延迟的脱靶量信号,并利用滞后脱靶量和跟踪信号的间距自适应调整非线性跟踪微分器的参数。根据机动目标的"当前"统计模型建立离散状态方程,采用修正的瑞利分布描述目标加速度的"当前"概率密度,从而估计在采样保持阶段的目标脱靶量,实现对采样保持环节的补偿。实验结果表明:所提方法将单位阶跃响应的超调量由基于自适应最小均方差补偿方法及基于卡尔曼滤波补偿方法的19.4%和13.7%降低至2.5%;所提方法能有效补偿延迟环节和采样保持环节,提高光电跟踪平台的目标跟踪精度。     

基于 VB-UKF 的 SINS/ GPS 自适应融合技术

针对SINS／GPS组合导航中量测噪声统计特性不准确引起卡尔曼滤波精度下降的问题,提出基于变分贝叶斯自适应无迹卡尔曼滤波（VB-UKF）的非线性融合方法．分析了线性的变分贝叶斯自适应卡尔曼滤波（VB-KF）算法的原理与性能,针对其仅适用于线性系统的问题,将VB-KF与UKF结合导出了非线性的VB-UKF算法．该算法可对系统状态和时变的量测噪声方差进行同步非线性估计,且与传统的UKF算法具有统一的形式．导航仿真结果表明：VB-UKF对于突变或慢变的量测噪声方差均能实时跟踪,较常规UKF算法可有效降低噪声统计特性不准确给系统造成的不利影响,提高定位精度．     

改进的基于“当前”统计模型自适应滤波算法及其在航迹预测中的应用

基于"当前"统计模型的模糊自适应(FACS)滤波算法利用机动目标"当前"加速度调整加速度极限值,实现了对一般机动目标的有效预测;但是在预测强机动目标时却存在较大的预测误差。为了解决这一问题,引入强跟踪滤波器(STF),提出了一种新的自适应滤波算法STF-FACS。该算法根据滤波残差实时调整卡尔曼滤波增益,提高了对强机动目标的预测能力;同时保留了FACS算法对于一般机动目标的预测性能。最后,对强机动目标分直线机动和转弯机动,分别进行航迹预测仿真。仿真结果表明,对弱机动目标进行航迹预测时,两种算法的预测效果相当;对强机动目标进行航迹预测时,STF-FACS算法无论是在动态时延和预测精度方面都比FACS算法要好。     

基于无迹卡尔曼滤波的水下机动目标跟踪研究

针对跟踪水下机动目标,难度较大的问题,建立了目标运动方程和观测方程,并将无迹卡尔曼滤波算法运用到水下目标运动分析中。通过蒙特卡洛模拟仿真,结果表明在处理非线性问题中,该方法计算量小、实现简单,精度较高,有较强的实用性。     

基于改进无迹卡尔曼滤波的内置式永磁同步电机转子位置估计

传统的扩展卡尔曼滤波和无迹卡尔曼滤波算法在估计永磁同步电机转子位置时需用到上一控制周期估计出的转子位置,而该估计值的偏差会进一步加剧估计算法的误差,甚至引起估计算法发散。针对这个问题,文中采用改进无迹卡尔曼滤波算法进行估算。该算法基于内置式永磁同步电机两相静止坐标系下的数学模型,并结合电压重构模型,使控制系统在获取无迹卡尔曼滤波算法的控制输入量与实际状态量时不再依赖算法估计出的转子位置,以避免估算值的偏差对估计算法的影响。在MATLAB/Simulink中对所提出的估计算法进行了仿真分析,并在测功机台架上进行了对比实验。实验结果表明,在适用于永磁同步电机中高速区的转子位置估计算法中,结合电压重构模型的无迹卡尔曼滤波算法响应快,其估计精度高于传统的无迹卡尔曼滤波算法。     

基于“当前”统计模型的模糊自适应航迹预测算法

基本的"当前"统计模型由于其机动加速度极限值固定不变,只能描述机动加速度较大的机动目标。因而基本的"当前"统计模型及其自适应滤波算法(CSAF)对机动性较强目标的预测性能较好,而对机动性较弱目标的预测误差较大。针对这个问题,新算法中设计了一种新的模糊隶属度函数,利用机动目标的"当前"加速度来自适应地调整机动加速度极限值,使"当前"统计模型可以描述具有任意加速度的机动目标。最后,运用该算法和CSAF算法对机动目标进行了航迹预测仿真实验,仿真实验结果表明,无论对于机动性较强的目标还是机动性较弱的目标,新算法的预测性能均优于CSAF算法。     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

闪烁噪声下目标跟踪的容积粒子滤波算法

针对闪烁噪声下非线性非高斯系统的目标跟踪问题,首先建立了闪烁噪声的数学模型;然后分析了传统粒子滤波算法的优劣点,在此基础上,引入容积卡尔曼滤波算法,重新设计粒子滤波的重要性密度函数,提出用容积粒子滤波算法来跟踪目标。最后进行了仿真分析与对比。仿真结果表明,闪烁噪声条件下,容积粒子滤波算法的跟踪误差分别是传统粒子滤波算法和无迹粒子滤波算法的1/5和1/2,有更高的跟踪精度;而运行时间仅是无迹粒子滤波算法的1/2,且跟踪稳定性更好。     

