改进无色卡尔曼滤波算法在GPS系统中的应用

基于无色卡尔曼滤波算法在GPS卫星定位系统中的应用,提出了GPS卫星定位系统中的改进无色卡尔曼滤波算法.该算法在迭代一定次数后引入遗忘因子,根据误差协方差矩阵自适应调整无色卡尔曼滤波算法中的过程噪声方差矩阵,以提高模型的准确度.通过采集大量实测数据的仿真测试结果表明,改进无色卡尔曼滤波算法在定位精度上较元色卡尔曼滤波算法大幅提高,表明其对于精确定位有更加重要的意义和曼为广阔的应用前景.     

信息融合技术在某试验指挥控制系统中的应用

针对靶场试验指挥控制系统中的信息融合需求,提出了一种改进的联合卡尔曼滤波算法,用计算加权系数的方法代替原来的计算加权矩阵,从而避免了求解滤波误差方差阵的逆矩阵。以GPS系统和地面某雷达的测量数据为例,对该算法进行了计算机仿真。结果表明,该算法对于抑制滤波发散、提高整个系统的精度和运算速度是行之有效的。     

一种基于奇异值分解的非线性滤波新算法

提出一种基于奇异值分解的无导数卡尔曼非线性滤波新算法对UKF算法进行改进.该算法利用奇异值分解作为工具,将原算法中的协方差矩阵进行奇异值分解,可以在一定程度上避免在递推过程中,由于计算误差和舍入误差而引起的协方差矩阵失去正定性,从而导致算法失效的问题.在不降低滤波精度,不增加算法复杂度的前提下,新算法具有很好的数值稳定性.实例仿真结果验证了本方法的有效性.     

三维AoA目标跟踪的二次约束卡尔曼滤波算法

在基于到达角(angle of arrival, AoA)的三维目标跟踪中, 伪线性卡尔曼滤波具有稳定性高和计算复杂度低的优点, 但是严重的偏差问题使其跟踪精度迅速下降。针对该问题, 提出一种二次约束卡尔曼滤波(quadratic constraint Kalman filter, QCKF)算法。首先引入涉及所有观测噪声项的增广矩阵, 然后建立与线性卡尔曼滤波等价的目标函数并且附加含有二次项的约束条件, 以此降低偏差影响, 实现更准确的状态更新。QCKF算法采用广义特征值分解求解约束优化问题, 无法直接通过状态更新表达式推导其协方差矩阵, 因此利用约束条件以及矩阵扰动方法完成协方差矩阵更新。仿真分析表明, QCKF算法相较于其他非线性滤波算法具有更优的跟踪性能, 不仅在低噪声条件下可达到后验克拉美罗下界, 而且当噪声严重时能够显著降低跟踪误差, 并且计算开销不高。     

多被动传感器UKF与EKF算法的应用与比较

针对多被动传感器条件下的目标跟踪问题,给出了推广卡尔曼滤波在多被动传感器条件下的具体算法;考虑到多被动传感器目标跟踪需要解决观测非线性的问题,故而将用于非线性系统的基于UT变换的UKF算法应用于所讨论的跟踪问题中,采用检测融合方案,将多个被动传感器的角度观测组合成量测向量,推导了多被动传感器的UKF滤波算法,实现了对目标在三维空间中的全被动跟踪.将两种算法进行了仿真比较,结果表明,采用多被动传感器的UKF算法可以获得比传统的推广卡尔曼滤波算法更为精确的跟踪效果.     

基于Unscented卡尔曼滤波的超视距目标跟踪

针对大地坐标系下,超视距目标状态方程和量测方程复杂的非线性,提出了一种基于Unscented卡尔曼滤波的超视距目标跟踪。Unscented卡尔曼滤波通过设计少量的σ点,并计算这些σ点经由非线性函数的传播,从而获得滤波值基于非线性系统方程的更新。由于Unscented卡尔曼滤波无需像Extended卡尔曼滤波那样求状态方程和量测方程的雅可比矩阵,给计算带来了极大的方便。数值仿真结果表明,所给出的方法是可行而有效的。     

基于UKF-IMM的双红外机动目标跟踪算法

为了有效解决红外机动目标跟踪精度问题,提出基于UKF的交互式多模型IMM红外机动目标跟踪算法.该方法采用Markov过程描述多个目标模型间的切换,同时导出滤波器输入输出均加权的交互式算法.滤波器采用UKF,避免计算扩展卡尔曼滤波EKF所需的Jacobi矩阵,适用于非线性、非高斯的目标系统模型和观测模型,同时UKF可供多个模型共用,便于软、硬件实现.最后,用双红外探测器对S型机动目标进行仿真实验,给出应用该方法的具体步骤,验证了IMM-UKF的稳定性、有效性和精确性.     

基于改进粒子滤波的双站无源定位跟踪算法研究

在非线性非高斯状态空间下,粒子滤波器是一种有效的非线性滤波算法,它的关键问题包括粒子权重的计算、粒子重采样和状态估计等.根据粒子滤波算法思想和双站无源定位跟踪的非线性,将粒子滤波算法用于双站无源定位跟踪问题,给出了一种改进的粒子滤波算法,并对其关键问题根据双站无源定位跟踪的特殊性进行了改进.利用matlab进行了仿真实验,与最小二乘算法、扩展卡尔曼滤波算法进行了比较,结果表明所提算法定位跟踪精度优于其他方法.     

