一种改进的多伯努利多目标跟踪算法

针对粒子势均衡多目标多伯努利滤波的粒子实现形式所需粒子数多、粒子退化严重的问题,将均方根容积卡尔曼滤波与粒子势均衡多目标多伯努利滤波相结合,提出均方根容积卡尔曼粒子势均衡多目标多伯努利滤波算法．该算法利用均方根容积卡尔曼滤波构建重要性密度函数,再对其进行采样获得预测粒子状态,从而提高粒子的准确性,减轻粒子退化．与基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波相比,该算法更稳定,且算法性能不受目标状态维数的限制．仿真实验表明,所提算法与粒子势均衡多目标多伯努利滤波算法和基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波算法相比,其跟踪精度更高．     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

随机机动目标拦截中的多模型自适应估计算法

针对随机机动目标末端制导拦截问题,提出了一种快速有效的多模型自适应估计算法。该算法充分挖掘了单元滤波器组对应假设空间的特殊结构,引入聚合和剪裁手段简化了传统多模型自适应估计算法。为有效处理非线性,不敏卡尔曼滤波器被用于设计依赖假设的单元滤波器。为满足应用要求,给出了该算法的数值鲁棒实现方法。仿真结果验证了所提出算法的有效性。     

短波数传中的一种混合型自适应均衡技术

本文提出了一种混合型自适应均衡算法,在很大范围内其主要性能接近或达到平方根卡尔曼算法的性能,而其运算量比平方根卡尔曼算法少得多,因此它是短波高速率串行数传中自适应均衡器的较好算法.     

IMU/GPS组合导航交互式多模型鲁棒滤波研究

在深入研究适用于低成本IMU/GPS组合导航系统非线性滤波的基础上,提出了一种基于交互式多模型自适应鲁棒容积卡尔曼滤波算法.该算法将交互式多模型算法引入H∞滤波容积卡尔曼滤波器,能够有效提升滤波算法的稳定性和质量.根据采集的低成本惯导GPS导航实验数据设计了两组滤波方案,性能分析结果表明,改进的交互式多模型鲁棒容积卡尔曼滤波算法位置估计精度提高了41.4%,速度估计精度提高了36.0%.同时设计的滤波试验结果表明该算法能有效抑制系统噪声取值不准确引起的滤波不稳定,尤其适用于噪声取值偏离最优值较多的情况,也即能够有效抑制野值对滤波结果的影响.     

状态与偏差解耦自适应滤波及应用

在状态与偏差耦滤波的基础上提出了一种自适应滤波算法，这种自适应滤波能在线估计系统的编差与噪声方差。对常值偏差和缓慢变化的偏差都能进行在线估计。由于采用两个卡尔曼滤波器进行计算，计算量比状态扩展自适应卡尔曼滤波器要小得多，特别在偏差量比较多的情况下更能显出其优越性，适合在组合导航中应用。     

基于信息融合的井下图像跟踪

提出了一种新的井下图像跟踪算法——图像相关算法与卡尔曼滤波器之间的信息进行融合．此算法基于贝叶斯规则，将一种常用的均方差图像相关算法和卡尔曼滤波器两者信息进行融合，得到一种新的成像跟踪算法．改进后的算法融合了MSD相关器和卡尔曼滤波器两者的信息，使得两者之间的信息反馈增强，提高了跟踪算法的性能和鲁棒性，大大减少了目标失锁的可能性，另外，改进后的算法还融合了噪声的统计性能，提高了对噪声的抑制能力．从理论计算和实验结果看，用这种算法获得的图像比一般相关算法获得的图像更具有真实性和准确性．     

永磁同步电机的转动惯量辨识及状态估计

为提高永磁同步电机伺服系统的动态性能和鲁棒性,研究了基于模型参考自适应系统的转动惯量辨识方法以及基于卡尔曼滤波器的自适应状态估计策略。提出了一种适用于宽转速、高噪声环境下的电机角速度、角位移和负载扰动转矩的在线估计方法,分析了该方法的抗干扰能力以及系统参数变化对估计效果的影响,并通过辨识出的伺服系统转动惯量对卡尔曼滤波器的系数矩阵进行实时更新,实现了转动惯量自适应状态估计。仿真和实验结果表明该算法在速度分辨率、实时性和抗干扰能力上均优于传统M／T方法。     

多用户混沌通信系统的盲均衡算法

为了消除多用户的混沌通信系统中存在的多径信道畸变、多用户干扰以及信道噪声,组合不同的状态空间模型,提出了一种双扩展卡尔曼滤波器(Dual Extended Kalman Filter,DEKF)的盲均衡算法。仿真结果表明,这种盲均衡算法能较快地跟踪多径时变信道,有效地抑制信道噪声,进而实现多用户通信。     

非线性滤波算法的性能分析

对目前非线性滤波的主要算法即扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波、扩展卡尔曼粒子滤波和不敏粒子滤波的滤波模型、适用条件、性能进行了分析比较,给出了每种方法的计算复杂度.通过一个非线性非高斯模型进行了仿真,验证了这些算法的性能.     

