非线性"当前"统计模型及自适应跟踪算法

针对"当前"统计模型中人为设定时间常数的倒数α值的不合理性,对机动参数α进行建模,并基于粒子滤波的思想,结合UKF滤波算法给出适用于强机动目标跟踪的CS-UKF算法。整个算法能够实时估计参数α,并从这里出发估计目标状态。仿真结果表明在目标强机动时CS-UKF算法比经典CS-KALMAN算法收敛速度更快,状态估计更精确。     

基于多次测量更新的移动机器人SLAM仿真

针对移动机器人同时定位与地图构建(SLAM)技术中,非线性系统进行线性化处理所产生的线性化误差问题,从费切尔信息角度分析,提出多次测量更新算法.该算法利用滤波中预测和各次更新阶段状态向量的费切尔信息加权关系,解算每次测量更新后的状态估计,通过多次将更接近于真实状态的估计值融入观测信息,可得到较高精度的后验状态估计,降低线性化误差的同时提高了机器人定位与构图准确性.实验部分实现多次测量更新与一次测量更新算法的仿真与对比,结果表明:所提算法能有效降低机器人位姿误差和地图估计误差.     

多终端仅测速实时定轨的自适应联邦STCKF算法

针对多手持终端仅测速实时定轨问题,设计了一种自适应联邦强跟踪容积卡尔曼滤波(strong tracking cubature Kalman filter,STCKF)算法。首先,使用欧拉预测校正法对带J2项摄动的轨道动力学方程进行离散得到状态方程。然后,为每个手持终端设计了STCKF滤波算法,该算法基于强跟踪滤波(strong tracking filter,STF)的等价表示计算次优渐消因子以在线实时调整增益矩阵,提高短弧段内滤波估计收敛速度。进而,利用信息最优合成算法对每个终端输出的局部定轨结果进行融合,为提高信息融合精度,信息分配因子由误差协方差矩阵的Frobenius范数自适应确定。最后的仿真结果表明,欧拉预测校正法可以有效提高轨道动力学方程离散精度,自适应联邦STCKF算法可以有效提高实时定轨精度和滤波收敛速度。     

基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least mean square, NLMS)算法和最小二乘(recursive least-square, RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。     

基于简化SSKF的SINS/GNSS紧耦合算法

针对捷联惯导(strapdown inertial navigation system,SINS)/ 全球卫星导航系统(global navigation satellite system,GNSS)紧耦合滤波算法中状态方程线性、观测方程非线性的特点,对超球面单型卡尔曼滤波器(spherical simplex Kalman filter,SSKF)进行了简化:采用普通卡尔曼滤波的状态矢量预测和SSKF的观测值预测及滤波更新完成滤波计算,省去了SSKF状态矢量预测时sigma点生成和对每个sigma点进行状态矢量预测和加权求和的过程,在不损失滤波精度的基础上缩短了滤波计算耗时。经过数学仿真验证,在SINS/GNSS紧耦合中,简化SSKF与SSKF几乎可到达一致的滤波估计精度,而且简化SSKF的计算耗时更短,效率更高。     

一种无迹粒子PHD滤波的多目标跟踪算法

针对粒子概率假设密度滤波(P-PHDF)算法估计精度低、滤波发散和粒子退化的缺陷,提出了一种无迹粒子PHD滤波(UP-PHDF)算法.该算法以UKF算法产生重要性函数并从中采样通过观测值更新粒子的权值,再用加权的粒子估计PHD函数,进而得到优化的状态估计均值和方差进行传播最后,对UP-PHDF算法进行了分析和实现,并将该算法和P-PHDF算法进行了比较.仿真结果表明,UP-PHDF算法不仅大大提高了滤波估计的精度,同时提高了跟踪系统的稳定性和鲁棒性.     

