多阵元天线拖曳式诱饵干扰技术

传统拖曳式诱饵依靠转发放大后的接收信号达到角度干扰目的,但干扰角的方向和大小不能动态调整.将多阵元天线角度干扰算法进行了改进,并将改进算法与拖曳式诱饵相结合,建立了多阵元天线拖曳式诱饵模型,提出了新算法公式,从而使欺骗角度方向和大小可以动态调整.最后,通过计算机仿真验证了此算法具有稳健的角度欺骗性能.     

一种卡尔曼滤波与粒子滤波相结合的非线性滤波算法

提出一种基于卡尔曼滤波与粒子滤波的非线性滤波算法.这种方法对于状态变量服从线性变化而观测方程为非线性的动态系统模型具有显著的效果.首先使用粒子滤波对状态变量进行初估计,然后对估计结果进行卡尔曼滤波,另外推导出该系统模型下状态变量估计误差的克拉美劳下界.通过计算复杂度分析及仿真实验验证,表明新方法与标准粒子滤波算法复杂度相当,但参数估计精度要高于标准粒子滤波以及扩展卡尔曼滤波算法,估计误差甚至要低于系统模型的克拉美劳下界.     

区间卡尔曼滤波算法在参数估计中的应用

卡尔曼滤波算法除了用于动态系统的状态估计外,还可以用于动态系统参数的在线估计．特别是时变参数的估计。传统卡尔曼滤波算法在系统参数不确切已知或随时间变化时将无法直接应用。在区间分析的基础上,通过将不确定系统建成区间模型,在其他假设条件与标准卡尔曼滤波相同的前提下,分析了一种处理系统参数不确定性的区间卡尔曼滤波算法,并对其在参数估计方面的应用进行了探讨。     

MIMU／GPS组合导航模糊自适应卡尔曼滤波研究

针对组合导航初始对准中存在模型误差时常规卡尔曼滤波容易发散的问题,提出了一种模糊自适应卡尔曼滤波算法。该算法采用模糊控制规则,根据新息的方差和均值变化自适应调整量测噪声权值矩阵。此算法运用于MIMU/GPS组合导航初始对准中,获得了较高的导航精度。仿真结果表明,该算法能够有效防止滤波发散,减少模型误差对滤波结果的影响,提高了滤波精度,实现了参数的在线调整。     

基于改进当前统计模型的模糊自适应车辆定位算法

分析比较了“当前”统计模型和Singer模型各自的特点,提出了基于改进的“当前”统计模型的模糊自适应车辆定位算法（MCS-FAEKF）,实时动态选择机动模型和调整系统噪声协方差矩阵。相对于传统的“当前”统计模型卡尔曼滤波算法（CS-EKF）和Singer-EKF算法,MCS-FAEKF算法对车辆目标的定位精度和可靠性等都得到了较大提高,计算机仿真结果验证了算法的有效性和可行性。     

分布式数据链的定周期自适应时间对准

分布式数据链航迹处理对时间对准提出了更高要求。为此,提出了一种定周期的自适应处理模型。通过建立数据校正模型,将多源数据统一到固定的时间点上,通过卡尔曼滤波算法将数据外推到相应时间点,并可有效根据其数据消息质量进行动态调整有效数据融合策略,从而为后续数据链航迹融合提供支持。通过仿真实验验证了算法的有效性和可行性,为后续数据链无中心数据处理提供了基础支撑。     

面向毫米波波束跟踪的扩展卡尔曼滤波算法研究

针对移动毫米波通信场景中收发波束存在角度偏差时接收信号质量急剧下降的问题,提出一种联合 迭代优化均方误差和扩展卡尔曼滤波(Extended Kalman Filtering,EKF)的稳健波束跟踪算法。该算法首先采用EKF算法对信道增益和波束角度进行跟踪,然后基于最小均方误差准则(Minimum Mean Square Error,MMSE)对误差进行 平滑处理,以消除EKF 线性近似引入的误差,实现对波束发射角和到达角的动态跟踪。仿真结果表明所提出的算法能够明显降低移动环境中的波束跟踪误差,并具有稳健的波束跟踪能力。     

基于M-估计的抗欺骗卡尔曼滤波算法

随着全球卫星导航系统的日益普及和各种电子技术的发展,欺骗干扰逐步成为卫星导航系统的一个重大威胁.针对卫星导航接收终端中的欺骗干扰抑制能力差的问题,提出了一种基于M-估计的抗欺骗扩展卡尔曼滤波算法,解决了小型导航接收终端在欺骗干扰环境下的导航定位问题.在传统卡尔曼滤波算法的基础上,结合稳健统计中的M-估计来调整扩展卡尔曼...     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

自适应EKF在被动跟踪中的应用研究

针对被动跟踪中常见的滤波发散、收敛速度慢和跟踪精度低等问题,研究了一种非线性系统的自适应推广卡尔曼滤波算法。该算法能够在线估计噪声的统计特性,动态补偿模型线性化误差,消减系统的观测误差。对其滤波理论及算法进行了研究与仿真,结果证实该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

