EKF定位跟踪算法研究

为了处理机动目标跟踪过程中的非线性问题,提出了一种基于运动模型的扩展卡尔曼滤波（EKF）算法,该算法精度可以逼近最优估计,适用于任何可用状态空间模型表示的非线性系统。通过仿真表明利用运动模型的扩展卡尔曼滤波方法可以有效地抑制非视距误差（NLOS）对定位精度的影响,从而得到更高的定位跟踪效果。     

自举滤波器在非线性目标跟踪系统中的应用

为了解决目标跟踪领域中非线性、非高斯系统问题,研究了贝叶斯滤波算法及其一种实现方法,即自举滤波算法(BSF),并在滤波精度、运算量等方面与扩展卡尔曼滤波算法(EKF)进行比较分析.最后基于一个典型的非线性模型对BSF和EKF进行了仿真比较.仿真结果表明,自举滤波算法的性能优于扩展卡尔曼滤波算法的性能.     

基于交互式多模型扩展维特比容积卡尔曼滤波机场场面运动目标跟踪

根据先进场面运动引导控制系统(advanced surface movement guidance and control system,A-SMGCS)的监视要求,提出一种基于交互式多模型扩展维特比算法(interactive multi-model extended viterbi algorithm,IMMEV)与容积卡尔曼滤波(CKF)相结合的目标跟踪算法,以实现机场场面目标的跟踪。根据机场场面运动目标的运动建立相应的运动模型集,采用交互式多模型算法(IMM)实现目标跟踪;模型集中过多的模型会导致运算复杂性增加,且不能真实反映目标的运动,采用扩展维特比(extended viterbi,EV)算法对IMM进行优化,简化模型集;容积卡尔曼滤波器(cubature Kalman filter,CKF)较传统的滤波算法具有更高的滤波精度和稳定性,将其与IMMEV相结合形成IMMEV-CKF跟踪算法。为了验证所提出的IMMEV-CKF对场面运动目标跟踪性能,仿真研究IMMEV-CKF算法、IMM-UKF和当前统计模型对同一目标的跟踪。仿真结果表明,IMMEVCKF在跟踪精度性能方面要优于IMM-UKF和改进后的当前统计模型。因此,IMMEV-CKF更能满足机场场面运动目标跟踪要求。     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

非线性滤波算法在无源定位中的应用

针对无源定位中量测方程非线性对滤波精度及稳定性的影响,分析了基于模型线性化的滤波算法,包括扩展卡尔曼滤波(EKF)、伪线性滤波(PLF)、修订增益的扩展卡尔曼滤波(MGEKF)算法的特点,重点论述了非线性滤波(UKF)与粒子滤波器(PF)这2种新的非线性滤波方法思想及其特点,指出了无源定位问题中,这2种算法有更好的滤波精度及稳定性.     

基于平方根UKF的水下纯方位目标跟踪

为了避免被动跟踪中非线性性带来的计算复杂化及跟踪精度的下降,该文将平方根无迹卡尔曼滤波(SR-UKF)算法应用到水下仅测角目标跟踪.利用协方差平方根代替协方差参加递推运算,解决了标准无迹卡尔曼滤波(UKF)算法中由于计算误差和噪声等因素有可能引起误差协方差矩阵负定而导致滤波结果发散的问题,保证了滤波算法的数值稳定性,提高了跟踪的精度和可靠性.仿真结果表明,SR-UKF非线性滤波算法应用于水下仅测角目标跟踪系统是有效的,而且滤波精度、稳定性和收敛时间明显优于扩展卡尔曼滤波(EKF)和标准UKF算法.     

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。     

强跟踪有限微分扩展卡尔曼滤波算法在异步电机中的应用

针对异步电机直接转矩控制低速转矩脉动大的问题,提出了一种自适应强跟踪有限微分扩展卡尔曼滤波算法(STFDEKF)。该算法采用多项式近似技术和一阶中心差分法计算非线性函数的偏导数,它具有二阶非线性近似的能力;同时引入强跟踪因子来修改状态的先验协方差矩阵。文中将STFDEKF算法扩展至感应电机参数辨识,设计了针对非线性系统的STFDEKF滤波器;同时对五个电机变量进行观测,并将观测到的转速信息引入至感应电机控制系统,组成无速度传感器控制闭环。仿真结果表明,STFDEKF算法相比扩展卡尔曼算法(EKF)和有限微分扩展卡尔曼算法(FDEKF)虽然计算过程复杂,但是该算法具有更好地跟踪能力和滤波可靠性,所以在对磁链和转速目标进行跟踪时,STFDEKF算法是一种很有效的算法。     

基于负载均衡分簇的无线传感器网络目标跟踪算法

针对无线传感器网络目标跟踪算法节点负载不均衡的现状,结合非线性模型下目标跟踪的研究,提出一种基于负载均衡分簇的无线传感器网络目标跟踪算法.采用分簇时选出高能量簇首,簇间通信时通过辅助簇首多跳通信,在跟踪目标时使用分布式扩展卡尔曼滤波的方法.仿真结果表明:本文算法在多次分簇后有效减少了死亡节点数量降低了节点剩余能量差,与分布式卡尔曼滤波相比降低了跟踪误差.该算法均衡了无线传感器网络节点的负载并提高了非线性模型下目标跟踪的精度,在有限的资源下增加了目标跟踪算法的可靠性.     

