基于自适应预白化的水下动目标LFM回波联合检测

有色混响噪声背景以及水下动目标径向速度造成的回波和样本失配导致匹配滤波器对于线性调频LFM(linear frequency modulation)回波检测性能下降。基于自适应预白化处理的广义似然比GLRT(generalized likelihood ratio test)方法利用混响噪声背景的自回归AR(autoregressive)模型构建白化滤波器来抑制混响噪声,但回波和混响噪声的混叠会造成AR模型偏差。结合匹配滤波的回波定位特性和基于自适应预白化处理GLRT方法的混响噪声背景抑制特性,提出结合这两种方法的联合检测算法。仿真和实验数据测试表明联合检测算法对于水下动目标LFM回波检测性能优于单纯的零速样本匹配滤波和GLRT方法。     

抗差自适应UKF算法在地基光学跟踪空间目标中的应用

滤波过程中若噪声的统计特性发生时变,则会引起传统无迹卡尔曼滤波(unscented Kalman filter,UKF)的滤波精度快速降低、滤波收敛性不定甚至发散,针对这个问题提出了具有鲁棒性的UKF算法。首先根据极大后验估计(maximum a posterior estimate,MAPE)原理,推导出无偏的近似最优MAPE常值噪声统计特性的滤波估计公式,并给出了时变噪声统计估计器相关参数的一整套递推公式。考虑到观测数据粗差的存在,将可以在线估计时变噪声特性的方法和具有鲁棒特性的滤波因子相结合,以有效抑制观测数据的粗差值对滤波稳定性和收敛性的影响。最后,以地面站对空间非合作目标的光学测角跟踪为应用背景的仿真实例表明,该算法在噪声统计特性未知或不准确且过程噪声矩阵时变、观测数据存在个别粗差情况下,滤波依然收敛,其滤波精度及稳定性提高较为明显。     

软件接收机中基于数据处理的多径估计方法

当信噪比(signal-to-noise ratio, SNR）较低时基于数据处理的多径估计算法的估计性能显著降低。提出了基于Kalman滤波和Teager-Kaiser (TK）算子/最小二乘(least square, LS）相结合的多径估计算法,简称KTK/KLS算法。该算法通过Kalman滤波消除低SNR的高斯噪声对相关输出的影响,然后将滤波后的相关输出用于TK算子/LS估计直接信号时间延迟或多径参数。KTK/KLS算法有效解决了仅使用TK算子和LS算法进行参数估计时对噪声比较敏感的问题,保留了二者对多径比较敏感的优点。最后,通过仿真将KTK/KLS算法与其他高效的基于数据处理的多径估计算法进行比较,结果表明所提出算法的多径估计精度优于对比算法。     

α稳定分布噪声下一种稳健加权滤波的统一框架

针对传统滤波方法在α稳定分布噪声环境下性能退化的问题,从加权Myriad滤波以及加权Merid滤波方法出发,以M估计理论为基础,推导得到稳健加权(robust weighted,RW)滤波方法的统一算法结构,并据此提出了基于RW滤波的新算法,即基于稳健加权滤波的统一框架,从而将加权Myriad、加权Merid以及基于广义柯西分布的加权滤波器统一起来。此外,针对线性调频(linear frequency modulation, LFM)信号采用基于RW的LVD(RW LVD)方法估计其参数,并根据估计性能对RW方法的抑噪效果进行分析。仿真结果表明,与基于加权Myriad滤波、加权Merid滤波以及基于广义柯西分布的加权滤波等多种方法相比,在强脉冲噪声下RW滤波方法能有效抑制脉冲噪声,并具有良好的稳健性。     

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。     

非线性滤波算法在无源双基地雷达目标跟踪中的比较研究

针对无源双基地雷达目标跟踪问题,仿真分析了EKF、UKF、CDF等几种非线性滤波算法的状态估计性能。同时,基于后向平滑估计原理,利用当前观测数据平滑估计前时刻状态变量的均值和方差,提出了一种改进的UKF(CDF)滤波算法-BSUKF/CDF。仿真结果表明,在理想高斯白噪声情况下,UKF/CDF及BSUKF/CDF的跟踪性能相近,但均明显优于EKF;但若考虑角闪烁噪声,BSUKF/CDF的跟踪性能则优于UKF/CDF及EKF。     

基于PSO的USQUE在组合导航姿态估计中的应用

针对组合导航姿态估计中无味四元数估计(unscented quaternion estimation, USQUE)的噪声协方差矩阵参数无法准确给出等问题,提出基于粒子群优化的USQUE(USQUE based on particle swarm optimization, PSO-USQUE)算法。通过粒子群算法对噪声协方差矩阵Q和R进行寻优,获取优化的噪声协方差矩阵等滤波先验条件;分别进行仿真实验和微机电惯导系统/GPS车载实验。实验结果表明,对于USQUE的姿态估计问题, PSO-USQUE算法相比常规算法具有更高的精度,验证了所提算法的有效性。     

