基于组合滤波的光纤陀螺惯导/星敏感器组合导航算法

针对卡尔曼滤波在连续非线性的惯性组合导航系统中对模型误差估计不够准确的问题,提出了利用可直接处理连续非线性系统的预测滤波为卡尔曼滤波提供一步预测的组合滤波算法,弥补了两种滤波算法单独使用时的不足,从而提高了导航系统精度。再利用光纤陀螺惯导实测数据与计算机生成的星敏感器数据对文中组合滤波算法进行了离线仿真,证明了文中组合滤波算法的可行性、优越性。     

被动导引头辐射源跟踪新算法研究

由于被动导引头辐射源跟踪系统非线性较强,传统的跟踪滤波算法是粒子滤波（PF）、U卡尔曼滤波（UKF）。但这些算法都存在着一定的缺陷,粒子滤波算法收敛速度慢、计算量大,UKF跟踪精度低。针对上述问题,提出了一种基于PF算法的新的跟踪滤波算法PUKF。该算法采用粒子滤波和U卡尔曼滤波加权的思想对目标实现初始的捕捉,然后通过UKF算法对目标进行跟踪保持。该算法受初始状态影响小,跟踪的精度高,收敛速度快,系统性能稳定。仿真实验表明了在被动辐射源跟踪系统中该算法的可行性和有效性。     

非线性滤波算法分析及其性能比较

针对目标跟踪实际应用中量测方程非线性对滤波精度和稳定性的影响,重点分析了模型线性化的滤波算法、无迹卡尔曼滤波（UKF）和粒子滤波算法（PF）的基本原理和特点以及适应的条件。仿真试验比较了扩展卡尔曼、无迹卡尔曼和粒子滤波的跟踪效果,结果表明非线性条件下粒子滤波算法优于其它两种滤波算法。     

粒子滤波在目标跟踪算法中的应用研究

针对非高斯、强噪声背景下的高机动目标实施跟踪时,卡尔曼滤波、扩展卡尔曼滤波等算法将出现滤波精度下降甚至发散现象。粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势。以目标跟踪问题为背景,将粒子滤波与卡尔曼滤波算法进行了对比研究。     

扩展容积卡尔曼滤波-卡尔曼滤波组合算法

传统单一线性或非线性滤波方法往往难以获得最优线性/非线性混合动态系统状态估计,针对这一问题,结合卡尔曼滤波（KF）方法可获得线性状态估计最优解、计算量小等优势,提出了一种基于KF和扩展容积卡尔曼滤波（A-CKF）的组合滤波方法。该方法将系统状态分解为线性状态与非线性状态两部分,分别采用KF和简化两次扩展容积卡尔曼滤波（STA-CKF）方法进行系统状态估计。机动目标跟踪和捷联惯性导航系统非线性对准仿真结果表明,相比于Rao-Blackwellized粒子滤波方法,新方法在保证滤波精度的前提下,使得计算成本有效降低;相比于STA-CKF方法,新方法在滤波精度和滤波实时性方面均得到明显提高。     

SINS/CNS/SAR组合导航系统设计与高性能算法研究

在吸收SINS、CNS和SAR三者优点的基础上,设计了SINS/CNS/SAR组合导航系统,建立了该组合导航系统的非线性数学模型;然后,在研究抗差自适应滤波和粒子滤波优点的基础上,提出了一种新的抗差自适应Unscented粒子滤波算法和自主导航多源信息融合算法。将提出的算法应用于SINS/CNS/SAR自主导航系统中进行计算仿真,并与Unscented卡尔曼滤波和粒子滤波比较,结果表明:提出的新算法不仅解算精度明显高于Unscented卡尔曼滤波和粒子滤波算法,而且可靠性好,能提高组合导航系统的精度。     

采样滤波算法在单站无源定位中的应用

讨论了用采样的方法近似非线性分布来解决无源定位中的非线性问题，提出了一种简单的正则粒子滤波，克服了标准粒子滤波用于单站无源定位中出现的粒子贫乏现象，将粒子滤波成功应用到无源定位中，计算机仿真表明该算法的定位精度较Unscented卡尔曼滤波（UKF）有一定的提高。     

SINS/CNSSAR组合导航系统设计与高性能算法研究

在吸收SINS、CNS和SAR三者优点的基础上,设计了SINS/CNS/SAR组合导航系统,建立了该组合导航系统的非线性数学模型;然后,在研究抗差自适应滤波和粒子滤波优点的基础上,提出了一种新的抗差自适应Unscented粒子滤波算法和自主导航多源信息融合算法.将提出的算法应用于SINS/CNS/SAR自主导航系统中进行计算仿真,并与Unscented卡尔曼滤波和粒子滤波比较,结果表明:提出的新算法不仅解算精度明显高于Unscented卡尔曼滤波和粒子滤波算法,而且可靠性好,能提高组合导航系统的精度.     