GPS动态定位的强跟踪卡尔曼滤波研究

提出一种改进的强跟踪卡尔曼滤波算法，应用于ＧＰＳ动态定位滤中获得明显效果，首先采用描述机动载体运动的“当前”统计模型，建立了一咱新的ＧＰＳ动态定位扩展卡尔曼滤波模拟及其适应算法，然后，为了进一步提高滤波器的动态性能，改进了周东华等提出了的强跟踪滤波器，大大提高了ＧＰＳ动态定位位扩展卡尔曼滤器的跟踪能力。     

基于强跟踪滤波的天基测角卫星定位算法

在天基仅测角卫星定轨扩展卡尔曼算法(EKF)中,EKF关于模型不确定性的鲁棒性较差,造成滤波器估计不准,甚至发散。提出一种带次优渐消因子的扩展卡尔曼滤波(SFEKF)定轨方法,利用渐消因子对过去的数据进行渐消,减小了模型的截断误差,提高了滤波的收敛速度和对卫星的跟踪能力。仿真结果表明,与EKF定轨方法相比,SFEKF方法具有更高的定轨精度、稳定性和收敛速度。     

EKF在新的导航系统中的仿真研究

针对全球定位系统(global positioning system, GPS)的应用受限于美国,涉及隐私和安全等问题给出一种新的组合导航定位系统方案,该方案充分利用中国自主的研发技术,消除对GPS定位技术的依赖.为了验证该方案的可行性,进一步研究扩展卡尔曼滤波算法(extended Kalman filter, EKF)在BDS和DTMB定位系统中的应用.给出机动目标特性的运动模型,利用EKF进行最优估计,最后从动态定位跟踪轨迹、定位跟踪误差、和误差累积分布函数3个方面进行仿真验证.仿真结果表明,跟踪轨迹能够基本吻合于真实轨迹,偏差较少,且因视距中的误差小于非视距,视距环境中的效果更优.     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

多状态矢量Kalman滤波算法

提高跟踪精度是雷达发展的重要方向之一.本文建立的雷达跟踪模型,将不同时刻的状态变量联合进行处理,通过改变状态转移矩阵,给出了一种使用多状态矢量的Kalman滤波以提高雷达跟踪精度的新手段.仿真结果表明,相比传统的EKF算法,多状态矢量Kalman滤波能得到更加稳定、准确的滤波结果.     

基于时空信息的无迹变换滤波算法

提出了一种利用UKF算法实现对机动目标进行无源定位与跟踪的滤波方法.仿真结果表明,与扩展卡尔曼滤波器相比,UKF算法的滤波精度和稳定性都有了明显提高.该算法能更好地解决测量模型非线性问题条件下的单站无源定位跟踪问题.     

主被动雷达分层融合机动目标跟踪仿真研究

以目标跟踪为主要目的,对主被动雷达基于改进算法的分布式分层融合进行了仿真研究。仿真研究验证了基于固定指数加权模糊自适应EKF滤波算法的主被动雷达分层融合系统,能够显著提高目标跟踪精度且稳定性好。同时验证了分布式分层融合跟踪性能,明显优越于分布式平均加权融合方法。     

融合多传感器信息的移动机器人自定位方法

提出一种给定环境模型下移动机器人全局自定位算法,通过融合声纳传感器和视觉传感器的异质传感信息把具有多模态、鲁棒性强的Markov方法和单模态、高效准确的EKF方法组合应用并加以改进,来实现准确和快速的全局定位,同时提高位姿跟踪的准确性.Markov方法中位姿空间的低分辨率离散减小了存储需求,声纳感知模型对位姿空间分布进行初始化并提供了全局的位姿假设,视觉感知模型实现了位姿分布更新,而基于视觉特征的EKF方法则提高了定位的精度.实验结果验证了本方法的有效性.     

基于Kalman滤波的无线传感器网络多目标跟踪

设计无线传感器网络多目标跟踪系统,分析系统跟踪性能的影响因素,提出基于单点观测的扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法和基于Kalman滤波算法预测功能的节点自适应调度策略,并引入多种事件辅助机制。实验结果表明,该算法和调度策略能够实现多目标实时跟踪,且具有减少计算量、缩短测量周期、降低能量消耗、提高跟踪精度等优点。