基于UPF的中程飞行冲突探测

2000年,Prandini等建立了飞机位置的概率模型, 该模型将飞行扰动的方差作为全程飞行时间与路程的函数,基于此模型,他们提出了中程飞行冲突探测的随机化算法. 本文作者将飞行扰动作短时处理, 建立了包含雷达观测误差在内的一个更精确、更符合实际的概率模型, 并提出了基于UPF的中程飞行冲突探测算法.     

基于Kalman 滤波的Camshift 运动跟踪算法

提出将Camshift与Kalman滤波相结合的方法.首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上,通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪.实验结果表明,在图像背景复杂且目标不规则运动的情形下,采用此方法仍能有效地跟踪到目标.在真实视频数据上的实验结果表明该方法具有很好的应用前景.     

基于Kalman滤波的AOA测量误差抑制研究

在AOA无线定位中,需要测量特征测量值AOA。而在蜂窝网络的无线测量中,由于非视距传播和多径的影响,AOA测量值误差较大,从而定位精度较低。Kalman滤波技术是一种处理定位数据的有效手段,尤其是动态定位数据,它不仅利用当前的观测量,而且充分利用以前的观测数据,根据线性最小方差原理,求出最优估计。仿真结果表明,Kalman滤波技术可以有效抑制AOA测量误差。     

基于Kalman滤波的TOA测量误差抑制研究

在TOA无线定位中,需要测量特征测量值TOA。在蜂窝网络的无线测量中,由于非视距传播和多径的影响,TOA测量值误差较大,从而定位精度较低。Kalman滤波技术是一种处理定位数据的有效手段,尤其是动态定位数据,它不仅利用当前的观测量,而且充分利用以前的观测数据,根据线性最小方差原理,求出最优估计。     

基于推广Kalman滤波的机载无源定位改进算法

研究空中运动观测平台对地面辐射源目标的纯方位信息定位算法,提出改进的二阶EKF定位算法以提高定位估计精度.用推广Kalman滤波算法代替传统的最小二乘定位算法.充分利用观测平台的运动信息建立了可观测的观测方程,并采用二阶EKF算法解决了在观测误差较大的情况下导致的非线性误差较大的问题.采用Monte Carlo仿真比较LS,EKF和二阶EKF 3种方法的性能.证明用这种方法可以达到更好的估计精度,能够将目标位置定位在更小的概率椭圆内.概率误差椭圆缩小了30%.     

基于Kalman滤波的量程自适应超声波测距

针对移动式机器人障碍物探测时,超声波测距存在大量程与小盲区之间的矛盾及测量周期长的问题.设计了易于控制的超声波测距系统,采用基于Kalman滤波的量程自适应测量方法.为系统设定多级量程,在实际跟踪测量时,利用Kalman滤波器对目标的状态进行预测,通过预测值与设定阈值的比较进行量程的自适应切换,调整系统的测量参数.实验结果表明,该方法在增大量程的同时减小了盲区,实现了在大动态范围内对目标动态参数的准确估计,同时缩短了平均测量周期,增强了系统的实时性.     

基于Kalman滤波的目标轨迹预测

Kalman滤波器在各个领域都有广泛的应用,如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等．卡尔曼滤波器在机动目标跟踪中具有良好的性能,它是一种最佳估计并能够进行递推计算．但以Kalman滤波方法预测的过程需要对目标的运动方程有准确了解而且要求系统的过程与测量噪声为高斯噪声且相互独立,这在实时跟踪过程中都是很难满足的．本文利用基于Matlab编程的Kalman滤波改进算法实现目标预测跟踪,并绘出目标质心轨迹坐标．     

基于Kalman滤波的自适应MIMO信道估计

给出了一种基于Kalman滤波的自适应MIMO信道估计方法，分析了算法的剩余误差能量随迭代次数增加的变化情况，对饱和MIMO系统和欠饱和MIMO系统，分别采用Kalman自适应MIMO信道估计方法和最大似然信道估计方法，进行了数值仿真和对比。从对比的结果来看，文中给出的Kalman自适应信道估计具有和最大似然信道估计相近的性能，而在饱和系统中，Kalman估计算法性能要略好一些。     

基于Kalman滤波的Fuzzy系统参数估计

模糊系统在现代工业、模式识别与人工智能、自动控制中起着重要的作用。论文研究了复模糊系统的参数估计 ,提出了用经典的 Kalman滤波来估计模糊系统参数的一种新方法。在实例分析中 ,将复模糊系统用于通信信道均衡 ,用专家知识对信道输出建立一个模糊规则库 ,可以提高算法的速度和准确率。用该文给出的经典的 Kalm an滤波与传统的迭代最小二乘 RL S法比较 ,结果是该文的方法不仅误码率比 RL S方法低 ,而且收敛速度更快 ,更加利于硬件实现。     

基于信息扩散的Kalman滤波抗野值研究

标准Kalman滤波在理想条件下是系统状态最优滤波,当观测值中含有野值时,将严重影响滤波的精度。采用新息扩散原理对滤波方程中的新息序列进行修正,不仅可以抑制野值的影响,而且不受野值分布情况的限制,仿真结果验证了它的有效性。     

基于修正扩展卡尔曼滤波和粒子滤波的混沌信号检测与跟踪

针对恶劣环境下混沌信号的检测与跟踪这一难题,以及基于一阶线性化的扩展卡尔曼滤波(EKF)技术存在的严重退化现象,提出了具有较强稳健性的修正EKF技术,获得了与Unscented Kalman filter相匹配的性能.针对上述两种滤波方法在低信噪比情况下存在跟踪误差大的问题,为此引入了新颖的粒子滤波技术并且分析了该技术的可行性,最后仿真实验验证了该技术在低信噪比环境下的优越性.     

