二维GTD模型参数估计的PQ-FB-2D-ESPRIT算法

二维基于旋转不变技术信号参数估计(2D-estimating signal parameter via rotational invariance techniques, 2D-ESPRIT)算法是估计几何绕射理论(geometric theory of diffraction, GTD)模型参数的一种经典算法,但在信噪比较低的条件下, 2D-ESPRIT算法的参数估计精度明显下降,噪声鲁棒性较差。针对这一问题,提出一种极化平方前后向平滑2D-ESPRIT(polarized-quadratic-forward-backward 2D-ESPRIT, PQ-FB-2D-ESPRIT)算法,有效地提高了算法的噪声鲁棒性与参数估计性能。改进算法利用目标散射回波数据的极化信息,并通过对协方差矩阵平方处理和前后向空间平滑处理,提高了算法的参数估计性能与数据利用率,同时达到了去相关的效果。仿真结果表明,提出的PQ-FB-2D-ESPRIT算法的参数估计性能及噪声鲁棒性要优于经典2D-ESPRIT算法、前后向平滑2D-ESPRIT(forward-backward 2D-ESPRIT, FB-2D-ESPRIT)算法及平方FB-2D-ESPRIT(quadratic-FB-2D-ESPRIT, Q-FB-2D-ESPRIT)算法。基于不同算法估计得到的GTD模型参数对散射中心的定位精度进行比较,进一步验证了改进算法的优越性与有效性。     

有色噪声系统的迭代辨识与递推辨识方法仿真比较研究

针对ARARX模型(即动态调节模型),提出了分别辨识系统模型参数向量和噪声模型参数向量的新型最小二乘迭代辨识方法.其基本思想是:通过极小化一个信息矩阵中含噪声项的准则函数,导出两个参数向量的最小二乘估计式,进一步将估计式中信息矩阵所含的未知噪声项用其迭代估计代替,而其迭代估计又用前一次迭代的参数估计进行计算.在每步迭代计算中,二者执行了一个递阶计算过程.与滤波式递推广义最小二乘算法相比,提出的迭代算法也可用于在线辨识,而且在每一步迭代计算中,反复利用了系统可测数据信息,因而能够获得高精度参数估计.仿真例子证实了理论研究结果.     

ARMA模型辨识及其在光纤陀螺漂移建模中的应用

针对含有噪声的时间序列模型辨识精度低的问题,采用自回归函数的衰减正弦曲线方法估计含有噪声的ARMA模型系统参数,AR参数从衰减正弦曲线直接获得,MA参数估计采用相关匹配技术.仿真结果表明,时于具有不同信噪比噪声干扰的系统,该算法具有良好的收敛性和准确性.在此基础上,将该方法应用到光纤陀螺漂移误差建模中,实验结果表明,采用该算法所确定的模型能够精确的反应光纤陀螺的漂移趋势.     

基于模拟退火算法的VaR-GARCH模型

针对GARCH模型中的参数估计问题，提出了一种基于模拟退火算法（simulated annealing algorithm)的估计方法，并将其应用于VaR估计中，道琼斯指数和汇率的算例表明，基于模拟退火的VaR-GARCH模型在计算鲁棒性和估算精度方面优于传统的数值方法。     

基于ANFIS的自适应机动目标状态估计算法

针对基于当前统计(current statistics,CS)模型的机动目标状态估计算法对机动目标加速度的极限值依赖性大的缺陷,提出了一种利用自适应神经网络-模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)自适应调整目标状态噪声方差的方法。首先利用ANFIS算法对目标机动强度进行估计,进而对目标状态噪声协方差矩阵进行自适应调整;然后利用粒子滤波(particle filter, PF)算法对目标状态进行估计。仿真结果表明,与该方法能够有效提高目标状态估计的精度。     

基于ESPRIT-LS的幅相补偿参数估计算法

幅相补偿是多频带雷达信号融合一维距离成像中的关键问题,其补偿的精度直接影响了信号融合的最终效果。分析了多雷达信号融合中的幅度相位模型,并基于旋转不变技术提出一种新的幅度相位补偿参数估计方法。该方法首先对幅相补偿模型进行预处理,使得处理后的阵列导向矢量具有旋转不变特性,然后采用ES-PRIT-LS算法同时估计多个雷达的幅相补偿参数。仿真结果表明该算法具有较高的估计精度,受噪声影响较小。     

