过程噪声方差实时补偿的非定轨目标跟踪

针对非定轨目标跟踪问题中过程噪声统计特性未知的特点,提出了一种实用的对过程噪声方差进行实时补偿的目标跟踪算法。该算法根据强跟踪滤波器的思想,通过实时检测新息序列来修正卡尔曼滤波算法中的状态预测误差协方差矩阵,进而对未知的过程噪声方差矩阵进行实时地补偿。由于存在新息检测机制,该算法能够有效地规避表征建模不确定性的过程噪声统计特性未知的问题,对于建模不确定性具有一定的适应能力。通过对一旋转靶标跟踪问题的仿真试验,证明了该方法的有效性。     

An adaptive strong tracking UKF filtering algorithm based on fuzzy logical system for position estimation

提出了一种用于GPS位置估计的模糊自适应强跟踪UKF(FAST-UKF)滤波算法.该算法采用强跟踪的自适应算法用以解决传统UKF算法容易受初始值和模型误差影响的问题;同时采用模糊逻辑系统解决强跟踪算法的参数估计问题,通过模糊逻辑系统实时监测滤波器的工作状况,实时对强跟踪算法的参数进行估计和调整,确保滤波器正常工作.仿真定位结果表明,模糊自适应强跟踪UKF算法相比UKF算法、传统的自适应UKF算法和强跟踪UKF算法更能够及时地适应载体运动规律变化,同时定位性能也有所提高.     

未知输入干扰下异构多传感器分布式两级信息滤波与偏差联合估计

针对目标跟踪过程中受未知输入影响的多传感器网络,提出一种局部单传感器抗干扰信息滤波算法并根据此算法实现分布式一致性多传感器融合滤波估计实现目标的精确跟踪。首先,建立包含未知输入的系统模型;其次,消除未知输入影响并设计局部单传感器两级信息滤波算法实现状态和广义偏差的同时估计;最后,根据提出的单传感器两级信息滤波算法进行分布式加权数据融合。仿真结果表明,该方法及其融合算法的系统偏差、状态估计误差和均方根误差均明显降低,目标跟踪精度有所提高,并且具有较低的运算量和较高的一致性。     

基于加性超球体平方根UKF算法的无人机姿态确定

针对无迹卡尔曼滤波(UKF)计算量大的问题,提出一种加性超球体平方根UKF算法,即ASSRUKF算法.该算法通过引入加性非扩展形式减少状态维数,并采用超球体单形采样减少采样点的数量,有效降低了算法计算量;同时采用协方差阵的平方根代替协方差阵参加递推运算,以提高滤波算法的计算效率和数值稳定性.建立了加性噪声下基于微机械惯性测量单元和磁强计的无人机姿态模型,并采用ASSRUKF算法进行姿态估计.仿真结果表明,本算法的精度与UKF相当,而执行时间仅为UKF的36.8％,有效降低了算法的计算复杂度.     

基于卡尔曼滤波理论的气体浓度反演算法

广泛应用于气体探测的差分吸收光谱技术(DOAS)利用气体分子的窄带吸收特性结合最小二乘算法来推演气体浓度.但是,最小二乘法在外界环境因素干扰的情况下,往往产生较大的误差.本文引入了基于状态空间理论的气体浓度定量分析算法.通过把浓度变化视为状态方程,把光强吸收变化看作测量方程,从而组成状态空间方程,然后将卡尔曼滤波应用到气体状态空间中实现浓度反演.对于噪声统计信息未知的情况,通过自适应滤波算法,在滤波过程中利用已有的历史信息对噪声实现估计,从而使得整个系统在信噪比较低的情况下也能取得较好的反演精度.最后通过实验对最小二乘算法和卡尔曼滤波算法进行对比,证明卡尔曼滤波算法更具优越性.     

低轨卫星精密定轨算法研究及初步结果分析

卫星的精密定轨指的是从观测数据中获取指定预报开始时刻的高精度参数轨道。由于GPS观测数据中不可避免的带有随机误差和系统误差等非线性影响因素,因而不可能确定一条能够精确地拟合所有观测值的轨道,所以需要利用大量的观测数据使用统计学原理对航天器轨道状态进行估计。本文以低轨卫星为研究对象,分析了精密定轨的基本理论方法,包括摄动力模型以及最小二乘估计法。最后分别通过批处理和递推算法对GRACE-A卫星数据进行计算,实现了低轨卫星的定轨,并达到了一定的精度。     

