基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于Sage-Husa的优化粒子滤波算法

针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。     

集中式BLUE滤波器在组网雷达中的应用

为解决组网雷达对目标跟踪中的量测非线性问题,提出基于最佳线性无偏估计器(BLUE)准则的融合滤波方法。建立以融合中心为原点的组网雷达对目标定位的量测方程,推导出极坐标系与球坐标系下跟踪目标的BLUE滤波模型。理论分析表明,集中式BLUE滤波架构在估计单个雷达量测转换误差统计特性的同时,还估计出雷达间量测转换误差的统计特性。因此,跟踪精度和置信度较分布式BLUE滤波方法有显著提高,计算量较其他算法也有明显优势。不同场景下的仿真分析证明:该方法在不同状态噪声水平下的表现优异,是一种很有竞争力的跟踪算法。     

量测转换卡尔曼滤波在塔康导航中的应用

塔康导航系统是一种无线电测角测距系统,结合高程数据可以确定目标的三维位置。由于塔康导航的量测误差较大,导致其对目标位置的估计精度不高。为解决此问题,用基于量测转换的滤波跟踪技术实现非线性量测下的状态估计。针对塔康导航系统量测值的特点,首先在斜距值与高度所在平面内推导出量测转换的误差统计特性,并将其推广到三维空间,进而推导出塔康导航系统中的量测转换模型。基于所推导模型的卡尔曼滤波器用于塔康导航系统中的目标跟踪,取得良好的效果。与经典滤波算法的性能对比表明,由于严格基于量测值推导量测转换误差的统计特性,算法在滤波误差、置信度和计算量上优于其它算法,可在不同量测噪声水平下稳健滤波,有较好的全面性和鲁棒性。      

一种传递对准精度评估的平方根自适应滤波算法研究

在传递对准精度评估中,由于惯导系统模型参数与实际的物理过程存在偏差、系统量测噪声的特性不确定等因素.采用常规的卡尔曼滤波算法往往不能获得理想的滤波效果.为满足传递对准滤波估计的精度和稳定性要求,设计了一种新型平方根自适应滤波算法:即将简化的时变噪声统计估计器串联于平方根滤波过程的时间更新和量测更新之间.使平方根滤波与自...     

多目标环境中的认知雷达跟踪方法

研究了多目标环境中的认知雷达目标跟踪问题,提出了一种基于波形优化和快速粒子滤波的多目标跟踪方法。在量测模型中,基于采样的接收数据建立量测方程,以克服多目标跟踪中的数据关联问题;在状态模型中,与量测模型相匹配,联合估计目标运动状态（位置、速度）和散射系数。为实现多目标跟踪和提高跟踪性能,从联合收发自适应处理角度出发设计跟踪算法和发射波形:1）接收自适应。由于量测数据的维数以及跟踪模型的非线性程度较高,为实现对多目标的有效跟踪以及降低跟踪算法的运算复杂度,采用改进的粒子滤波方法对目标状态进行实时估计;2）发射自适应。考虑到信噪比与跟踪性能关系以及量测模型的特点,基于最优信噪比准则实现了对发射波形的优化。仿真结果表明文中所提出的跟踪方法能够有效的跟踪上目标,且所设计的自适应波形的跟踪性能优于传统固定波形。      

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。     

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。     

改进自适应Kalman滤波的SINS/GPS紧组合导航

当系统噪声和量测噪声统计特性不明确时,基于新息的自适应滤波对两种噪声进行估计时存在相关性,与实际情况不符而影响滤波精度。针对这种情况,提出改进的自适应滤波算法。首先建立了SINS/GPS紧组合导航系统空间方程;然后介绍了自适应卡尔曼滤波原理,指出了此算法对两种噪声估计出现相关性的原因,在此基础上提出了改进的自适应卡尔曼滤波算法,改进算法对系统噪声和量测噪声同时进行在线估计,解决了原算法存在的不足;通过半实物仿真实验可以看出,在系统噪声和量测噪声不明确时改进算法的估计精度,与原有算法在系统噪声和量测噪声已知时的估计精度相当,充分说明了改进算法的实用性。     

基于代价参考粒子滤波的机动目标跟踪算法

代价参考粒子滤波算法通过动态优化自定义代价函数和风险函数来衡量状态滤波估计的质量,选取最优的状态估计.与粒子滤波算法相比其优点是不需要任何先验概率知识的假定和重采样过程可实现并行处理.将代价参考粒子滤波与当前统计模型的优点相结合,提出一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.Monte Carlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于当前统计模型高斯粒子滤波算法.     