具有固定滞后平滑的变结构机动目标跟踪

针对变结构多模型算法在目标机动性较强时,因模型切换不及时而出现较大的误差峰值问题,提出了一种固定滞后平滑的变结构多模型(lag smoothing variable structure multiple model,LS-VSMM)跟踪算法.建立一个完备的模型集,根据模型概率利用有向图切换规则实现模型子集与目标运动模式的匹配;引入固定滞后平滑算法,通过对状态向量扩维,将平滑问题转化为滤波问题,使得原特定时刻的目标状态在系统中停留的时间更长,增加更多的状态量测信息,让状态估计变得更加准确,并且以延迟一定时间输出来改善滤波性能;对算法进行了仿真实验分析.仿真结果表明,与基于无味有向图切换的多模型算法以及基于有向图切换的变结构多模型(digraph switch variable structure multiple model,DS-VSMM)算法相比,LS-VSMM算法在有效降低误差峰值的同时,提高了目标的跟踪精度.     

基于极大后验估计的STUKF算法跟踪再入弹道目标

针对弹道导弹再入阶段飞行受力情况复杂多变,状态噪声未知时变的非线性跟踪问题,提出基于极大后验估计的STUKF非线性滤波跟踪算法。该算法采用最小偏度单行采样策略,在保证跟踪精度的同时,提高实时性;引入带有多重次优渐消因子的强跟踪算法,在线调整状态一步预测均方误差阵,提高系统对突发机动跟踪的稳定性;采用指数加权的方法,利用次优无偏MAP时变噪声统计估计器,在线估计未知系统过程噪声的统计特性,提高系统应对噪声变化的能力。仿真结果表明:该算法具有比不敏卡尔曼滤波算法(UKF)和扩展卡尔曼滤波算法(EKF)更好的跟踪性能。     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.     

基于改进自适应无迹卡尔曼滤波的国产民机导航数据滤波算法

针对国产民用飞机导航数据存在杂波不能准确测量的问题,提出一种基于改进自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法的导航数据滤波方法。将无迹卡尔曼滤波(unscented Kalman filter,UKF)与改进Sage-Husa次优无偏极大后验噪声估计器结合构造出改进AUKF,有效解决了在模型不确定或干扰信号统计特性不完全得知的情况下,滤波精度低甚至发散的问题,同时与维纳滤波器和小波阈值法滤波效果进行对比。选择ARJ21飞机实际运行的高度、经度及纬度数据进行仿真,结果表明：改进后的AUKF算法较其他滤波算法精度更高,有效提高了导航数据的可靠性。研究对提高国产民机导航定位精度具有重要意义。     

基于GNL模型自适应无迹卡尔曼滤波的电动汽车的荷电状态估计

随着电动汽车的高效发展,逐年递增的退役动力电池回收利用已刻不容缓,对电池进行精确、可靠的荷电状态(state of charge,SOC)估计是实现电池梯次利用的关键技术。传统估计方法均未考虑对老化电池影响较高的自放电因素,本文采用在二阶RC模型基础上考虑了自放电因素的GNL电路等效模型,通过脉冲放电对模型参数进行辨识。对相应的状态空间方程利用矩阵二次型方法进行离散化,并利用自适应无迹卡尔曼滤波算法对SOC进行实时估计及更新。在间歇恒流工况和变电流工况下以老化电池为实验对象对算法进行了对比验证,结果表明双卡尔曼滤波法在初值估计不准确的时候不能及时收敛到SOC真值附近并跟随,基于二阶RC模型的自适应滤波算法估计的误差在工况后期较大,基于GNL模型的自适应滤波算法对老化电池的估计精度较高,误差在0.5%之间。结果表明该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC 估计的实际需求。     

基于选择性模型更新与卡尔曼滤波的目标模型更新算法

选择性模型更新算法不能准确地更新目标模型,在外观变化、遮挡、场景光线变化等因素影响的运动目标跟踪中,不能有效地处理目标模型。因此,提出了一种选择性模型更新与卡尔曼滤波的目标模型更新算法。根据可靠性阈值和分量更新比例精确选取更新分量,并与Kalman滤波相结合,对目标模型分量进行预测,根据不同干扰和目标外形变化,将两种算法的跟踪结果线性加权得到新的跟踪目标模型。实验结果表明该算法具有良好的跟踪效果。     

新型UKF在非线性系统执行器故障估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法使用受限,粒子滤波算法动态跟踪能力差、易产生退化,单一无先导扩展卡尔曼滤波(unscented Kalman filter,UKF)算法滤波精度低等缺陷,根据极大后验(maximum a posterior,MAP)估计原理,设计了一种带限定...     

当前统计模型自适应滤波算法改进

由于"当前"统计模型自适应滤波算法对于最大加速度的过分依赖,使其对于弱机动目标并不具有较高的跟踪精度,基于"当前"统计模型自适应滤波算法的研究及目标跟踪性能的分析,提出了将目标的机动状态划分为强机动和弱机动,当目标在作弱机动运动时,可通过修正最大加速度来提高跟踪精度,分别针对常速、常加速、弱变加速三种弱机动情况进行了数学仿真,仿真结果表明,通过修正最大加速度的方法,可使该算法对于弱机动目标的跟踪精度大大提高。