混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。      

五阶容积卡尔曼滤波算法及其应用

容积卡尔曼滤波(CKF)是一种新型的非线性滤波方法,可获得优于扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)的滤波精度和滤波效率.但是,传统的CKF基于三阶容积准则而提出,因此滤波精度受到限制,为进一步提高CKF滤波性能,文中将容积准则由三阶扩展到五阶,采用两种不同容积点集选择方案,提出一种新型的五阶CKF算法.该算法可有效改善传统CKF在精度方面的理论局限,并有效改善一般五阶CKF计算量大的问题.机动目标跟踪仿真结果表明了新方法的有效性和可行性.     

基于后向平滑容积卡尔曼滤波的单站无源定位算法

单站无源定位跟踪是一个典型的非线性滤波问题,由于测量精度不高、初始误差较大等原因容易导致滤波算法定位精度低、收敛速度慢。本文将一种新型的滤波算法——容积卡尔曼滤波（cubature Kalman filter,CKF）应用于单站无源定位领域,并将后向平滑滤波思想与CKF算法相结合,提出了一种后向平滑容积卡尔曼滤波算法（backward-smoothing CKF,BSCKF）。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,并采用后向平滑值进行递归滤波,具有更优非线性估计性能。仿真实验表明,与EKF、UKF和CKF算法相比,BSCKF算法定位精度更高、收敛速度更快。      

基于STF和7thCQKF的状态突变系统跟踪算法

针对传统非线性滤波算法对状态突变的鲁棒性较差,存在跟踪缓慢甚至失效的问题,提出了强跟踪七阶正交容积卡尔曼滤波(ST-7thCQKF)算法。算法将对非线性系统滤波效果良好的七阶正交容积卡尔曼滤波(7thCQKF)与强跟踪滤波(STF)融合,通过在7thCQKF的预测协方差中引入渐消因子调节增益矩阵,提高算法对状态突变系统的跟踪效果。仿真和实验结果表明,ST-7thCQKF能够较好地处理状态突变系统的跟踪问题。     

基于UKF的单站无源定位与跟踪算法

单站无源定位与跟踪系统观测方程的非线性性决定了定位与跟踪中必须采用非线性滤波技术.MGEKF等非线性滤波方法本质上都属于扩展卡尔曼滤波算法,都存在由于线性化误差而导致滤波器稳定性差等问题.基于unscented变换的UKF算法不存在线性化误差,具有更好的稳定性,但由于协方差估计不足,导致收敛速度较慢.该文基于UKF算法提出了一种迭代UKF(IUKF)算法,通过对状态和协方差的迭代估计,改善了UKF协方差估计不足的问题.仿真结果表明在不同的参数测量精度条件下,IUKF算法既保持了较好的稳定性又提高了算法的跟踪精度和收敛速度.     

强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器（STF）的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波（SRCKF）算法。利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF 。基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF 。该算法兼具STF与自适应SR-CKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能。仿真验证了所建算法的有效性。     

基于简化平方根容积卡尔曼滤波的跟踪算法

目标跟踪的模型通常可表示为一个线性的状态方程与一个非线性的观测方程,为提高平方根容积卡尔曼滤波(SCKF)算法的跟踪精度和实时性,提出了一种简化的平方根容积卡尔曼滤波(RSCKF)算法。简化算法在时间更新环节,直接利用状态转移矩阵计算状态变量以及协方差矩阵的一步预测值,避免了原算法中采用一组容积点近似计算的复杂过程,推导证明,简化后的算法其时间更新环节与卡尔曼滤波的一步预测结果一致。最后对两种算法进行了计算复杂度比较以及角跟踪仿真实验。实验结果表明,简化的算法能够降低运算时间并提高跟踪精度。     

