传感器系统误差与目标航迹的分布式估计

精确估计传感器的系统误差, 对提高整个跟踪系统的性能具有十分重要的意义. 已有的研究方法一般是把系统误差加到状态向量中形成扩维状态向量, 利用Kalman滤波进行估计. 由于这种方法计算量很大, 许多工作致力于研究状态向量和系统误差的解耦问题, 但均未实现系统误差的分布式估计和解决计算量问题, 且无法真正实现分布式航迹融合. 考虑了传感器测量有系统误差时的多传感器分布式航迹融合问题, 实现了状态向量和系统误差的解耦、系统误差的分布式估计与分布式航迹融合. 仿真结果表明此方法能给出精度较高的系统误差和状态向量估计.     

小卫星分布式雷达

小卫星分布式雷达是一种新概念雷达系统 ,具有重要的应用前景。本文讨论了小卫星分布式雷达的基本概念 ,探讨了其在未来航天装备中的作用和地位 ,阐明了小卫星分布式雷达技术的科技内涵 ,最后提出了对我国发展天基雷达的几点思考     

一种机载GPS高速率定位数据输出算法

为满足高动态环境的需要 ,提出了一种适用于机载全球定位系统 (GPS)高速率定位数据输出的算法。该算法先对GPS数据进行抑制随机误差的预处理 ,再用三次样条函数进行插值或逼近 ,通过样条函数的表示 ,实现任意速率的输出。该方法可以在事后处理中弥补GPS数据输出速率低的不足 ,由于利用了载机运动特性的先验信息 ,因此输出参数精度比传统的插值方法要高。仿真结果表明了本算法的正确性和有效性     

基于目标特性增强的频带缺失雷达信号融合处理

由于战场电磁环境复杂,使得在某些频段上雷达信号受到了干扰而无法用于成像。如果仅利用单部雷达在可用频段上的回波信号进行成像,则图像的分辨率无法满足实际需求。为了综合利用多部频带缺失雷达的信号,将频带缺失的多雷达信号融合问题转化为一个信号表示问题。为了增强目标特性,将合成孔径雷达(synthetic aperture radar, SAR)图像增强技术引入到多雷达信号融合处理中,用正则化方法来增强目标的点特性和边缘特性。此融合处理方法不仅适用于多部频带缺失雷达的信号融合,而且无需极坐标插值来完成相位解耦,更能增强目标特性。仿真实验验证了本文方法有效性。     

弹道跟踪数据的节省参数模型及应用

讨论多设备跟踪同一弹道的数据融合问题。首先给出弹道参数,测元真实信号和测量误差的节省参数模型,由此,得到弹道跟踪数据的节省参数模型。据此研究了测元加权方法。提出了基于残差和基于估精度的测元遴选准则。该方法能明显提高弹道跟踪数据精度,同时还可以对弹道跟踪系统进行精度鉴定。     

各向异性扩散相干斑抑制改进算法

原有相班抑制偏微分方程方法在扩散迭代次数较大时,会严重模糊图像的边缘和细节。在用稳健统计方法研究算法中偏微分方程“边界停止函数”的特性的基础上,提出采用基于Turkey’sbiweight范数的“边界停止函数”的新的偏微分方程算法。对原偏微分方程方法的改进,使得相干班抑制后的图像能够更好地保持边界,并且有利于扩散的自动中止     

基于深度加权的稳健Kalman滤波方法

在分析粗差对Kalman滤波器性能影响的基础上,通过将滤波新息的加权方式改进为深度加权平均,提出了一种基于Kalman框架的新型的稳健滤波算法.该算法仅需引入一个样本深度及权函数的计算步骤,无需针对测元的粗差检择,直接调节各测元对滤波状态的贡献.深度加权滤波扩展了传统Kalman滤波的最小均方误差优化准则,充分利用了不同测元间的相关性和测元与状态的相关性,可以有效降低含粗差数据对滤波结果的影响程度.在稳健性分析的基础上,数值算例验证了算法的可行性和有效性.     

编队卫星InSAR空间基线修正的建模与精度分析

星载GPS接收机相对定位获得的编队星间基线,与用于星载InSAR测高的基线并不相同.给出了从GPS测量基线到InSAR测高基线的关联建模,包括天线相位中心与几何中心的偏差修正、GPS接收机到SAR天线的安装部位修正以及基线矢量的坐标系转换等环节.推导了基线的修正和转换公式,并进行了相应的精度分析.对于极限基线之内的宽编队,相位中心变化造成的基线差别在亚毫米量级,一些时刻达到与测高基线精度指标相当的厘米量级,必须加以修正;在编队中由于三轴稳定卫星之间的相对姿态数值通常较小,坐标系转换误差引起的基线修正误差在亚毫米量级.     

空间目标跟踪的融合系统设计

空间目标测量手段逐渐多样化,融合处理技术是降低测量信息不确定性影响,获得稳健、高精度目标跟踪结果的重要方法。基于运动建模、实时滤波和多传感器数据融合思想,建立了完整的空间目标跟踪数据处理流程。根据获取时间散乱、误差成分复杂和覆盖范围不均衡等测量信息不确定性对各处理环节的影响,设计了稳健的融合估计方案。在此基础上,综合设计了一个空间目标跟踪系统。系统采用模块化的实现结构,以提高算法兼容性和任务扩展能力。计算实例验证了系统的性能。     

加性噪声条件下的UKF算法

UKF算法是广泛应用的非线性滤波方法之一,在加性噪声条件下,根据是否状态扩展和是否重采样有四种实现方式.从算法精度、适应性和计算效率等方面进行了理论分析和仿真计算,证明适当选择滤波器参数,常用采样策略下,状态扩展与非扩展的UT变换结果相同,但后者的计算效率较高;加性测量噪声条件下,扩展与非扩展UKF可获得相同的滤波结果;加性过程噪声条件下,扩展与非扩展UKF仅能获得相同的状态预测结果;重采样不总是构建滤波器的必要环节,但理论分析和仿真计算发现了重采样对滤波器增益的自适应调节能力,指出其在状态偏差或未知机动模式较大时对改善滤波器收敛性和精度有重要贡献.在此基础上,给出了实际应用中的滤波器设计准则:对于加性测量噪声宜采用非扩展方式;对于加性过程噪声,状态偏差或机动较小时宜采用扩展或非扩展的非重采样方式,系统状态偏差或机动较大时宜采用非扩展的重采样方式.性能分析方法和系统设计准则对研究其它的滤波器同样有参考价值.