基于修正IEKF的IRST系统多站融合跟踪

针对红外搜索跟踪(infrared search and track, IRST)系统单站情况下的弱可观测强非线性问题,提出了一种基于修正迭代扩展卡尔曼滤波(modified iterated extended Kalman filter, MIEKF)的多站融合跟踪算法。按照高斯-牛顿迭代方法对IEKF中的测量更新进行修正,并推导了最大似然迭代终止条件,减小了非线性滤波的线性化误差。结合集中式融合跟踪算法,应用于IRST系统多站目标跟踪。以三站为例进行仿真研究,结果表明所提算法的跟踪性能要优于EKF和UKF。     

闪烁噪声下的改进粒子滤波跟踪算法

在实际雷达目标跟踪系统中,雷达量测常受到闪烁噪声干扰,传统的滤波算法在闪烁噪声下,滤波性能急剧下降甚至发散。提出了一种改进的粒子滤波(particle filter, PF)算法,按照高斯牛顿迭代方法对迭代扩展卡尔曼滤波(iterated extended Kalman filter, IEKF)中的测量更新进行修正,利用修正的IEKF来产生PF的重要性密度函数。进一步,采用马尔科夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)方法来消除重采样引起的粒子贫化问题。在给出的闪烁噪声统计模型基础上,将所提算法与PF及MCMCPF算法进行了仿真比较,结果表明该算法具有更好的跟踪性能。     

基于自适应UKF算法的机载INS/GPS空中对准研究

在空中对准失准角不满足小角度假设的条件下,推导了一种新的机载INS/GPS大失准角空中对准的误差模型。将基于极大似然估计的自适应估计器与无迹卡尔曼滤波(unscented Kalman filter, UKF)算法相结合,修改自适应滤波算法中自适应参数的表达式。提出将自适应UKF算法用于非线性误差模型的空中对准方案中。仿真表明,自适应UKF算法能够克服噪声统计模型不准确对滤波结果的影响,失准角估计的精度好于UKF算法的精度。     

一种改进粒子滤波器在雷达目标跟踪中的应用

在实际雷达目标跟踪系统中,雷达量测常受到闪烁噪声干扰,传统卡尔曼或扩展的卡尔曼滤波算法在闪烁噪声环境下,滤波性能将急剧下降甚至滤波发散。提出了将粒子滤波与无迹变换结合的改进粒子滤波算法UPF(uncented particle filter)应用在雷达目标跟踪中,解决了闪烁噪声情况下雷达目标跟踪问题。仿真结果表明,在高斯条件下扩展的卡尔曼算法和基于无迹变换的粒子滤波算法跟踪性能相近,但在闪烁噪声环境下,随着闪烁影响的增强,扩展的卡尔曼算法跟踪性能严重下降,而UPF算法能保持较好的跟踪精度。     

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.     

迭代容积卡尔曼滤波算法及其应用

将Gauss Newton迭代和容积卡尔曼滤波(cubature Kalman filter, CKF)算法相结合,建立了一种迭代CKF(iterated CKF, ICKF)算法。该算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,且在迭代过程中利用最新量测信息并改进迭代过程产生的新息方差和协方差,可获得较高的估计精度。针对弹道系数未知的再入弹道目标状态估计问题,仿真实验结果显示,该方法实现简单,比无迹卡尔曼滤波方法(unscented Kalman filter, UKF)及CKF方法效果要好。     

基于无迹变换的概率假设密度滤波算法

基于有限集统计理论的概率假设密度滤波算法运用于多目标跟踪时,不再考虑数据关联问题,突破了传统的跟踪方法.但该滤波公式在非线性条件下没有解析解,在非线性高斯条件下提出了基于无迹变换的概率假设密度滤波算法,实现了算法在强杂波环境下的多目标跟踪.仿真实验比较了该算法与基于粒子滤波的概率假设密度滤波算法的跟踪性能,验证了该算法的跟踪性能和精度.同时分析指出了此算法的不足,以及结合无迹变换与粒子滤波的概率假设密度滤波算法的改进研究方向.     

基于时频差的高阶强跟踪UKF算法

针对传统无迹卡尔曼滤波(unscented Kalman filter, UKF)在系统状态发生突变时估计精度下降的问题,将改进的强跟踪滤波算法与基于高斯概率密度高阶导的无迹卡尔曼滤波算法(high order probability density derivative, HUKF)相结合,提出了高阶强跟踪无迹卡尔曼滤波方法(high order strong tracking UKF, HSUKF)。该算法采用高斯概率密度函数高阶导数的极值作为Sigma样点进行无迹转换,通过样本点捕捉更高阶的中心矩来提高非线性变换近似精度。将改进的强跟踪滤波算法引入到HUKF中,通过渐消因子修正预测新息协方差和预测互协方差矩阵,强迫新息正交,在不增加计算复杂度的前提下提高了算法在状态发生突变时的适应能力。将本文算法应用于时差频差的无源跟踪中,通过对目标状态发生突变的跟踪问题进行数值仿真和实例论证表明HSUKF算法兼具了计算复杂度低和估计精度高的特性,且在系统状态发生突变的情况下表现出良好的滤波性能。     

