一种新的去偏转换测量Kalman滤波算法研究

采用引入虚拟项方法推导出转换测量误差均值和协方差的解析表达式,利用全部测量数据,给出了转换测量误差均值及其协方差在均方意义下的最佳估计,提出了一种新的去偏转换测量Kalman滤波算法.将该算法用于研究滤波精度要求较高的遭遇段导弹跟踪问题,并进行了Monte Carlo仿真.结果表明:该算法位置和速度估计的均方根误差小,滤波精度高,滤波器的实际估计误差和估计协方差匹配性好,算法置信度高,即使测量噪声较大时仍然保持良好的滤波性能.     

平方根二阶EKF及其在目标运动分析中的应用

针对无源目标运动分析的强非线性和低可观测性特点,提出一种改进的二阶扩展Kalman跟踪滤波算法。为了降低传统二阶扩展Kalman算法的计算量,首先研究了对状态矢量正交化处理,减少二阶展开项协方差矩阵计算量的方法;在此基础上,将平方根Kalman算法与二阶扩展Kalman滤波器相结合,提高了滤波器的数值稳定性能;最后,将该算法应用在一个目标运动分析实例中,通过计算机仿真和试验验证了该算法的有效性。     

径向速度测量推广Kalman滤波的改进

研究了一种把径向速度测量引入推广Kalman滤波 (EKF)的新方法。在对测量方程进行分解和对测量噪声的统计特性进行分析的基础上提出了一种序贯处理结构的推广Kalman滤波算法 ,这种算法相当于对非线性的径向速度函数围绕状态矢量的滤波值而不是预测值线性化 ,因而可以大大减小线性化处理带来的误差。两个不同的MonteCarlo仿真结果说明该算法的估计性能优于传统的推广Kalman滤波。     

自适应卡尔曼滤波器渐消因子选取方法研究

分析了通过改变噪声和初始条件抑制Kalman滤波发散的方法,指出了造成Kalman滤波发散的原因和控制Kalman滤波发散的机理。推导了衰减记忆滤波方程并研究了衰减记忆滤波噪声阵和滤波初值的选取条件,分析了衰减记忆滤波条件下量测噪声阵遗忘因子权重变化的物理意义。给出了衰减记忆滤波不发散的自适应遗忘因子的新算法,仿真结果证明了所述方法的有效性。     

弹道式再入目标跟踪方法对比分析

地基雷达对弹道式再入目标进行滤波跟踪时主要存在两个导致滤波误差增大的不确定因素,一是弹道系数未知,二是不可准确确定过程噪声协方差矩阵。为此,采用交互式多模型无敏滤波（iterative multiple model unscented filter, IMM UF）算法对弹道式再入目标进行跟踪,选取不同的弹道系数初值和过程噪声协方差矩阵构成合适的模型集合进行了仿真分析,并将其滤波结果与扩展卡尔曼滤波（extended Kalman filter, EKF）和无敏滤波（unscented filter, UF）的滤波结果进行了对比分析,同时还分析比较了IMM UF和自治多模型（autonomous multiple model, AMM）UF算法的跟踪滤波性能。从仿真结果可以看出,采用的IMM UF算法和相应的模型集合可以在先验信息缺少的情况实现对弹道式再入目标更高精度的跟踪。     

基于最大熵方法的鲁棒自适应滤波及其应用

针对过程噪声和量测噪声受到脉冲噪声影响而呈现非高斯分布,且噪声统计特性不精确从而导致估计精度下降的问题,提出一种基于最大熵方法的变分贝叶斯自适应卡尔曼滤波(maximum correntropy variational Bayes adaptive Kalman filter, MCVBAKF)算法,并将其应用于捷联惯导系统(strapdown inertial navigation system, SINS)/全球卫星定位系统(global positioning system, GPS)组合导航系统。首先,使用最大熵鲁棒滤波方法对由脉冲噪声产生的野值问题进行处理;然后,通过改进的变分贝叶斯自适应方法进行后验更新,估计噪声,收敛所估参数的估计值;最后,进行了仿真对比。结果表明, MCVBAKF在复杂环境下可以有效提升滤波精度和稳定性。     

基于强跟踪UKF的航天器自主导航间接量测滤波算法

针对广义卡尔曼滤波(extended Kalman filter, EKF)和无迹卡尔曼滤波(unscented Kalman filter, UKF)缺乏对系统异常的在线自适应调整能力、导致滤波器精度降低的问题,提出了一种将强跟踪滤波(strong tracking filter, STF)和UKF相结合的滤波算法,并进一步采用部分状态信息作为间接观测量,同时量测噪声方差阵实时调整,从而避免了对观测方程求取Jacobi矩阵的过程,使滤波器的设计得到简化。将该算法应用于航天器自主导航系统中,仿真结果表明,该算法在系统出现突变或缓变异常时,能够迅速检测出异常,在保证较高估计精度的同时,提高了系统的可靠性。     