基于角度和频率信息的卫星被动定轨方法

针对单星对卫星被动定轨时采用仅测角方法滤波收敛时间较长且精度不高等问题,提出了在测角的同时增加频率测量信息的单星对卫星扩展Kalman滤波被动定轨方法。在二体问题下详细推导了状态预测方程、状态转移矩阵和测量雅可比矩阵,最后通过STK6.0仿真产生的数据对算法有效性进行了验证。仿真结果表明,该算法比仅测角方法具有更高的定轨精度和更快的收敛速度,且当测角精度较高时,能够在相对较大的初始位置误差情况下较快收敛并达到较高的收敛精度。     

SC-FDE系统中用于快时变信道的改进的RLS信道预测

针对现有的时变信道递归最小二乘(RLS)预测算法收敛慢的问题提出了一种单载波频域均衡(singlecarrier–frequency domain equalization,SC-FDE)系统中改进的自适应RLS预测算法。这种预测算法依靠置零小能量路径使预测器在高输入信噪比下工作,和现有的RLS预测算法相比可以显著加快收敛速度,提高预测精度,并且比现有的RLS算法有更低的复杂度。     

一种融合 UKF 和EKF 的粒子滤波状态估计算法

在扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)和不敏卡尔曼滤波算法(Unscented Kalman Filter,UKF)的基础上,提出一种基于融合的粒子滤波算法(Fusion based particle filter, FPF)。该算法首先利用EKF 与UKF 分别预测粒子状态,然后通过融合算法得到粒子的重要性建议分布,实现粒子状态更新。因为充分利用了量测信息,因而能有效提高状态估计精度。仿真中通过实例将该算法与已有的粒子滤波算法(Particle filter algorithm,PF)进行比较,结果表明该算法各方面性能都有较大改进。     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

基于混合迭代UKF的捷联惯导对准算法设计

捷联惯导系统陀螺噪声过大时,自对准无法使方位失准角估计收敛到真值,设计了一种磁强计辅助对准方法,满足对准精度要求并可同步估计磁场强度和磁倾角。非线性滤波方法UKF相比EKF估计精度高但收敛速度慢,迭代UKF算法可提高收敛速度但计算量也显著增大。将超球面分布采样点变换（SSUT）应用于UKF迭代过程,设计了一种混合迭代UKF算法。仿真表明该混合迭代UKF算法加快了收敛速度,保证了滤波精度,同时又减少了计算量。

Abstract：

The azimuth misalignment-angle estimation of SINS could not converge to the true value without assistance duo to the over too strong noise of gyros.An alignment method assisted by magnetometers was designed to estimate the misalignment angles as well as the magnetic field intensity and the magnetic obliquity.Nonlinear filtering method UKF was more precise than EKF but converged slowly.Iterated UKF could promote the convergence rate but increased the calculation amount greatly.A combined iterated UKF algorithm was proposed by applying spherical simplex unscented transform to the iterated process.Simulation indicates that the algorithm promotes the convergence rate,guarantees the precision,and reduces the calculation amount.     

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。     

车载DR导航的非线性滤波方法研究

针对扩展卡尔曼滤波方法(EKF)用于车载DR导航系统滤波中存在的一些缺点,将一种新的滤波方法—UKF滤波方法用于车载DR导航系统的非线性状态估计中。该滤波方法与EKF方法相比具有容易实现和滤波精度高的特点。通过非线性状态估计UKF方法大大提高了导航系统的精度。为了检验其有效性,将这两种方法分别对车载DR导航系统进行滤波仿真,仿真结果进一步表明UKF方法优于EKF方法,是一种理想的车载DR导航非线性滤波方法。     

基于自适应SSUKF的组合导航信息融合方法

针对车载组合导航系统噪声统计特性无法事先实时获取的问题,提出了一种神经网络辅助的自适应SSUKF信息融合算法.该算法利用神经网络在线估计系统噪声,采用SSUKF同时估计系统状态和在线训练神经网络的权值,从而能在系统噪声统计特性未知的情况下获得组合导航系统的实时最优估计,给出了算法的详细实现过程.最后,针对车载INS/GPS组合导航系统的信息融合问题进行了仿真研究.仿真结果表明,该算法在系统噪声统计特性未知的情况下仍能获得高精度的估计效果,同时与自适应UKF算法相比,有效降低了算法的计算量,提高了算法运行的实时性,证明了该算法是一种有效而实用的方法.     