贝叶斯网络增强型多模型AUV组合导航算法

针对复杂环境下自主水下航行器(autonomous underwater vehicle,AUV)组合导航系统中存在噪声不确定或者易发生变化的情况,提出一种贝叶斯网络增强型交互式多模型(interactive multiple model filter based on Bayesian network,BN-IMM)滤波算法。该算法在多模型估计基础上,引入特征变量,并根据变量与系统模型之间存在的因果关系建立贝叶斯网络;利用贝叶斯网络参数修正多模型估计中的模型切换概率,能够降低多模型算法中真实模式识别对先验知识的依赖性。该算法能够解决交互式多模型(interactive multiple model,IMM)算法中模型转换存在滞后、模型概率易发生跳变等问题,增强多模型算法的自适应能力。以陀螺和加速度计的输出作为特征变量建立贝叶斯网络,对AUV组合导航系统进行仿真,结果表明所提出的BN-IMM算法相比于传统的IMM算法能够显著提高机动状态时模型转换速度和估计精度。     

针对图像脉冲噪声的参数自调整滤波算法

提出了一种针对脉冲噪声的参数自调整图像滤波算法,该算法将基于相关性双阈值噪声检测的非线性滤波算法和基于最小相邻图像均方差的参数自调整算法有机地结合在一起,不需要了解原图像和噪声污染的信息,可以直接通过参数自调整算法对非线性滤波算法中的参数自动地进行优化选择。基于Matlab的仿真试验表明,该算法对脉冲噪声有非常好的抑制能力,并且能够很好地保护图像的细节信息,对各类不同密度的脉冲噪声图像进行滤波均能得到令人满意的结果。     

一种强跟踪自适应状态估计器及其仿真研究

分析了强跟踪滤波器中新息方差近似计算方法的不足,提出了一种基于衰减记忆思想来近似计算新息方差的改进强跟踪滤波器。然后,对于过程噪声水平未知的目标状态估计问题,在Sage-Husa过程噪声水平自适应估计算法的基础上,一旦通过基于新息的滤波器发散判据检测到可能出现的发散现象,提出用改进的强跟踪滤波器进行抑制,极大地提高了滤波算法的鲁棒性。对三种典型的目标机动形式进行的Monte-Carlo仿真结果进一步验证了新提出算法的有效性。     

Volterra滤波器在混响背景下信号检测中的应用

混响是主动声纳检测中主要的背景干扰,它是一种有色干扰噪声,并常被看作是一个非平稳的随机过程,这使得工作在白噪声条件下检测器的性能在一定程度上受到限制.关于混响背景下信号的检测问题是人们一直关注的问题,通常人们将混响视为随机信号进行建模,而忽视它的混沌特性.将混响视为混沌噪声并进行混沌建模,利用Voiterra滤波器实现混响时间序列预测,实现混响背景噪声下信号的检测,并通过仿真得到预期结果.     

基于Top-hat变换的PM模型弱小目标检测

为了实现红外复杂背景下弱点目标的有效检测,提出了形态学Top-hat变换和改进的非线性扩散(以Perona-Malik (PM)的研究为基础)模型相结合的滤波算法,用于增强红外弱小目标信号、抑制复杂背景和噪声。该方法首先利用形态学滤波中的Top-hat算子对图像进行目标增强,然后对形态学滤波后的图像采用改进的PM滤波器进行进一步滤波达到抑制背景突出目标的目的,最终通过阈值分割实现弱小目标的检测。对比实验结果表明,该算法能够在低信噪比(signal-to-noise ratio, SNR)下实现红外弱小目标图像的背景及边缘有效抑制、使图像的信噪比提高20%,检测能力在原有算法上提高了40%。     

形状自适应各向异性微分滤波器边缘检测算法

传统参数固定的微分滤波器难以精确检测图像中不同类型的边缘,并存在噪声敏感的不足,为此,提出了一种基于形状自适应各向异性微分滤波器的边缘检测算法。利用图像的微分自相关矩阵构建一种反映边缘像素类型的度量准则,并建立度量与各向异性高斯方向导数(anisotropic Gaussian directional derivative, ANDD)滤波器各向异性因子之间的映射,实现ANDD滤波器的形状自适应控制,从而能精确地提取不同类型边缘的强度映射。同时大尺度的ANDD滤波器增强了边缘强度映射的噪声鲁棒性。实验结果证明,在无噪声情况下,所提算法的边缘品质因子(pratt figure of merit, FOM)分别比Canny边缘检测算法、基于Gabor的边缘检测算法和基于测度融合的边缘检测算法高23.3%、14.5%和9.5%。在含噪声情况下,则分别高41.7%、29.7%和12.0%。     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。     

#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。     

基于小波变换的子带自适应滤波算法及仿真

因为噪声总是影响信号检测的结果,所以低信噪比下的信号检测是目前检测领域的热点,而强噪声背景下微弱信号的提取又是信号检测的难点。自适应滤波器为检测信号提供了一种简单、实用的方法。可以在微弱信号的条件下,通过测量和学习,实现对微弱信号的最佳拟合。提出基于自适应小波变换的心电信号的检测,利用小波变换的子带编码理论,通过在多个子带权值的自适应匹配,合成后拟合微弱信号。仿真结果表明,该方法可进一步改善信号的检测能力,在检测微弱信号的特征和改善信噪比方面是一种十分有效的方法。     

存在导向矢量误差的宽带分布式目标稳健检测算法

针对在相干积累期间转动引起导向矢量误差的分布式目标检测问题,提出了一种稳健检测算法。利用极大似然方法和拉格朗日乘子法对各个距离单元的信号进行估计,得到稳健的广义似然比检测算子。理论分析表明该算法的恒虚警率特性。对两类飞机实测数据的多个仿真结果表明,与传统的广义似然算法相比,该算法检测性能有明显的提高。