基于理想弹道鲁棒容积卡尔曼滤波视线角估计

针对惯性元件在低成本全捷联制导弹药中应用难度大的问题,设计了一种利用理想弹道弹体运动参数代替惯性元件测量值的弹目视线角滤波估计方法。根据坐标系转换关系及弹目视线几何关系,将理想弹道参数作为系统不确定性参数,建立非线性滤波系统;针对具有参数不确定性的非线性系统滤波问题,提出了一种基于理想弹道的鲁棒容积卡尔曼滤波(ideal trajectory robust cubature Kalman filter,ITRCKF)算法,将具有不确定性系统的滤波问题转化为带参数κ的误差协方差上界最小化问题;最终利用导引头探测器测量得到弹体视线角,结合ITRCKF对非线性系统状态进行估计。实验结果表明:在小扰动条件下,ITRCKF偏角估计最大误差值较容积卡尔曼滤波(cubature Kalman filter,CKF)下降了85.57%,误差均方根(root mean square error, RMSE)下降了81.93%;在大扰动条件下,ITRCKF倾角估计值最大误差较CKF下降了31.64%,误差均方根下降了46.39%。所提方法对弹目视线角的估计值满足精度要求,并且相对于CKF估计值具有较好的鲁棒性能。     

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。     

一种改进的分布式多目标跟踪算法

将多平台分布式的IMM_Kalman(DIMM_Kalman)算法和IMM_JPDA(DIMM_JPDA)算法相结合,得到改进的DIMM_JPDA(DIIMM_JPDA)算法。在DIIMM_JPDA算法中,每个平台都有自己独立的IMM算法跟踪系统,每个IMM算法中都采用Kalman/JPDA滤波器,全局的滤波值由各平台的滤波值融合而成。然而在全局融合中,由于协方差矩阵可能出现奇异,导致计算的不稳定性或出现严重异常。为了克服上述问题的缺点,引入了特征值扰动方法,使该协方差矩阵变成非奇异矩阵。仿真实验表明改进的DIIMM_JPDA算法比DIMM_JPDA算法有更小的误差。     

相关噪声下基于对角加载的相干信源DOA估计算法

针对更为广泛的空间相关噪声背景下相干信源的DOA估计问题,提出了一种对角加载的改进空间差分平滑（diagonal loading improved spatial smoothing difference, DL ISDS）算法。该算法利用均匀线阵协方差矩阵的Toeplitz分解特性进行差分运算对消相关噪声,将独立和相干信源分开分辨,重复利用阵列接收数据,可分辨更多信源,相比常规谱估计算法,DL ISDS算法具有更强的信源过载能力及阵元节省能力;另外,该算法无需预知或专门估计相干信号源数及特征值分解,可明显减小算法的运算量和复杂度。计算机仿真结果证明了DL ISDS算法理论的正确性和有效性。     

基于Volterra级数的全解耦RLS自适应辨识算法

针对非线性系统辨识问题,提出了一种基于Volterra级数模型的非线性系统的全解耦RLS自适应辨识算法。按照Volterra伪线性组合结构,采用RLS自适应辨识和约束优化理论,导出了具有分块对角形输入相关矩阵的全解耦Volterra标准方程,据此设计了一种基于Volterra级数模型的全解耦的RLS自适应辨识算法。该算法与部分解耦的RLS自适应算法相比,显著提高了辨识过程的收敛速度和精度。仿真结果验证了该方法的有效性。     

基于目标高斯分布的定位系统节点最优部署方法

针对三维空间定位系统中目标位置服从高斯先验分布假设条件下节点最优部署问题,分析了纯方位目标定位算法中估计误差的费希尔信息矩阵,推导出基于目标先验分布的克拉美罗界(Cramer-Rao bound,CRB).为了解决目标位置在任意高斯分布时,协方差矩阵为非对角阵的问题,提出了基于三维坐标旋转的最大后验概率估计方法,将协方...     

基于矩阵重构的非相干分布源参数估计方法

针对现有非相干分布源参数估计算法计算量大等问题,提出了一种新的DOA和角度扩展估计算法.该算法利用空间频率近似模型下的非相干分布源协方差矩阵的结构特点.协方差矩阵可分为相位信息矩阵和幅度信息矩阵.对相位信息矩阵进行重构,对重构后的协方差矩阵利用MUSIC等传统方法即可实现DOA的估计;对幅度信息矩阵的各主次对角线上的元素均进行平滑得到幅度信息平滑向量,估计得到的DOA代入幅度信息中即可得到角度扩展的估计,从而实现非相干分布源DOA和角度扩展分离估计.计算机仿真验证了算法的性能.     