局部投影降噪算法邻域半径参数的选择研究

基于动力系统模型的局部投影非线性降噪算法，对混沌信号和一大类非平稳信号具有明显的降噪效果。利用局部投影算法对信号进行降噪处理，邻域半径的选择对降噪结果有很大的影响。我们研究了基于递归分析的邻域半径参数的估计和基于噪声强度的邻域半径参数估计。通过对Logistic映射和Lorenz模型叠加不同大小的高斯白噪声，对两种邻域半径估计方法进行分析比较，得到了基于噪声强度的邻域半径参数估计方法具有更好的降噪效果，为局部投影降噪算法的应用奠定了基础。     

一种带未知时变系统噪声水平的目标跟踪滤波器

在机动目标跟踪中，为了保证Kalman滤波器的数值稳定性和最优性，未知的时变系统噪声水平需要在线估计，但已有方法主要针对平稳或统计特性缓变的噪声过程。在Sage-Husa系统噪声水平自适应估计算法的基础上，通过引入基于新息的滤波器发散检测判据和利用强跟踪滤波器的思想，提出了一种系统噪声水平估计值的时变调节因子阵来抑制因系统噪声水平突变而引起的滤波器可能出现的发散问题。Monte-Carlo仿真结果表明，该算法不仅数值稳定性好，同时目标的跟踪精度也得到明显改善。     

机载电磁矢量传感器阵列DOA和极化参数估计

针对机载电磁矢量传感器阵列DOA和极化参数估计问题,提出了一种基于复四元数估计方法,该算法利用四元数建立机载电磁矢量传感器阵列信号处理模型,然后利用四元数联合矩阵的特征分解得到阵列数据相关矩阵的特征分解,一方面使得计算过程中数据的贮存量大大减少,另一方面通过推导得到信号子空间和噪声子空间在四元数域上的正交性从而使DOA和极化参数估计的精度更高,仿真证实了本算法的有效性。     

基于组合式信号源的非线性系统辨识

针对非线性系统中噪声的干扰，研究了一类神经模糊Hammerstein输出误差非线性系统的建模和辨识方法，利用组合式信号源实现静态非线性模块和动态线性模块参数辨识的分离，推导了相关性分析法和辅助模型递推最小二乘辨识方法估计动态线性模块和非线性模块的参数，有效抑制系统输出噪声的干扰。仿真结果表明：与最小二乘算法、多项式模型以及多信息方法相比，提出的方法具有参数估计收敛速度快，辨识精度高，建模误差小等优势，验证了所提学习算法的有效性。     

空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

时变转移概率IMM-SRCKF机动目标跟踪算法

给出了一种交互多模型(interacting multiple model,IMM)算法中Markov转移概率矩阵在线修正的方法,并将平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SRCKF)引入到IMM算法中,提出一种时变转移概率的机动目标跟踪IMM-SRCKF算法。该算法利用当前量测中包含的模式信息,对IMM算法中的转移概率矩阵进行实时递推估计,避免了常规IMM算法中转移概率先验确定的困难,提高了模型切换速度和跟踪精度;同时,SRCKF以目标状态协方差的平方根进行迭代更新,确保了滤波过程中协方差矩阵的对称性和半正定性,改善了数值精度和稳定性。仿真实验结果表明,该算法对机动目标的跟踪性能优于常规的IMM及IMM-CKF算法。     

贝叶斯网络增强型多模型AUV组合导航算法

针对复杂环境下自主水下航行器(autonomous underwater vehicle,AUV)组合导航系统中存在噪声不确定或者易发生变化的情况,提出一种贝叶斯网络增强型交互式多模型(interactive multiple model filter based on Bayesian network,BN-IMM)滤波算法。该算法在多模型估计基础上,引入特征变量,并根据变量与系统模型之间存在的因果关系建立贝叶斯网络;利用贝叶斯网络参数修正多模型估计中的模型切换概率,能够降低多模型算法中真实模式识别对先验知识的依赖性。该算法能够解决交互式多模型(interactive multiple model,IMM)算法中模型转换存在滞后、模型概率易发生跳变等问题,增强多模型算法的自适应能力。以陀螺和加速度计的输出作为特征变量建立贝叶斯网络,对AUV组合导航系统进行仿真,结果表明所提出的BN-IMM算法相比于传统的IMM算法能够显著提高机动状态时模型转换速度和估计精度。     