扩展容积卡尔曼滤波定位技术研究

为提高被动定位技术的精度与环境适应性,本文提出运用一种新的非线性滤波方法—扩展容积卡尔曼滤波算法进行多角度传感器目标定位;它首先利用EMD(经验模态分解)算法对目标的量测噪声协方差矩阵进行估计;然后,将过程噪声协方差和量测噪声协方差融入循环过程;同时,为保持算法的稳定性和正定性,利用求平方根的形式对算法改进。通过对扩展容积卡尔曼滤波与UKF(不敏卡尔曼滤波)算法跟踪目标的结果进行比较,在运算复杂度与UKF相当的前提下,扩展容积卡尔曼滤波算法不仅可以对未知量测噪声情况下的目标进行跟踪,而且显著提高了被动定位的精度。     

UKF和KF两级滤波的雷达与红外配准算法

针对雷达与红外传感器的时间和空间偏差配准问题,给出时空偏差配准模型,提出了一种时空偏差实时估计算法.该算法将目标的运动状态和传感器偏差组合在同一状态方程中,构建扩维状态的系统动态方程和量测方程,并通过对量测方程的非线性分析,采用UKF和KF两级滤波的方法进行目标状态和配准偏差的联合估计.仿真结果表明,与采用UKF滤波的方法相比,该算法具有更高的估计精度,而且减小了计算量.     

Sage_Husa自适应滤波算法在捷联组合导航系统中的应用

以组合导航系统为应用背景,在现有方法的基础上,提出Sage_ Husa自适应滤波算法的应用.采用常规卡尔曼滤波时,需要知道系统的数学模型和噪声统计的先验知识,但是在实际系统中,系统的数学模型和噪声统计是未知的、近似的或部分已知的.用不准确的模型或噪声统计设计出的卡尔曼滤波器将导致状态估值误差增大,甚至使滤波发散.Sag...     

基于多尺度Kalman数据融合滤波

本文通过分析基于小波变换的动态系统模型,提出一种基于小波多尺度的Kalman数据滤波方法,本文利用小波的多尺度特点,把初始估计序列多尺度分解,并在不同尺度层上进行Kalman滤波估计,再利用小波重构来融合各层的估计信息,把标准Kalman滤波只在单一尺度和时间轴上对状态估计值和误差协方差进行数据更新,改进为基于小波变换的尺度轴和时间轴上的双向数据更新,该算法将小波多尺度分解去噪和Kalman滤波相结合,对实际中含较强噪声的动态系统的状态估计效果较好.算法也可用于多分辨率多传感器数据融合.     

鲁棒Kalman滤波陀螺随机噪声AR快速/实时建模

针对传统陀螺随机噪声的AR建模方法收敛速度慢、所需样本多等问题,提出新的基于鲁棒Kalman滤波的陀螺随机噪声AR建模方法。该方法将AR模型参数作为系统的状态量,采用未知时变的噪声统计估值器估计观测噪声的均值和方差,通过Kalman滤波估计出AR模型参数。实验结果表明:这种AR建模方法具有收敛速度快,时间开销少的优点。当有新的噪声数据到来时,还能使建立的AR模型得到及时更新,提高建模准确度,适用于快速建模或陀螺随机噪声具有强时变性的工程场合。     

噪声概率快速估计的自适应椒盐噪声消除算法

提出一种可识别噪声概率自动调节滤波窗口的自适应椒盐噪声消除算法。对非理想椒盐噪声污染图像随机区域进行变窗口中值滤波,将结果与滤波前比对获得噪声点数,滤波区域即按此点数排序。然后取每种滤波窗口下的中间三组数据,该数据平均加权获取图像噪声概率初估计,对初估计平均加权即得图像噪声概率。滤波前首先采用阈值法排除明显噪声点,剩余像素中再以离窗口中心像素距离平方的倒数为权值估计中心像素。最后由噪声概率按照T-S模糊规则对不同模型的输出估计值进行融合。实验证明,与传统中值滤波等算法相比,该算法具有噪声自动估计和自适应窗口调节能力,滤波后标准均方差可减少20%以上,速度可提高一倍多。     

去除脉冲噪声的自适应开关中值滤波

为消除图像中的脉冲噪声,提出了自适应开关中值(ASM)滤波算法。该算法采用一种新的噪声检测方法将图像中的像素分为信号点和噪声点两类。对检测出的噪声点统计其个数并由此估算图像中的噪声密度,根据估计的噪声密度自适应确定滤波窗口尺寸,采用改进的中值滤波对检测出的噪声点进行处理;而信号点则保留其灰度值不予处理。对ASM滤波进行仿真实验,结果表明,它能在有效去除噪声的同时很好地保护图像细节,较传统中值滤波及其它改进中值滤波算法有更优的滤波性能。     