基于四元数平方根UKF算法的SINS/GPS紧组合导航系统研究

在较大初始姿态误差角下,针对SINS/GPS紧组合导航系统扩展卡尔曼滤波（extenthed Kalman filter, EKF）算法定位精度下降的问题,提出了一种基于四元数的平方根无迹卡尔曼滤波（square root unscented Kalman filter, SRUKF）算法。为解决SRUKF算法中四元数正交规范化的限制,通过构造姿态矩阵代价函数将四元数预测均值问题转化为代价函数最小时的四元数向量求解问题,保证了均值四元数的规范化;利用乘性四元数误差表示四元数预测值与均值之间的距离,求取四元数的预测协方差矩阵,保证了算法的合理性。在此基础上,给出了SINS/GPS紧组合系统四元数平方根无迹卡尔曼滤波算法的具体步骤。在较大初始姿态误差角下的仿真实验结果表明,与EKF算法相比,该算法精度更高,稳定性更强。     

ICDKF在SINS大方位失准角初始对准中的应用

针对大方位失准角捷联惯性导航系统误差模型非线性的特点,利用基于迭代测量更新的中心差分卡尔曼滤波(iterated central difference Kalman filter, ICDKF)方法进行初始对准。与传统的非线性扩展卡尔曼滤波相比,ICDKF不仅能够提高滤波精度,而且不需要模型的具体解析形式,避免了复杂的雅可比矩阵的推导;同时ICDKF通过迭代测量更新,提高了目前存在的中心差分卡尔曼滤波的估计精度。仿真结果进一步表明ICDKF算法的可行性与优越性,能够满足初始对准的要求。     

基于UKF的单站无源定位与跟踪双向预测滤波算法

提出了一种新的滤波算法,以加快滤波算法的收敛速度和提高滤波的估计精度。反向预测与更新提高了上一时刻状态估计的精度,减小了当前时刻的状态预测误差。利用更准确的初始条件经过正向预测与更新,能得到当前状态更精确的估计值。计算机仿真结果表明,本算法的滤波性能优于传统的迭代滤波算法,既提高了滤波的估计精度,又加快了算法的收敛速度。     

迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter, IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2~3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter, UKF)的迭代收益就难以保证。     

Unscented extended Kalman filter for target tracking

A new method of unscented extended Kalman filter (UEKF) for nonlinear system is presented. This new method is a combination of the unscented transformation and the extended Kalman filter (EKF). The extended Kalman filter is similar to that in a conventional EKF. However, in every running step of the EKF the unscented transformation is running, the deterministic sample is caught by unscented transformation, then posterior mean of nonlinearity is caught by propagating, but the posterior covariance of nonlinearity is caught by linearizing. The accuracy of new method is a little better than that of the unscented Kalman filter (UKF), however, the computational time of the UEKF is much less than that of the UKF.     

基于IUPF算法的三维无人机毫米波波束跟踪

由于无人机毫米波通信技术具有高速数据传输和广域网络覆盖能力, 因此在军用和民用领域中拥有广阔的应用前景。针对无人机毫米波通信需要进行精确的波束跟踪这一问题, 提出一种基于改进无迹卡尔曼粒子滤波算法的三维波束跟踪方法。该方法首先利用无迹卡尔曼滤波建立建议密度函数并更新采样粒子; 然后计算每一个采样粒子的权值, 并在归一化后再次对粒子进行重采样; 最后计算粒子均值, 得到波束跟踪角度。仿真结果表明, 该方法相较于以往毫米波波束跟踪方法大大降低了估计误差, 显著提高了波束的跟踪精度。     

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UKF的新型北斗/SINS组合系统直接法卡尔曼滤波

针对传统的间接法卡尔曼滤波在北斗/捷联惯导(serial inertial navigation system, SINS)组合导航系统中无法实现较高的定位精度且计算的冗余度大的缺点,提出一种基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的新型组合系统滤波算法。本算法以SINS输出的导航参数及平台误差角等作为系统状态,无源北斗输出的位置速度参数作为量测,采用改进的UKF方法进行数据融合,并直接计算组合系统导航参数的最优估计。实验结果表明,新算法可以降低对伪距误差模型的精确度要求,同时避免非线性系统状态方程的线性化,简化滤波参数的调整过程,从而有效地缩短组合导航系统的解算时间,提高定位精度。     

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。     

改进的强跟踪平方根UKF在卫星导航中应用

针对应用于受不确定性干扰和噪声影响的卫星自主导航系统中的无迹卡尔曼滤波（unscented Kalman filter,UKF）存在估计精度低、跟踪性能差和鲁棒性弱等缺陷,提出一种改进的强跟踪平方根UKF(strong tracking square-root UKF, STSRUKF)导航方法。该方法中利用星敏感器和光学导航相机设计出导航方案,并通过转换方程将间接量测量转换为观测量。针对平方根UKF（square-root UKF, SRUKF）在高阶系统中因为sigma点的零权值系数是负的或者数值计算误差太大时而可能造成滤波器发散问题,采用一种改良的平方根分解方法,改善了滤波器的稳定性。同时,基于强跟踪滤波器理论（strong tracking filters, STF）,引入多重自适应衰减因子调节协方差矩阵,使得滤波器具有强跟踪能力和克服系统模型不确定的鲁棒性,改善了滤波器的估计精度。将该方法应用于卫星自主导航系统中,实验仿真结果表明,相对于平方根UKF和STF,该方法不仅保证了系统的可靠性,还提高系统的导航精度和改善系统的鲁棒性及跟踪能力。