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical, CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square root cubature Kalman filter, SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF STF)算法和交互式多模型(interacting multiple model, IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM SCKF算法,实时性有明显改善。     

组合导航自适应交互多模型算法研究

针对交互多模型(IMM)方法模型集覆盖能力与计算量相矛盾的问题,提出了将简化的Sage-Husa自适应滤波与IMM相结合,构成一种自适应交互多模型的方法.简化的Sage-Husa自适应滤波首先给出噪声统计特性的粗略值,IMM方法以该粗略值为中心,对称地得到模型集,再进行IMM估计.车栽组合导航仿真表明,该算法能够以较少的模型实现对实际模态的覆盖,而且精度比IMM方法也进一步提高.     

基于自适应扩展H∞滤波的机动目标被动跟踪

为提高对机动目标的跟踪效果,提出了一种基于扩展H_∞滤波的自适应交互多模多被动传感器机动目标跟踪算法。利用简化的Sage-Husa自适应滤波器与交互多模相结合,对多被动传感器测得的目标角度信息进行融合,解决了被动式跟踪系统的可观测性及非线性问题,将扩展H_∞滤波器作为模型条件滤波器,通过调节扩展H_∞滤波器参数和量测噪声预测协方差矩阵,增强了对外界干扰的鲁棒性。仿真结果表明,所提算法比扩展卡尔曼滤波交互多模算法和标准交互多模算法具有更高的跟踪性能,在多站被动红外搜索与跟踪中是一种有效的跟踪算法。     

一种简化的交互多模式算法

通过对交互多模式(IMM)算法在机动目标跟踪中的分析,发现该算法在实现过程中滤波模式的确定和模式间转移概率的确定,要求具有一定的经验知识,对不能获得准确先验知识的研究带来了一定的困难。针对这种情况,研究了一种简化的IMM算法跟踪模型,该模型通过检测目标是否发生机动,自适应调整Kalman滤波(KF)的部分参数,从而实现不受IMM算法中有限模式集合限制的机动目标跟踪。通过仿真实验,证明了该算法在机动目标跟踪性能方面与IMM算法具有相似的效果,而在计算复杂度和对先验知识的要求方面有所降低     

基于大地坐标系的IMM航空器短期航迹外推

针对航路飞行阶段的航空器, 通过对比空间直角坐标系和大地坐标系的优劣, 采用大地坐标系表示航空器的位置; 基于大地坐标系, 将航空器的运动解耦成3个方向上的独立运动, 分别建立每个方向上的子模型; 使用交互式多模型(interacting multiple model, IMM)算法对航空器的航迹进行跟踪。仿真结果表明, 基于大地坐标系的IMM算法对于航空器有很好的轨迹追踪性能; 根据航空器末时状态及各个子模型的概率分布进行航空器的航迹短期外推, 基于大地坐标系的IMM算法的航迹外推性能优于基于空间直角坐标系的IMM算法的航迹外推性能。     

基于"当前"统计模型的交互式多模型算法

提出了一种基于"当前"统计模型的交互式多模型算法。在交互式多模型算法框架内,计算"当前"统计模型的概率,自适应地调整"当前"统计模型中目标加速度,使其能够反映目标的机动特性,充分发挥了"当前"统计模型和交互式多模型算法的优点,扩大了"当前"统计模型的应用范围,提高了"当前"统计模型的自适应性。Monte Carlo仿真结果表明了该算法的有效性。     

基于无源时差定位系统的机动目标跟踪算法

将交互式多模型(IMM)算法应用到具有隐蔽性的无源时差定位系统中,找到了一种适合于无源时差定位系统跟踪机动飞行目标的混合模型即常速度(CV)模型与Singer模型组成的混合CV Singer模型。在各种现有算法中,基于该混合模型的交互多模型算法可获得较好的定位跟踪效果。另外,将该混合系统与CV CA模型组成的混合系统进行了比较,进一步证明了该混合模型的有效性。