地磁背景下基于传感器阵列的磁偶极子目标跟踪方法

针对地磁背景下磁偶极子目标跟踪过程中存在的地磁干扰与模型非线性的问题,该文提出一种基于差量磁异常的蒙特卡洛卡尔曼滤波(MCKF)跟踪方法。新的跟踪方法以传感器阵列测量磁场的差量作为观测信号,并利用蒙特卡洛卡尔曼滤波算法解决模型的非线性问题,实现磁偶极子目标的实时跟踪。通过仿真跟踪实验,结果表明该文算法较传统的扩展或无迹卡尔曼滤波算法在稳定跟踪过程中对目标特征参数的估计更精确;通过地磁背景跟踪实验,结果验证了该文算法较传统算法在低信噪比下的性能优势。     

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。     

毫米波移动通信中基于AUKF的波束跟踪算法

针对移动毫米波通信场景中收发波束存在角度偏差时接收信号质量急剧下降的问题,提出一种基于自适应无迹卡尔曼滤波(AUKF)原理的波束跟踪算法。针对低复杂度对于移动场景的适用性,该算法设计了一种有效的波束跟踪方案,在模拟波束形成架构中通过训练一个波束对以跟踪一条电磁波路径来保持有效的毫米波通信。通过引入自适应调节因子,在系统存在异常扰动时候,可以自适应调节预测和观测协方差矩阵,提高估计精度和收敛速度。仿真结果表明,所提的自适应无迹卡尔曼滤波算法明显降低了移动环境中的波束跟踪误差,具有稳健的波束跟踪能力。     

精确制导系统中的目标跟踪与卡尔曼滤波

针对精确制导中的目标跟踪问题,应用卡尔曼滤波算法进行了仿真研究.该算法在建立基于卡尔曼滤波运动模型的基础上,通过测量获得运动目标角度及径向距离数据,然后根据推广卡尔曼滤波算法迭代估算出目标的位置.通过对仿真结果分析可得,该方法有良好的跟踪性能,卡尔曼滤波在精确制导系统的目标定位,跟踪等领域有着广泛的应用前景.     

基于中心差分卡尔曼滤波的SINS初始对准研究

研究了在大失准角条件下,捷联惯导系统初始对准非线性误差模型,分析了扩展卡尔曼滤波算法因对非线性模型线性化而存在的缺点,研究了中心差分卡尔曼滤波算法,提出将中心差分卡尔曼滤波算法应用于捷联惯导系统大失准角初始对准中.仿真结果表明,在水平失准角为小角度、方位失准角为大角度时,中心差分卡尔曼滤波算法同扩展卡尔曼滤波算法相比,提高了初始对准的估计精度和收敛速度.     

卡尔曼滤波算法在单站无源定位中的应用

针对传统卡尔曼滤波算法在单站无源定位中的不足,提出了一种基于CV模型的卡尔曼滤波算法,阐述了卡尔曼滤波算法和CV模型,对基于CV模型的卡尔曼滤波算法在单站无源定位中的应用进行了仿真分析。仿真结果表明改进卡尔曼滤波算法能有效提高定位精度。     

基于非线性滤波的交互式多模型算法

为了使交互式多模型算法更好的应用于非线性系统,将转换测量卡尔曼滤波引进到交互式多模型算法中,通过建立IMMCVCACT模型进行仿真,仿真结果表明,相对于单模型结构,引入转换测量卡尔曼滤波算法明显提高了跟踪精度.     

机载红外搜索跟踪系统被动定位滤波算法研究

首先用扩展卡尔曼滤波算法构建了机载红外搜索跟踪系统被动定位滤波模型．然后针对该滤波算法要求先验的噪声统计及存在系统观测模型线性化误差影响滤波精度的特点．利用虚拟噪声技术，提出了适合于红外搜索跟踪系统被动定位的自适应扩展卡尔曼滤波算法。该算法实时地估计了虚拟噪声的统计特性，减小了线性化误差，提高了非线性滤波的精度。仿真结果表明，在完全相同的初始条件下，自适应扩展卡尔曼滤波对目标距离和速度的估计结果明显优于扩展卡尔曼滤波，此算法具有很高的工程应用价值。     

基于扩展卡尔曼滤波的FLANN网络学习算法

针对函数连接型神经网络(FLANN)误差反传(BP)学习算法存在收敛速度慢和容易陷入局部极小值等问题,结合扩展卡尔曼滤波(EKF)理论,提出了一种基于扩展卡尔曼滤波的FLANN网络学习算法.新算法把网络的权值作为EKF的状态,网络的输出作为EKF的观测,通过扩展卡尔曼滤波算法来调整网络权系数从而获得最优网络状态,即网络权系数的最优估计.仿真结果表明,新算法比BP学习算法在收敛速度和稳态误差性能等方面都得到了大大提高.     

基于高斯和的二阶扩展卡尔曼滤波算法

传统的扩展卡尔曼滤波算法在传感器的信号监测和处理中,存在着动态环境校准困难和信号突变收敛速度慢的问题。针对该问题,结合二阶泰勒展开式和高斯和,提出了基于高斯和的二阶扩展卡尔曼滤波算法。该算法首先将初始状态、过程和量测噪声一起近似为高斯和,接着利用二阶扩展卡尔曼滤波算法中的状态预测和状态更新方程对每个高斯项进行预测和更新。为了避免高斯项的过度冗余,采用了剪枝的思想。文中通过仿真实验证明了算法的有效性,实验表明,该算法不但能提高信号突变的收敛速度0.1μs,而且能在动态环境中提高滤波估计的准确度和可靠性。