未知激励下的无迹卡尔曼滤波新方法

无迹卡尔曼滤波（UKF）是一种识别非线性系统的有效方法,然而传统的UKF方法需要观测外部激励,这限制了UKF的应用范围。迄今为止,国内外对未知激励情况下的UKF方法的研究还非常少。该文在传统UKF的基础上,推导出在未知激励情况下的无迹卡尔曼滤波（UKF-UI）方法的递推公式,通过对观测误差的最小化,利用非线性方程求解,识别未知外部激励,进而识别非线性结构系统状态与结构未知参数。进一步采用融合部分观测的加速度响应及位移响应,消除识别结果的漂移问题。分别通过白噪声和未知地震作用下识别非线性迟滞模型的两个数值算例,考虑观测噪声对非线性系统进行识别,从而验证提出新方法的有效性。结果表明,该文所提出的UKF-UI方法,能够在部分观测结构系统响应的情况下,有效地识别非线性结构参数和未知激励。     

噪声方差自适应修正的混合系统故障诊断方法

针对混合系统故障诊断问题,提出了一种模型噪声方差自适应修正的多模态故障诊断方法。首先,在粒子滤波的框架内将混合系统故障诊断建模为最优状态估计与跟踪问题,利用实时观察信息和各个模态先验的转移概率,估计最优的故障模态,并针对估计结果进行单独的建模分析;接着,根据平滑估计值和当前观测信息之间的相关性,建立噪声方差在线自适应检测机制,对模态噪声方差进行自适应更新,有效克服了模型噪声统计特性时变对滤波精度的影响,提升了算法的鲁棒性。最后,针对多种模态估计跟踪进行了充分的仿真分析,验证了本文方法的有效性和鲁棒性。     

一种基于累积量的ESPRIT型盲波束形成算法

讨论一种用于非高斯信号源方位估计的盲波束形成算法。假设背景噪声是二阶统计未知的有色(空间相关)高斯噪声,基于“阵元对”模型的ESPRIT方位估计算法可以通过用累积量矩阵取代自相关矩阵完成信号空间的重建。经过这种处理,加性有色高斯噪声可被滤除,因此算法不需要相关噪声矩阵的知识。当加性噪声源是空间相关矩阵未知的有色高斯噪声时,计算机仿真比较了基于累积量的ESPRIT算法与基于二阶统计的ESPRIT算法的性能。     

自适应滤波在平台自标定数据处理中的应用

目的：研究自适应卡尔曼滤波技术在平台自标定数据处理中的应用。方法：对平台标定中数据处理的一种方法是对角度传感器输出分析，解算出漂移角速率，并在此基础上辨识出漂移参数，由于平台自标定往往在动基座条件下进行，角度传感器输出中的噪声统计难以确定，并且会出现时变的情况，传统的卡尔曼滤波方法不能适用，自适应卡尔曼滤波在估计状态的同时，利用观测数据带来的信息，可在线估计噪声的统计特性，从而不断地改进滤波器的设计，结果与结论：对输出数据建立常速度模型，采用Sage-Husa自适应滤波算法，进行参数辨识，得到较好的效果。     

初相未知信号联合检测与估计的序贯实现

在未知参数的充分统计量和再生概率密度函数的基础上，引入了联合检测与估计的序贯算法，给出了算法的实现框图，并将该算法应用于高斯噪声中初相位未知信号的联合检测与估计当中，仿真实验表明，新算法较传统算法有一定的性能改善。     

雷达多目标跟踪算法

文章简述了雷达多目标跟踪系统中状态估计和航迹数据关联两大问题的研究现状并对主流算法进行分析对比。状态估计问题主要分析了线性滤波及非线性滤波的主流算法。数据关联问题主要分贝叶斯类和最大似然概率类进了行讨论分析。     

航天器高精度GPS导航定位技术研究

将GPS测量定位技术、求解卫星轨道摄动运动的Encke方法和广义Kalman滤波技术有机地结合在一起，提出了利用GPS实现低轨道航天器高精度自主导航定位的新方法——载波相位-伪距综合动态定轨技术，解决了GPS载波相位应用中动态解模糊和跳周修复的难题。以此为基础，提出了两个航天器之间的载波相位-伪距综合差分动态相对导航技术。数值仿真分析和半物理仿真实验结果表明，所提出的动态定轨技术是可行的，对提高GPS导航定位精度的效果是显著的，并且其模型、算法和软件具有工程实用性。