无源定位跟踪中修正协方差扩展卡尔曼滤波算法

针对无源定位跟踪中EKF受初值、测量噪声影响大等缺点,该文提出了一种新的修正协方差扩展卡尔曼滤波方法(MVEKF),并将其与无源定位跟踪中常用的EKF,MGEKF,IEKF等滤波方法进行了仿真比较,表明该方法比EKF方法更具稳定性;而且无需寻找MGEKF方法中所需的观测量可修正函数,因而可以应用于其它领域的非线性滤波中.     

扩展卡尔曼滤波在无源定位中的应用研究

阐述了卡尔曼滤波(KF)和扩展卡尔曼滤波(EKF)的原理和方法,建立了无源定位系统的状态模型和观测模型,推导了将非线性观测模型线性化,并利用EKF进行递推滤波估计的步骤和公式。通过计算机仿真,验证了运用EKF算法解决基于方位角及其变化率测量信息的无源定位方法,结果表明,运用EKF滤波算法,可以实现单观测站对运动目标的无源定位,初始状态估计误差对定位收敛的性能有较大影响。     

慢速目标仅测角无源定位算法研究

为解决反辐射导弹对慢速运动目标定位精度的难点问题,建立了慢速目标的定位模型,推导了静止目标定位误差的克拉美罗下限(CRLB)。将仅测角条件下无机动单站对运动辐射源的不可观测问题转化为模型误差问题,从而实现对慢速目标仅测角无源定位。针对传统扩展卡尔曼滤波(EKF)算法定位精度低,过于依赖初始化条件的缺点,提出了基于距离-角度划分的网格搜索法(RA-GBF)。该方法在降低传统的GBF方法的计算量同时,定位性能优于EKF算法。仿真实验证明了方法的有效性。     

基于无味卡尔曼滤波的空对海单站无源BO-TMA

探讨了目标运动分析(TMA)问题中的递推非线性滤波问题,介绍了基于无味变换(UT)的无味卡尔曼滤波(UKF)的设计思想与具体实现,特别针对空对海单站无源只测向TMA(BO-TMA)问题,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,并应用UKF和EKF(扩展卡尔曼滤波)分初值无偏和有偏两种情况,从算法的估计值、估计方差、均方根误差(RMSE)和归一化新息平方(NIS)等方面进行了对照研究,给出了Monte Carlo仿真运行结果;表明UKF在该应用背景下是切实可行的,显示出良好的滤波一致性,具有更高的估计精度和更强的收敛特性.     

基于改进EKF的DC/DC转换器电感电流观测器

为了减小电磁干扰(Electromagnetic Interference,EMI)引起的DC/DC转换器输出电压噪声,消除负载变化引起的稳态误差,提出了一种基于改进的扩展卡尔曼滤波器(Extended Kalman filter,EKF)的电感电流观测器.首先,介绍了Boost型转换器的状态空间方程和扩展卡尔曼滤波器;之后提出负载估算算法,对EKF进行改进.利用改进EKF的输出电压、电感电流和占空比即可估算出实际负载值,从而实时更新改进EKF的参数,使电流观测器可以准确估计电感电流;最后对提出的电流观测器进行了仿真验证.仿真结果表明,在负载突变时,改进EKF可以对EMI引起的输出电压噪声进行有效滤波,同时准确估计电感电流,保证了DC/DC转换器输出电压的准确性.     

大失准角下SINS的KF/EKF2混合滤波对准

针对捷联惯导系统(SINS)大失准角下滤波对准过程中非线性滤波器状态维数过大的问题,提出了一种基于模型分解的卡尔曼滤波/二阶扩展卡尔曼滤波(KF/EKF2)混合滤波方法,将基于欧拉平台误差角的非线性滤波模型分解为线性部分和非线性部分,分别采用线性KF滤波和非线性EKF2滤波处理,并且设计了混合滤波的滤波步骤。实验结果表明,KF/EKF2混合滤波算法在计算量、实时性及精度等方面优于最常用的无迹卡尔曼滤波(UKF)和EKF2滤波。     

稀疏网格平方根求积分非线性滤波器

针对具有加性噪声的非线性高斯动态系统的状态估计问题,本文提出一种新的基于稀疏网格法的平方根求积分滤波器(SSRQF),该滤波器通过稀疏网格取点来近似计算多维积分并进行平方根滤波.与常规QF的积分点数随着维数呈指数增长相比,该方法的积分点数随着维数呈多项式增长,减少了计算量;理论分析表明,无味卡尔曼滤波器(UKF)只是稀疏网格求积分滤波器(SQF)的一个特例,因此SSRQF在精度和取点上比UKF更为灵活.仿真实验表明,SSRQF的滤波精度均高于UKF和扩展卡尔曼滤波器(EKF),是一种效率较高的高精度非线性滤波算法.     