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IMM-UKF的航天测控雷达机动目标跟踪

航天测控中雷达的测量值具有较大的随机误差,用雷达的测量值直接解算运载火箭的外弹道跟踪精度较低。提出基于IMM-UKF的雷达机动目标跟踪方法,适应了航天发射任务中运载火箭在不同时段具有不同机动特性条件下对机动目标稳定精确跟踪的需要。仿真结果表明和利用雷达测量值直接解算目标弹道的方法以及采用单一运动模型的UKF滤波方法相比,IMM-UKF算法具有更高的外弹道跟踪精度,并且算法的收敛速度满足航天测控外弹道跟踪的实时性要求。     

基于序列批处理Kalman滤波的跟踪算法

提高跟踪准确度是雷达发展的重要方向之一,本文通过建立的雷达跟踪模型,从批处理的角度,将多个状态矢量联合进行处理,并改进了量测方程,给出了一种使用序列批处理Kalman滤波（SBKF）以提高雷达跟踪准确度的新手段。通过仿真实验看出,相比传统扩展卡尔曼滤波（EKF）算法,序列批处理Kalman滤波的结果更接近真实值,有更好的收敛性,能得到更加稳定的滤波结果,有效地抑制了量测方程非线性化和野值带来的影响。     

模糊自适应滤波在捷联惯导初始对准中的应用

传统卡尔曼滤波应用于捷联惯导初始对准中由于模型参数、噪声的统计特性不确定,影响估计效果.而模糊自适应卡尔曼滤波能按照模糊推理原理逐步校正系统的观测噪声协方差阵,具体实现是通过观察残差的理论值是否接近于其实际值,系统调整观测噪声协方差的加权以达到修正观测噪声协方差阵的目的,进而提高系统的对准效率.在噪声统计特性未知时,比较了常规卡尔曼滤波与模糊自适应卡尔曼滤波在初始对准中的应用效果.仿真结果表明,这种算法能有效提高系统的滤波效果,是一种较理想的初始对准滤波方法.     

引入斜距和高程预测的BLUE跟踪方法

最佳线性无偏估计（BLUE:Best Linear Unbiased Estimation）算法用于目标跟踪时,受斜距、高程参量间的“共线”效应影响,对近程目标估计误差会增大甚至发散。针对此问题,在量测转换模型中引入斜距、高程预测,构建斜距、高程参量有偏估计,抑制“共线”效应。基于非线性参数误差最小准则推导斜距、高程估计的权值和偏置,建立基于非线性观测和状态预测融合估计的量测转换模型。基于该模型的BLUE算法能更精确的捕捉转换量测误差特性,以较小计算代价获得性能提升,数值仿真鲁棒性好,有很好应用前景。      

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。     

基于距离像长度特征辅助的雷达目标跟踪

传统雷达目标跟踪仅利用角度和距离数据,由于获取的测量信息较少,跟踪精度受限。本文利用现代雷达所具有的距离高分辨能力,提出了一种基于距离像长度特征辅助的跟踪模型,并结合先进的非线性滤波算法得到了一种高性能目标跟踪算法—FAT UKF。该算法将目标的运动状态与距离像长度信息联系起来,通过增加观测量的维数来提高雷达的跟踪能力。对典型实例的计算机仿真结果表明,基于特征辅助的跟踪算法不仅收敛速度快,且能有效突破传统跟踪算法的理论误差下限,大大提高了雷达跟踪系统的整体性能。      

基于转换量测高斯化的三坐标雷达跟踪算法

最佳线性无偏估计（BLUE,Best Linear Unbiased Estimation）滤波用于雷达目标跟踪时,有计算量小,置信度高等优点.但是当互斜距测量误差较大时,BLUE滤波会产生非高斯转换量测,导致跟踪精度降低.为解决此问题,对其量测转换模型进行修正：通过引入方位预测,减小方位误差三角函数的非线性影响,得到准高斯分布的转换量测.分析视线坐标系下BLUE滤波的性能,推导引入方位预测的条件,给出改进算法工作流程.推导三坐标雷达下的滤波模型参数,提出转换量测高斯化水平的评估指标并仿真证明：改进算法的转换量测更逼近高斯分布,因此跟踪性能更好,而计算量只有轻微增加.本算法思想同样适用于其他非线性误差较大的场合,对解决类似问题有借鉴意义.     

一种机载PD雷达交互多模型滤波方法

机载雷达在运动平台上探测目标,探测数据描述的是平台和目标的相对位置。目标的机动状态不明,且探测数据和目标真实位置之间是非线性关系,导致机载雷达的航迹滤波难度大,滤波器精度和稳定性差。本方法中先进行数据预处理,量测误差在天线坐标系下获得,目标状态方程和量测方程在固定坐标中心的直角坐标系下建立,量测误差协方差矩阵由量测误差和位置进行无偏转换获得;采用交互多模型滤波器,模型集由匀速直线运动模型、当前统计模型和角速度未知的匀速转弯运动模型组成;非线性模型迭代由容积卡尔曼滤波实现,各模型的初始概率和模型参数基于速度和径向速度进行预估。仿真实验表明该方法提高了机载PD雷达的航迹情报质量,尤其提高了机动目标跟踪的精度和稳定性。