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。     

基于“当前”统计模型的高动态GPS信号跟踪算法

提出了一种新的高动态GPS信号跟踪算法,基于＂当前＂统计模型对载波瞬时相位过程、瞬时频率及瞬时频率变化率过程进行建模;在此基础上,结合系统状态方程为线性而量测方程为非线性的特性,采用简化UKF算法对信号参数进行估计,同时采用EKF和标准UKF滤波算法在同等条件下对信号参数进行估计比对。仿真结果表明对信号参数所建模型能真实反映信号的过程,验证了所建模型的正确性的;简化UKF参数估计结果不仅精度与标准UKF相当且具有较高的运算效率,能更好满足高动态下的实时性需求。

Abstract：

A new high dynamic GPS signal tracking algorithm was proposed.Based on current statistical model,a new model for the GPS signal transitional process was established.Since the system involved a linear state equation and a nonlinear measurement equation,a simple Unscented Kalman Filter （UKF） algorithm was applied to estimation the signal parameters.For comparison purpose,an Extended Kalman Filter （EKF） algorithm and a standard UKF algorithm were also applied to the system to illustrate the effectiveness of the proposed filtering algorithm.Simulation results show that the new model can precisely represent the real signal process,and the simple UKF algorithm achieves high precision comparable to standard UKF with higher operation efficiency.Therefore,the new model and the proposed algorithm can satisfy real time requirement in high dynamic environment.     

UKF-based attitude determination method for gyroless satellite

UKF (unscented Kalman filtering) is a new filtering method suitable to nonlinear systems. The method need not linearize nonlinear systems at the prediction stage of filtering, which is indispensable in EKF ( extended Kalman filtering) . As a result, the linearization error is avoided, and the filtering accuracy is greatly improved. UKF is applied to the attitude determination for gyroless satellite. Simulations are made to compare the new filter with the traditional EKF. The results indicate that under same conditions, compared with EKF, UKF has faster convergence speed, higher filtering accuracy and more stable estimation performance.     

多机无源跟踪迭代UKF算法

为利用多机实现对目标的快速高精度无源跟踪,提出了一种新的迭代无味卡尔曼滤波（unscented Kalman filter,UKF）算法。所提算法利用随机变量的概率密度函数变换,求得了直接关于目标状态的似然函数,并据此利用最大似然估计迭代求解当前时刻的目标状态,推导了能达到最大似然面的迭代求解准则,将该准则与UKF算法结合得到新的迭代UKF算法。以多机只测角跟踪为例,对所提算法的性能进行仿真分析,仿真结果表明,相对于已有的迭代UKF算法,所提算法具有更好的跟踪性能,实用性强。     

集中式多传感器无极联合概率数据互联算法

针对杂波环境下非线性系统中的多传感器多目标跟踪问题,提出了一种集中式多传感器无极联合概率数据互联算法。该算法中,首先采用无极卡尔曼滤波器实现非线性系统中状态分布的传递,在此基础上应用联合概率数据的思想将单个传感器的量测点迹与航迹互联,最后推广至顺序结构。由于无极卡尔曼滤波器可以获得比扩展卡尔曼滤波算法更高精度的近似,因此能减少非线性模型线性化引起的近似误差对联合概率数据互联概率及状态估计的影响,与基于扩展卡尔曼滤波器思想的顺序多传感器联合概率数据互联算法相比,该算法具有更高的跟踪精度和稳定性,最后通过仿真结果验证了该算法的优越性。     

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。