扩展容积卡尔曼滤波-卡尔曼滤波组合算法

传统单一线性或非线性滤波方法往往难以获得最优线性/非线性混合动态系统状态估计,针对这一问题,结合卡尔曼滤波（KF）方法可获得线性状态估计最优解、计算量小等优势,提出了一种基于KF和扩展容积卡尔曼滤波（A-CKF）的组合滤波方法。该方法将系统状态分解为线性状态与非线性状态两部分,分别采用KF和简化两次扩展容积卡尔曼滤波（STA-CKF）方法进行系统状态估计。机动目标跟踪和捷联惯性导航系统非线性对准仿真结果表明,相比于Rao-Blackwellized粒子滤波方法,新方法在保证滤波精度的前提下,使得计算成本有效降低;相比于STA-CKF方法,新方法在滤波精度和滤波实时性方面均得到明显提高。     

多站无源跟踪边缘化卡尔曼滤波算法

多站无源跟踪量测方程非线性强,对跟踪算法的稳定性及精度提出了更高的要求。为实现稳定高精度跟踪,提出了新的基于边缘化卡尔曼滤波（MKF）的多机无源跟踪算法。该算法将非线性的量测方程表示为p阶Hermite多项式的加权和,将加权矩阵的先验分布建模为高斯过程,求得其后验分布后对其进行积分来消除加权矩阵的影响,最终可得对状态及其协方差矩阵估计的闭式解。以只测角跟踪为例对所提算法性能进行验证,仿真结果表明,相对于扩展卡尔曼滤波（EKF）算法、不敏卡尔曼滤波（UKF）算法及容积卡尔曼滤波（CKF）算法,所提算法具有更好的跟踪性能。      

改进的平方根容积卡尔曼滤波及其在POS中的应用

为解决扩展卡尔曼滤波在处理复杂非线性状态估计时,存在收敛速度慢、估计精度低及数值稳定性差等问题,引入一种改进的平方根容积卡尔曼滤波算法(A-SRCKF)。该算法在容积卡尔曼滤波基础上引入矩阵QR分解、Cholesky分解因数更新等技术,避免了矩阵分解、求逆及求导等复杂运算,极大降低了计算复杂度;并针对系统时变及统计特性未知情况下量测噪声协方差阵难以获取问题,通过引入自适应噪声估计器并结合小波卡尔曼滤波思想,构造出加权量测噪声协方差阵,提高了数值精度及稳定性。将A-SRCKF应用于机载定姿定位系统中,仿真结果表明:该算法有效地提升了估计精度,并且运行速度较快。     

自适应SICKF及在目标跟踪中的应用

针对容积卡尔曼滤波（CKF) 估计精度在系统状态或参数突变时下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)思想,提出了一种自适应SICKF(ASICKF)方法。在SICKF获得高估计精度的同时引入STF条件,根据系统输出残差获得自适应渐消因子,将其引入系统输出协方差均方根阵和互协方差阵中对滤波增益进行实时修正,强迫系统输出残差序列始终正交,从而使SICKF算法具备强跟踪能力。为验证所提ASICKF算法性能,利用数值仿真将其应用于存在突变情况的目标跟踪问题中。仿真结果表明,ASICKF在系统状态突变时仍能保持较高的估计精度,算法稳定性和适应能力较好。     

带多普勒量测的序贯SCKF雷达目标跟踪算法

为提高非线性观测条件下雷达目标的跟踪性能,将序贯处理方法引入均方根容积卡尔曼滤波( SCKF),提出一种带多普勒量测的序贯均方根容积卡尔曼滤波( SSCKF-D)雷达目标跟踪算法,该算法通过建立伪量测去除径向距离和径向速度量测误差方差之间的相关性。基于SCKF算法,按照量测精确度的高低顺序对方位角、俯仰角、径向距离和伪量测序贯处理。 Monte Carlo仿真表明,与SCKF和带多普勒量测的均方根容积卡尔曼滤波( SCKF-D)算法相比,SSCKF-D算法跟踪精度更高,较后者提高20%以上,收敛速度更快,更适用于空间目标跟踪。     