基于变分推断的一般噪声自适应卡尔曼滤波

线性高斯状态空间模型中假设噪声为已知的白噪声过于苛刻。认为过程噪声与观测噪声均未知且二者的解析关系确定,假设观测噪声的均值非零且服从高斯分布,方差服从逆威沙特分布,从而构成了层次式贝叶斯模型。利用变分推断将均值与方差和系统状态一起作为随机变量进行迭代估计,在得到观测噪声的均值与方差的估计值后,利用其与过程噪声的关系进一步更新未知过程噪声的均值与方差,从而动态地得到每一时刻过程噪声与观测噪声的一、二阶统计矩信息,即使在噪声统计信息动态变化的情况下也有较满意的滤波精度。实验证明了该算法的有效性。     

用一次快拍数据实现二维完全解相干和解互耦

针对相干信源背景和考虑二维阵列互耦效应时的二维波达方向(direction of arrival, DOA)快速估计问题,提出了一种只利用一次快拍数据即可实现二维完全解相干和解互耦的快速算法--互耦效应下的单次快拍波达方向矩阵(single snapshot DOA matrix method in the presence of mutual coupling, MC-SS-DOAM)法。该算法仅利用特殊阵列的单次快拍数据构造等效的接收数据协方差矩阵,避免了传统算法需要多次快拍累积的弊端,将其分解后得到了具有对角阵形式的等效信号协方差矩阵,因此实现了完全解相干,此时互耦系数已经从阵列流型矩阵中剥离,归入至对角元素中,即实现了完全解互耦。文中进一步对互耦系数可能导致的二维盲角进行了分析。仿真结果表明,该算法能够完全实现解互耦和解相干,且仅利用一次快拍的本文算法二维估计性能接近50次快拍的DOAM算法,明显优于40次快拍的DOAM算法。     

均方意义下的最优无偏转换测量Kalman滤波

转换测量Kahmal滤波(CMKF)在雷达跟踪领域得到了广泛的应用。然而，当目标位置的互距离测量误差比较大时，CMKF的性能将急剧下降。本文在均方意义下给出了一种新的无偏CMKF。这种滤波器的关键是在均方意义下推导无偏转换测量误差协方差阵的最佳估计。对于匀速运动目标，仿真结果表明本文方法可以得到好的滤波性能，而当方位测量误差比较大时，滤波性能的改善就更加明显。此外，对机动目标的情形亦进行了讨论。     

基于对角减载的水声阵列SMI-MVDR

空间谱估计一直都是水声阵列信号处理研究的热点问题,而一般认为目标和背景干扰的信息都蕴含在接收信号协方差矩阵中,因而现有的谱估计技术大多针对接收信号的协方差矩阵进行处理。由于信号和噪声的相关性,导致协方差矩阵中主对角线元素上的噪声分量最大。针对这一特性提出了基于对角减载的水声阵列采样矩阵求逆(sample matrix inversion, SMI)最小方差无畸变响应(minimum variance distortionless response, MVDR)波束形成技术。理论推导了对角减载量对输出功率谱目标方位上输出信噪比的影响,分析了最佳对角减载系数的选取原则。并针对实际工程应用情况,研究了由有限次快拍数估计的采样矩阵得到最佳对角减载系数的方法,该方法无需预估信号源数。通过算法仿真和海试数据处理,对比验证了基于对角减载的SMI MVDR空间谱估计的有效性和可靠性。对于背景噪声级较强的水声阵列信号处理环境来说,所提方法能有效提高高斯白噪声背景下的声纳多目标分辨性能。     

基于UKF的混合坐标系下运动

针对无源定位必须实现快速和稳定定位跟踪的要求,首先研究了混合坐标下的推广卡尔曼滤波(EKF)算法,充分利用了直角坐标系下状态方程的线性特性和修正极坐标系下观测方程的线性特性,并针对两坐标系间协方差矩阵变换的舍入误差,推导了一种混合坐标系下的UKF算法,并将其应用于运动辐射源的无源定位跟踪中。计算机仿真表明该算法提高了收敛速度和定位精度。     

基于改进对称量测方程的多目标跟踪

采用传统对称量测方程对多维多目标跟踪会增加伪观测量,在目标航迹交叉点附近容易产生较大跟踪误差。针对这一问题,提出一种基于多项式因式分解思想的改进对称量测方程,通过建立同一目标在不同坐标系中状态之间的联系,将新量测集与原始量测集的对应关系描述的更加准确,利用泰勒展开公式推导出新量测的观测误差,求出相应的观测误差协方差阵。与现有对称量测方程方法和联合概率数据关联算法仿真对比,验证所提方法不仅延续了对称量测方程时效性优势,而且提高了目标在航迹交叉时的跟踪精度。