基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题, 提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上, 使用三阶容积原则推导了状态预测公式, 并使用M-M方法实现状态的量测更新, 构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中, 仿真结果表明, 基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后, 分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响, 验证了所提算法的鲁棒性。     

基于归一化空间符号函数的鲁棒波达角估计

提出了一种适用于任意未知统计特性的脉冲噪声环境下的波达角估计算法。算法扩展了非参数统计中的空间符号和秩的概念,采用归一化的空间符号函数来构造阵列协方差矩阵,然后根据子空间算法进行测向。从理论上证明了归一化的空间符号协方差矩阵用于波达角估计的可行性,为该算法的进一步推广奠定了基础。计算机仿真结果表明,该算法在任意脉冲噪声环境中表现出良好的鲁棒性,而且对阵列增益和相位噪声不敏感。     

压缩感知视角的鲁棒波达角估计算法

从压缩感知的视角对鲁棒波达角估计进行了探索,通过将可能存在的波达角进行空间离散化,从而将波达角估计问题转换为压缩感知信号支撑恢复问题。同时将阵元存在的增益失配、相位失配和阵元间互耦等非理想因素,通过一阶近似,将其建模成均值为理想流形矩阵的随机矩阵,从而建模了阵列非理想特性和波达角空间离散化带来的误差。基于这种新的随机测量矩阵模型,提出了一种基于压缩感知的鲁棒波达角估计算法,分析表明本文提出算法对阵列模型扰动和角度空间离散化具有良好的鲁棒性。仿真验证了分析结果。     

基于视线角序列的视线角速率样条滤波

依据拦截器与目标间的相对位置、速度关系,提出了基于视线角序列的视线角速率自适应样条滤波算法。该算法利用样条函数表示相对距离矢量,提出并结合“导引头球面”模型,建立了系统状态方程;在只给出视线角序列信息的情况下,对状态估计误差和观测误差进行了补偿,实现了自适应样条滤波算法,获得了有效的视线角速率信息。     

基于干扰估计的BTT导弹鲁棒方差姿态控制

针对存在非线性和不确定性的倾斜转弯(bank-to-turn, BTT)导弹姿态控制问题,提出基于干扰估计的鲁棒方差控制方法。将姿态运动中非线性项和不确定项作为总干扰,采用干扰观测器进行估计,并引入控制系统进行补偿。干扰观测器的观测误差作为BTT导弹姿态运动的干扰输入,为了保证控制系统具有良好的动态和稳态性能,采用鲁棒方差控制理论设计了线性反馈控制器,将闭环极点配置在特定圆盘区域,同时将状态变量的稳态方差保持在给定的范围内。仿真结果表明,所提出的鲁棒方差姿态控制器能够保证良好的控制效果,鲁棒性强。     

角闪烁噪声下的高斯和容积卡尔曼滤波算法

开展角闪烁噪声下的目标跟踪问题研究对提高传感器的探测性能具有重要意义,其中角闪烁噪声具有的非高斯特性是一个长期困扰研究者的难点。针对该问题,首先通过理论分析指出了容积粒子滤波(cubature particle filter,CPF)在角闪烁噪声下的性能缺陷。其次,基于高斯和滤波(Gaussian sum filter,GSF)框架和容积卡尔曼滤波(cubature Kalman filter,CKF)算法,提出了适用于角闪烁下的高斯和容积卡尔曼滤波(Gaussian sum cubature Kalman filter,GSCKF)算法,该算法将目标后验概率密度用高斯密度加权求和近似,通过多路并行的CKF实现状态预测与量测更新,同时利用模型降阶算法限制高斯分量数目的增长,能应用于非线性、非高斯条件的状态估计。最后,设计了仿真实验对GSCKF和CPF的跟踪精度、鲁棒性和计算复杂度进行了对比。     

基于鲁棒估计的微弱目标检测噪声抑制技术

抑制目标图像中的噪声,缩短目标的首次捕获时间(FirstCaptureTime,FCT),对于微弱目标检测和跟踪具有重要的意义。基于以下判断:a.任何检测系统总是工作在一定的信噪比(SNR)水平下;b.运动目标成像面积总是大于一个像素,分别设计了两个噪声抑制算子Sa(.)及Sb(.)。在噪声抑制过程中,首先使用鲁棒回归估计方法,估计出噪声模型参数,然后分别应用噪声抑制算子Sa(.)及Sb(.)对图像噪声进行抑制。试验结果表明,该方法可以有效抑制目标图像中的噪声,缩短目标的首次捕获时间,为下一步目标的检测和跟踪提供了有利条件。     

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降,通过构建强跟踪滤波器(strong tracking filter,STF)可以提升滤波算法的自适应性,但是构建STF时存在理论推导复杂、求解计算量大等局限和不足,针对上述问题,在平方根容积卡尔曼滤波(square-root cubature Kalman filter,SRCK...     