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。     

衰减记忆自适应滤波在惯导系统传递对准中的应用

针对滤波稳定性问题,提出了一种改进的衰减记忆自适应滤波算法。通过引入衰减记忆滤波矩阵,根据残差序列输出的互不相关性,在线自适应地调整衰减因子,从而使衰减记忆滤波工作在最佳状态。将该算法应用于惯导系统的传递对准过程,仿真结果表明在模型和噪声统计特性的先验信息不准确时,该算法优于传统的卡尔曼滤波。     

一种改进的推广卡尔曼滤波收敛特性研究

提出了一种改进的推广卡尔曼滤波算法,这一算法不仅具有良好的数值稳定性,而且计算量较小,并进一步分析研究了这一算法的收敛特性,给出了指数收敛速度,分析结果表明改进的算法得到的滤波器增益和状态估计能很好地跟踪原算法得到的滤波器增益和状态估计。     

Quadrature Kalman particle fitler

In order to resolve the state estimation problem of nonlinear/non-Gaussian systems,a new kind of quadrature Kalman particle filter (QKPF) is proposed.In this new algorithm,quadrature Kalman filter (QKF) is used for generating the importance density function.It linearizes the nonlinear functions using statistical linear regression method through a set of GaussianHermite quadrature points.It need not compute the Jacobian matrix and is easy to be implemented.Moreover,the importantce density function integrates the latest measurements into system state transition density,so the approximation to the system posterior density is improved.The theoretical analysis and experimental results show that,compared with the unscented partcle filter (UPF),the estimation accuracy of the new particle filter is improved almost by 18%,and its calculation cost is decreased a little.So,QKPF is an effective nonlinear filtering algorithm.     

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, SRCKF)的基础上, 提出一种基于修正的自适应SRCKF算法。该算法通过设置判定门限和修正准则, 直接对状态预测值或滤波增益进行修正以平衡先验的预测值和后验反馈的量测值在滤波中所占的比重, 进而减小状态估计误差。仿真结果表明, 所提算法具有在目标状态突变和量测非线性时的良好滤波性能和数值稳定性, 同时相比较需要计算渐消因子的STF算法, 该算法在计算量和收敛速度上具有优势。     

基于Kalman／UKF组合训练神经网络的初始对准方法

针对基于Unscented卡尔曼滤波(UKF)的神经网络训练学习方法存在的计算量大,实时性差的问题,提出了一种基于Kalman/UKF组合滤波原理的神经网络学习方法,该方法综合了Kalman滤波对线性系统和UKF对非线性系统的最优估计的优势,在保证神经网络权值估计精度的同时,有效降低了神经网络权值学习的计算量,提高了神经网络训练的实时性。最后将该利用方法训练的神经网络应用于惯性导航系统的非线性初始对准过程中,并进行了仿真研究。仿真结果表明利用提出的算法训练的神经网络与基于UKF训练的神经网络具有相同的对准精度和实时性,而提出的算法的有效降低了神经网络训练的计算量,提高了训练的运行效率,是解决惯性导航系统初始对准的一种有效和实用的方法。     

目标状态估计器研究

全面系统地研究了基于空载雷达测量体制下的机动目标状态估计器的设计问题，重点对坐标系及目标状态变量的选择进行了讨论，并将每一种设计方法得到的目标状态估计器联入综合火力／飞行控制系统中进行了Ｍｏｎｔｅ Ｃａｒｌｏ仿真，对仿真结果进行了比较，给出了相应的结论。     

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。     

非线性系统中多传感器滤波跟踪型数据融合算法的研究

在非线性系统中，常用的跟踪滤波算法是基于扩展的卡尔曼滤波算法的融合算法，但是这种融合算法的跟踪精度并不是很高。本文根据对滤波器跟踪型数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法。研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

基于平方根UKF的车辆组合导航

针对扩展卡尔曼滤波(EKF)在车辆导航中存在着计算复杂、线性化误差大等缺点,将一种新的非线性滤波方法--平方根UKF方法(SRUKF)用于车辆GPS/DR组合导航中.和普遍采用的EKF方法相比,SRUKF方法不仅提高了车辆组合定位的精度和稳定性;而且不需要模型的具体解析形式,避免了复杂的Jacobi-an矩阵的计算,算法更简单,也更加易于实现.为了检验其有效性,将两种方法分剐对车辆GPS/DR组合导航系统进行滤波仿真,仿真结果进一步表明SRUKF方法明显优于EKF方法,是车辆组合导航中一种更理想的非线性滤波方法,真正实现了车辆低成本、高精度的实时定位.     

Two-step measurement update for extended Kalman filtering

1.INTRODUCTION TheextendedKalmanfilter(EKF)isthemost widelyusednonlinearfilterbecauseofitssimplicity despiteitsinconsistenceinsomeapplications.Thein consistenceoftheEKFmainlyarisesfromtheuseof linearization.Sincethereferencepointsforthelin earizationarearoundthepriorestimatesofthestate (filteredestimateforlinearizationofstatetransition equationandpredictiveestimateforlinearizationof measurementequation,respectively),agoodprior estimateisveryimportantfortheEKF.Inmanycas es,themeasur…