BF粒子滤波算法在快速目标跟踪中应用的研究

为了对快速目标进行跟踪,在高斯加性白噪声的条件下(AGWN),文章把BF粒子滤波算法和迭代的Kalman滤波器方法结合起来对快速目标状态进行处理,状态估计用BF粒子滤波算法,能减小方差和运算量,同时用Kalman滤波器能提高跟踪精度和对目标状态的估计。仿真结果表明,文中所设计的快速和精确的BF算法能真正地解决快速目标跟踪问题。     

基于卡尔曼滤波算法的活动抽头均衡器

针对通信信道中多径干扰引起的码间串扰(ISI)问题,这里在卡尔曼滤波均衡器的基础上提出了一种活动抽头均衡器消除码间干扰的问题.该算法保留了卡尔曼滤波算法快速收敛的特点,根据迭代结果能快速估计信道特征,消除干扰,达到减小误码率的目的,提高通信质量.在此基础上,根据算法特点,论文采用自动去掉冗余抽头的方法,只计算有干扰信道的滤波器系数,跟踪时变信道,大大减少了计算的复杂性,降低了对硬件资源的要求.并且进行了仿真分析,并将计算过程和结果与LMS和卡尔曼滤波算法进行了比较,结果表明该算法收敛速度快,计算量小.     

一种基于极大似然准则的自适应卡尔曼滤波算法

在系统不能确切建模或模型本身会产生改变的应用场合，传统卡尔曼滤波算法的性能受到直接影响，甚至无法正常应用。基于标准卡尔曼滤波假设，利用极大似然估计准则推导了一种新的自适应卡尔曼滤波算法，这种滤波算法的主要思路是利用新息序列对系统和量测噪声方差阵Q和R实时估计和调整，以实时反映系统模型的变化。在相关理论分析的基础上，针对低成本惯性／GPS组合导航系统对这种自适应卡尔曼滤波方法的性能进行了仿真分析，与传统卡尔曼滤波算法进行了比较，探讨了这种算法的实用性。     

基于外辐射源的多目标CMKF跟踪算法研究

为了纠正传统的扩展卡尔曼滤波算法的病态特征,实现实时快速和稳定的定位,提出了一种基于外辐射源的多目标CMKF跟踪算法,并对该算法进行了详细的理论推导.计算机仿真结果证明了上述方法的正确性.     

基于卡尔曼滤波算法的改进测频算法

分析了经典卡尔曼以及其相关的改进算法的跟踪特性,提出了一种利用拉格朗日线性插值的电压过零点法测得电网频率,再经过改进卡尔曼滤波得到高精度频率的测频算法,具有实时、快速跟踪的特点,且频率测量精确度高.最后通过Matlab软件进行实例仿真,验证了该改进算法的可行性.     

一种快变信道下OFDM系统的Kalman信道估计算法

针对频率选择性快速时变信道的多径干扰和较大的多普勒频谱扩展，提出了一种改进的Kalman滤波算法。用于正交频分复用（OFDM）系统信道估计．该算法采用复杂度大大降低的低维Kalman滤波来跟踪快速时变信道，迭代联合信道估计与检测算法来获得测量矩阵，并对滤波结果利用一种新的简单的最小均方误差（MMSE）估计器进行优化。有效地降低了传统基于Kalman滤波算法的复杂度．仿真结果表明，该方法能够跟踪信道的快速变化，具有良好的估计性能．     

基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.     

短波突发通信中自适应均衡算法研究

针对短波突发通信的特点,对几种常用的自适应均衡算法进行了研究,并运用MATLAB工具对算法的性能进行了仿真比较。结果表明:LMS算法计算简单,收敛速度较慢;RLS算法计算量很大,收敛速度快,但对累积舍入误差敏感;平方根Kalman算法计算量较大,收敛速度快,对累积舍入误差不敏感。     

一种基于迭代EKF的FastSLAM算法

针对在传统的快速地图创建和同时定位算法(fast simultaneous location and map building, FastSLAM)中采用扩展卡尔曼滤波器(extend Kalman filter, EKF)来估计机器人位姿和地图创建所带来的线性化误差的问题,本研究提出了一种基于迭代EKF的FastSLAM2.0算法--IFastSLAM算法。该算法将迭代思想运用到EKF中,同时采用迭代EKF来估计粒子从而完成机器人地图创建和自身定位。实验结果证明,该算法提高了粒子的估计精度从而减缓粒子退化问题,并更好的维持了地图的一致性。     

Kalman滤波器的抗干扰算法

在Kalman滤波意义下,提出将观测值划分为正常和病态两种属性,病态值可以是通常的野值,也可以是部分的正常值,这种模糊划分降低了辨识的难度,也比较符合客观实际,避免了由于划分不当所造成的误判或漏判情况的出现;为了提高Kalman滤波器的抗干扰能力,通过对新息分量统计特性的逐一修正,提出了重新构造状态估计的改进算法.由于充分利用了新息各分量服从正态分布的统计特性,所以算法具有结构简单,计算量小的特点.仿真实验表明,不论出现何种形式的干扰,算法都具有稳定的滤波性能,不仅克服了经典Kalman滤波器易受干扰,滤波效果不稳定的问题,而且克服了众多Kalman滤波改进算法的不足之处,适用范围更为广泛.