具有末端角约束的鲁棒制导律设计

针对某些导弹要求限制命中点角度的作战要求,设计了具有末端角度约束的制导律。将系统结构摄动和目标加速度视为外部干扰量,基于Lyapunov稳定性理论推导了一种满足L2增益指标的鲁棒制导律。仿真表明,当目标以较大加速度机动时仍然能满足末端角度和精度的要求,并且不需要任何目标运动信息,对目标机动有较好的鲁棒性。     

稀疏阵列的鲁棒矩阵填充DOA估计算法

稀疏阵列布阵灵活,增大阵列孔径的同时还能减少阵元间耦合,但基于稀疏阵列的传统波达方向估计会导致角度模糊混叠,带来估计精度差和稳健性不足的问题。针对以上问题,提出一种适用于稀疏阵列波达方向估计的加权截断奇异值投影(weighted truncated singular value projection, WT-SVP)的鲁棒矩阵填充算法。在填充迭代过程中根据奇异值的大小分配权重,突出大奇异值包含的阵列信息,减少小奇异值中不必要的噪声信息,从而优化传统奇异值投影算法。该算法可以实现稀疏阵列的孔洞信息恢复,对不连续阵元充分利用,同时WT-SVP填充算法实现了稀疏阵列波达方向估计的高精度、高分辨以及在低信噪比、低快拍时的高鲁棒性。     

基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。     

基于改进容积卡尔曼滤波的纯方位目标跟踪

为处理纯方位跟踪的非线性问题,提出了距离参数化均方根容积卡尔曼滤波,在消除距离信息不可测对跟踪影响的同时弱化了计算机有限字长截断效应所引入的误差。在假设目标的初始距离信息用多个参数化模型表示的基础上,对每个模型独立进行均方根容积卡尔曼滤波,并依据贝叶斯准则计算各滤波结果对应的概率,将概率和对应结果的加权融合作为最终滤波结果。实验仿真表明,该滤波虽略微提升了计算复杂度,但获得了更好的滤波精度和鲁棒性。     

基于容积卡尔曼滤波的约束恒模波束形成算法

提出一种基于容积卡尔曼滤波的线性约束恒模波束形成算法。首先使用伪观测法将恒模代价函数和约束条件写成状态观测方程,之后利用容积卡尔曼滤波算法来求解以上非线性滤波问题。所提方法能够避免常规算法对模型的近似处理和特征值分散效应对波束形成器输出性能的影响,因此对干扰和噪声有更强的抑制能力。仿真结果表明,本算法相比随机梯度法和递归最小二乘法具有更快的收敛速度和更高的输出信干噪比,在非平稳环境下,能够迅速调整权值收敛到最优解。     

基于卡尔曼滤波的在线量子态估计优化算法

针对连续弱测量中存在高斯测量噪声的问题,提出一种基于卡尔曼滤波的在线量子状态估计的预测-修正-投影优化算法.首先,在常规在线卡尔曼滤波算法预测状态时间更新和估计状态测量更新的基础上,通过增加对量子态的约束条件,将其应用于在线的量子状态估计中,将量子态在线估计问题转化为一个带有量子态约束条件的卡尔曼滤波优化问题.其次,通...     

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。     

基于抗差扩展卡尔曼滤波和外推-积累的RAIM方法

为了提高接收机自主完好性监测(receiver autonomous integrity monitoring, RAIM)算法对微小缓变伪距偏差的检测能力,提出一种基于抗差扩展卡尔曼滤波和外推-积累的RAIM方法。该方法结合了新息外推法和累积历元法在检测微小缓变伪距偏差上的优势,即在新息外推法的基础上,累加多个历元的检验统计量,来更有效地检测微小缓变伪距偏差;同时,利用抗差扩展卡尔曼滤波对偏差进行抗差处理,提高了定位精度。仿真结果表明,相比较于传统RAIM方法、新息外推法以及累积历元法,新的RAIM方法均提高了对微小伪距偏差正确检测的概率,缩短了对缓变伪距偏差的检测延时,且经过伪距偏差修正后定位精度提高。     

基于正交变换的五阶容积卡尔曼滤波导航算法

针对高阶容积卡尔曼滤波在无人机导航等高维非线性系统中存在较大高阶采样误差的问题,提出了一种基于正交变换的五阶容积卡尔曼滤波(orthogonal transformed fifth-order cubature Kalman filter,OT5-CKF)。利用三角函数的正交性特点,对原有的容积点进行适当的容积变换,将变换后的容积点代入容积卡尔曼滤波(cubature Kalman filter, CKF)模型中。经分析,新的容积点可以极大地避免高维系统的高阶采样误差。最后,以无人机GPS/INS组合导航系统为应用背景,对三阶CKF、五阶CKF和OT5-CKF进行了仿真对比分析。结果表明,同等观测条件下OT5-CKF的滤波估计精度明显高于前两者。