基于改进YOLOv3网络的卡尔曼社交距离检测与追踪

为了预防新冠肺炎的传播,在佩戴口罩的同时,保持一定的社交安全距离是必要的。为解决现有的目标检测算法在社交距离检测中无法同时满足检测的实时性、准确性以及在复杂场景中存在遮挡、小尺度目标等问题,提出基于YOLOv3的改进算法DPPY(Dilated Pyramid-Pooling with YOLOv3)。首先使用空洞卷积参与到YOLOv3的核心图像处理结构中,然后引入密集型连接网络进一步融合不同层之间的连接,并且在这基础上还模仿了空间金字塔结构处理输入数据的尺寸问题,最后将这些处理结果一起与待追踪物体与彼此间的前后位置进行更好的关联并选用卡尔曼滤波器这个工具来更好地处理。若行人彼此间靠的过于紧密,则标红发出警报,以便更好地提醒相关人员注意。结果表明：与传统的YOLOv3算法相比,DPPY算法检测速度更快,检测精度更高。检测速度达到了34帧/s,平均准确率(Average Precision, AP)提高了9.1 %,并且在大、中、小目标检测中平均准确率均值(mean Average Precision, mAP)分别提高了7.8 %、8.2 %、8.9 %。     

基于Kalman滤波器的多频电涡流信号解调方法研究

提出了基于Kalman滤波器的多频电涡流信号解调方法.该方法对含有多个频率分量的模拟信号进行直接采样,通过Kalman滤波器递推算法,实时同步解调多个检测频率分量的相位幅值等特征量信息.与传统的模拟相敏检波和数字相敏检波方法比,该方法无需硬件解调电路,电路结构简单,理论上可以软件灵活配置任意多个频点参数,不再依赖于具体硬件电路.     

基于平淡卡尔曼滤波器的微小卫星姿态确定算法

针对扩展卡尔曼滤波（EKF）在线性化过程中会引入误差的问题,采用平淡卡尔曼滤波器（UKF）进行了系统滤波器设计;提出一种构建虚拟观测量的方法,并分析了其噪声特性．虚拟观测量与高精度器件量测量搭配可实现对姿态的校正．以太阳敏感器、微电子机械系统（MEMS）陀螺、磁强计为姿态敏感器件,构建了定姿滤波器并用STK（Satellite Tool Kit）数据进行了仿真．结果表明,所提出方法能有效地提高定姿性能,采用UKF的系统定姿误差与EKF相当,但收敛时间、稳定性要优于EKF．     

基于卡尔曼滤波的车辆跟踪技术

为了满足高速行驶下系统对目标的快速定位,介绍了如何运用卡尔曼滤波技术建立一个通用的物体运动模型,从而达到快速跟踪一个或多个运动目标的目的.着重介绍了动态噪声为有色噪声的卡尔曼滤波算法,针对具体对象构造了状态方程和测量方程,并给出了具体计算方法和实验结果.该跟踪技术在四川省高速公路上进行了反复实验,本车时速达到120 km/h时,仍然可以实时跟踪定位前方车辆.     

基于UKF的INS/GPS组合导航系统仿真

通过Unscented卡尔曼滤波(UKF)算法,研究INS/GPS紧耦合组合导航系统中滤波算法的问题,避免了对非线性的系统方程进行线性化。同时将自适应原理引入UKF,给出了一种自适应UKF算法。将EKF、UKF和自适应UKF分别应用到INS/GPS组合导航系统的滤波中。仿真结果表明,相比UKF算法,自适应UKF算法进一步提高导航解的精度和收敛速度,同时系统的鲁棒性也得到了提高。     

基于Verilog HDL的卡尔曼滤波器的仿真研究

文章对卡尔曼滤波器的算法的5个递推方程进行了详细的介绍,并采用Verilog HDL硬件描述语言对卡尔曼滤波器的算法进行了仿真研究.通过仿真分析,结果表明卡尔曼滤波器的系统过程噪声、测量噪声、系统阶数(递归次数)等因素对滤波结果有影响。     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼（Kalman）滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

基于最优信息融合卡尔曼滤波的预测控制算法

针对噪声环境下的线性时不变系统,给出了基于最优信息融合卡尔曼滤波的预测控制算法.运用线性最小方差意义下的最优信息融合卡尔曼滤波方法获得状态估计,进而得到输出的N步超前预测值,最后通过最小化二次性能指标获得基于信息融合状态估计的控制输入.仿真实例验证了算法的有效性.