基于改进的CKF低轨卫星多普勒定位解算

针对低轨卫星多普勒定位中最小二乘法(the least squar method, LSM)和扩展卡尔曼滤波(extended Kalman filter, EKF)带来的解算误差,采用容积卡尔曼滤波(cubature Kalmanfilter, CKF)算法的思想来进行定位解算。首先设计了一种基于GeoSOT剖分网格的初值搜索方法进行粗定位,避免迭代发散;在解算过程中,对CKF进行改进,用QR分解代替其中的Cholesky分解,防止误差协方差矩阵非正定导致计算终止;最后以铱星星座对地面站的静态定位为例,通过STK 进行仿真验证算法的有效性。结果表明,改进的CKF(improvedCKF, ICKF)算法对于目标的定位误差在百米以内;且相较于LSM 和EKF,定位精度大约可以提高17%。     

抗差模型预测Unscented卡尔曼滤波算法研究

随着状态维数的增加,UKF算法的计算量迅速增大,且UKF算法对模型误差较敏感,不适用于噪声为非高斯分布的系统模型。针对此问题,在研究抗差估计、模型预测滤波和UKF的基础上,提出了一种抗差模型预测Unscented卡尔曼滤波算法。该算法利用扩维方法将驱动噪声加入系统状态中,增加了系统的状态信息,采用模型预测滤波(MPF)抑制模型误差,利用抗差估计增强系统的鲁棒性,弥补了UKF算法对模型误差敏感的缺陷。将提出的算法应用于SINS/BNTS/CNS组合导航系统并进行仿真,与自适应EKF和抗差自适应UKF算法比较,结果表明,提出的算法能有效抑制位置误差和速度误差,滤波性能明显优于自适应EKF算法和抗差自适应UKF算法。     

利用雷达观测值进行非线性估计

本文分析了雷达测量模型方程的非线性;并且定量给出了模型非线性对滤波和平滑精度的影响;导出了一种能够有效地减少非线性误差的简单算法。该算法采用如下顺序处理观测值;方位、俯仰、距离。利用方位误差去修正俯仰误差,然后利用前面的综合结果去修正距离误差。结果表明,利用该算法进行估计的精度优于扩展卡尔曼滤波器(EKF)的估值精度;而且用该算法估值时,并不比(EKF)复杂。     

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。     

基于卡尔曼滤波和粒子滤波器级联模型的静基座惯导初始对准算法及仿真

传统静基座初始对准主要采用扩展卡尔曼滤波技术。扩展卡尔曼滤波器本质上要求系统近似线性。当近似线性要求得不到满足，会产生很大的偏差，大大降低对准精度，甚至会发散。粒子滤波是一种新出现的滤波技术，对模型不作线性限制，非常适于解决非线性问题，估计精度大大高于传统扩展卡尔曼滤波器。但是，要求维数不能太高，否则会产生计算灾难问题。惯导误差模型的维数较高，这使得粒子滤波技术无法实际应用于初始对准中。本文通过对静基座误差方程进行分析，提出了一种级联模型。将原有模型分解为级联的两个子模型，每个子模型的状态变量维数都很低，然后对两个子模型分别应用卡尔曼滤波器和粒子滤波器进行滤波处理。实验仿真结果表明，这种基于卡尔曼滤波器和粒子滤波器级联模型的算法降低了计算量，大大提高了初始对准的精度，具有重要的现实意义。     

神经网络在地-地导弹惯导系统初始对准中的应用

以地-地导弹的惯导系统为研究对象,分析了传统方法在惯导系统初始对准方面的缺陷.针对惯导系统的非线性及实时性等方面的要求,考虑到神经网络所具有的函数逼近性能,扩展Kalman滤波(EKF)所具有的最优估计性能的特点,提出了基于扩展Kalman滤波的神经网络应用技术.应用扩展Kalman滤波对多层神经网络的非线性离散时间系统进行算法训练,在获得的所有观测数据中找到状态(权值)的最小方差估计.在假定的地理坐标系下,对地-地导弹的惯导系统地面自对准的非线性状态方程,应用Matlab对基于EKF的神经网络方法和传统的Kalman滤波方法进行了仿真,对仿真的结果进行了对比分析.     