容积Rauch-Tung-Striebel平滑器

针对离散非线性系统的状态平滑问题,基于Rauch-Tung-Striebel(RTS)理论设计了一种容积卡尔曼平滑器(Cubature Kalman Smoother,CKS),即容积Rauch-Tung-Striebel平滑器(RTSCKS)。首先,基于经典贝叶斯状态估计理论框架,推导了状态概率密度分布形式的非线性系统最优平滑算法;其次,基于Rauch-Tung-Striebel理论,建立了相应的最优平滑递推算法;然后,将其与容积卡尔曼滤波算法相结合,建立了递推形式的RTS-CKS平滑器;最后,通过典型的纯方位跟踪模型验证了该平滑器的可行性和有效性。该平滑器为非线性系统的状态估计提供了新的估计算法。     

容积卡尔曼一致滤波

针对卡尔曼一致滤波的应用受限于被估计系统需 满足线性条件的问题,通过容积卡尔曼滤波(CKF)和一致性策 略的动态结合,提出一种容积卡尔曼一致滤波(CKCF)算法。算法采用分布式融合机制, 传感器节点采集可通信相邻 节点的信息,并作为自身节点的量测信息应用于CKF,获取局部状态估计 值。在此基础上,利用一 致性策略实现对整个量测系统中传感器节点局部估计值的优化,进而通过增强传感器节点估 计值一致性实现目标 状态估计精度的提升。相对于标准卡尔曼一致滤波,本文算法将一致性策略推广到非线性系 统估计领域。理论分析 与仿真实验验证了算法的可行性与有效性。     

基于IMM-RDCKF的机动目标跟踪算法

针对机动目标跟踪问题,提出了一种IMM-RDCKF算法。首先充分利用量测方程中只有部分状态变量是非线性的特点,对于非线性的量测方程采用降维滤波方法,可以在保障跟踪精度条件下减小计算量。其次,对IMM算法中的转移概率矩阵进行实时估计,提高了模型匹配概率。再次,滤波过程中由于误差累积可能导致协方差矩阵失去正定性,对算法进行了优化,确保了滤波过程中协方差矩阵的正定性,提高了算法稳定性。Monte-Carlo仿真结果表明,与CKF算法相比,该算法的跟踪精度有明显的提高,计算效率提高了一倍。     

鲁棒的高斯和容积卡尔曼滤波红外目标跟踪算法

为提高恶劣测量环境下单站红外搜索与跟踪系统的跟踪性能,提出了一种鲁棒的高斯和容积卡尔曼滤波算法.首先,为改善滤波初值模糊问题,在容积卡尔曼滤波框架下将滤波器分为若干不同初值的子滤波器,利用似然函数逐步减小初值偏差较大的子滤波器权值;其次构建非线性程度判别量,在高非线性情况下将预测密度沿最大特征向量方向进行分割,提高滤波精度;最后利用等价权函数改善新息协方差,减小异常误差对滤波准确性和稳定性造成的影响.实验结果表明,不存在异常误差时,所提算法跟踪结果优于传统算法;存在异常误差时,传统滤波方法的精度明显降低,而所提算法依然能够得到准确可靠的跟踪结果.     

一种新型的INS与UWB融合的室内行人跟踪方法

针对单一室内定位系统定位精度低、鲁棒性差的问题,提出了一种新型的基于动态鲁棒容积卡尔曼滤波的超宽带(Ultra-wideband,UWB)与惯性导航系统(Inertial Navigation System,INS)融合的定位方法.首先建立了一种易于实现的UWB-INS融合定位框架,然后提出了一种动态鲁棒容积卡尔曼滤波算法以处理多源数据的融合.提出的滤波算法可将M估计理论、强跟踪算法、动态增强策略与传统的容积卡尔曼滤波算法结合,以此缓解外界噪声和系统模型误差对状态估计的不利影响.在UWB-INS组合定位框架内采用动态鲁棒容积卡尔曼滤波,可实现对室内行人运动轨迹的精确稳定跟踪.实际数据测试和Matlab仿真验证了所提方法在复杂环境下其定位精度和鲁棒性均优于单一依赖UWB或INS技术的定位系统.