一种基于EPF滤波的三维单站无源定位算法研究

利用频率变化率、方位角及俯仰角信息,提出一种对固定辐射源的三维单站无源定位算法。该方法通过质点运动学原理,得出目标辐射源的位置,之后采用EPF滤波算法进行处理,对粗略定位结果进行修正和平滑,逐步估计出目标的位置。EPF（ExtendedParticleFilter）滤波是将EKF（ExtendedKalmanFilter）算法作为重要性函数的一种粒子滤波方法。仿真结果表明,基于EPF滤波的单站无源定位算法比传统的EKF滤波算法收敛更快、更稳定,滤波效果更好,定位精度更高,这对无源定位跟踪算法精度的提高和实际应用有很大的意义。     

几种非线性滤波算法的比较研究

针对组合导航等非线性系统,扩展卡尔曼滤波算法（EKF）在初值不准确时存在滤波发散的现象,故提出U卡尔曼滤波（UKF）;粒子滤波算法（PF）适合于强非线性、非高斯噪声系统,但同时存在退化现象,故提出2种改进算法。前人的工作多集中在单一算法的研究,而在此是将上述各种算法应用到同一典型非线性系统,通过应用Matlab进行仿真实验得出具体滤波效果数据。综合对比分析了各算法的优缺点,得出一些有用的结论,为组合导航系统中非线性滤波算法的选择提供了参考。     

Sage_Husa自适应滤波在大方位失准角初始对准的研究

由于光纤惯导系统导航精度不高,方位角常为大角度,因此系统初始对准的滤波方程为非线性的,为改善非线性模型下初始对准的精度,提出了一种改进Sage_Husa自适应卡尔曼滤波方法并应用于光纤惯导系统初始对准中。建立了大方位失准角初始对准的非线性误差模型,给出了Sage_Husa自适应卡尔曼滤波方程,对Sage_Husa自适应卡尔曼滤波不适合用在非线性滤波的缺陷进行了改进,建立系统噪声统计的估值器,对非线性误差方程进行了改进Sage_Husa自适应卡尔曼滤波仿真。仿真结果表明:改进Sage_Husa自适应卡尔曼滤波能够很好地处理初始对准中的非线性问题,提高初始对准精度,方位失准角误差估计精度较EKF提高27%。     

主被动传感器实时信息融合的STMHM算法

 主、被动传感器实时信息融合是同时实现目标跟踪和目标识别的重要途径,构建STMHM(空时二维多假设模型)算法来解决该问题.首先,设计主、被动传感器的融合数据模型,并分别构建两类传感器的目标量测空间,设计STMHM的融合空间;其次,提出主、被动传感器量测空间时间初始化方法,并设计模型的滤波算法,给出适应于该算法的信息融合评判规则;最后,设计空中态势,运用该算法对数据进行融合,验证算法的有效性.     

仅有角度测量的双机协同机动目标跟踪定位路径规划

针对仅有角度测量的双机协同三维机动目标跟踪定位路径规划问题提出基于扩展卡尔曼滤波器（EKF）和定位精度几何分布（GDOP）的优化算法。在建立双机协同被动跟踪EKF 的基础上分别从交互信息与协方差控制入手建立指标函数。利用向量概念推导出了双机协同被动目标定位的GDOP计算公式,并建立了基于GDOP 的指标函数。利用目标状态的一步预测给出了基于不同指标函数的数值解法。仿真表明,基于EKF 的指标函数在在目标机动时性能较差,而基于GDOP 的指标则在目标机动时表现出良好性能。     

卫星导航系统中基于序贯处理的Kalman滤波

为了有效降低基于Kalman滤波方法的导航定位求解运算量,保证实时性,提出了一种以单个卫星为基本滤波单元的基于序贯处理的扩展Kalman滤波(EKF,extended Kalman filtering)方法——单星序贯扩展Kalman滤波(S3EKF,single-satellite sequential extended Kalman filtering)法。仿真结果表明,S3EKF法相对常规EKF法而言,当可见卫星数超过7颗时,能有效改善运算量,且改善量随可见卫星数的增加而增加,当可见卫星数在15颗及以上时,运算量的改善超过50%;同时,S3EKF法能在可见卫星发生变化时保证求解的一致性和稳定性。