基于随机积分的非线性滤波跟踪算法

针对雷达系统的非线性目标跟踪存在精度低、滤波易发散等问题,提出一种新的非线性滤波算法——随机球面径向积分滤波算法(SSIF)。该滤波算法基于随机积分准则,利用随机球面积分准则和随机径向积分准则来近似函数积分。所提的滤波算法和传统的非线性滤波算法,例如扩展卡尔曼滤波、不敏卡尔曼滤波和容积卡尔曼滤波等相比在计算复杂度相当的情况下,不仅可以消除系统误差具有更高的跟踪精度,而且可以防止滤波发散提高滤波稳定度。通过蒙特卡洛仿真实验表明,所提出的非线性滤波算法整体性能明显优于传统的滤波算法。     

自适应滤波算法在组合导航系统的应用

从卡尔曼滤波算法的稳定性出发，分析了卡尔曼滤波算法和Sage-Husa滤波算法的缺点，改进了Sage-Husa滤波算法，改进后的算法保证了系统噪声估计方差阵和测量噪声估计方差阵的半正定性和正定性，消除了滤波发散现象。在INS／GPS组合导航系统中进行仿真，仿真结果表明改进后的算法可以有效提高INS／GPS组合导航系统的稳定性．     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

Adaptive algorithms for sparse system identification

In this paper, identification of sparse linear and nonlinear systems is considered via compressive sensing methods. Efficient algorithms are developed based on Kalman filtering and Expectation-Maximization. The proposed algorithms are applied to linear and nonlinear channels which are represented by sparse Volterra models and incorporate the effect of power amplifiers. Simulation studies confirm significant performance gains in comparison to conventional non-sparse methods.     

基于无味高斯粒子滤波的空-海BO—TMA的研究

介绍了粒子滤波（PF）的基本思想和免重采样无味高斯PF（UGPF）算法的基本原理，特别针对空-海单站只测方位目标运动分析TMA（BO—TMA）问题应用UGPF和EKF（扩展卡尔曼滤波）进行了对照研究，建立了问题的离散非线性滤波估计模副，设计了典型的应用场景，给出了Monte Cado仿真运行结果；表明UGPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

短波信道的分步平方根卡尔曼滤波

本文在平方根卡尔曼滤波的基础上提出了分步平方根卡尔曼滤波理论。此滤波理论包含了原始的平方根卡尔曼算法和梯度算法,由此两种算法可生成各种形式的简化算法,运算量大为下降,但性能并未显著降低。故特别适用于实时处理的高速短波数传系统。     

基于辅助变量粒子滤波的空对海BO-TMA的研究

论文探讨了TMA(目标运动分析)中基本的非线性估计问题;介绍了粒子滤波(PF)的基本思想和辅助变量PF(AVPF)的基本算法,特别针对空对海单站只测方位TMA(BO-TMA)问题应用AVPF和EKF(扩展卡尔曼滤波)进行了对照研究;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;给出了Monte Carlo仿真运行结果;表明AVPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

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。     

Finite dimensional smoothers for MAP state estimation of bilinearsystems

In this paper, we present two finite-dimensional iterative algorithms for maximum a posteriori (MAP) state sequence estimation of bilinear systems. Bilinear models are appealing in their ability to represent or approximate a broad class of nonlinear systems. Our iterative algorithms for state estimation are based on the expectation-maximization (EM) algorithm and outperform the widely used extended Kalman smoother (EKS). Unlike the EKS, these EM algorithms are optimal (in the MAP sense) finite-dimensional solutions to the state sequence estimation problem for bilinear models. We also present recursive (on-line) versions of the two algorithms and show that they outperform the extended Kalman filter (EKF). Our main conclusion is that the EM-based algorithms presented in this paper are novel nonlinear filtering methods that perform better than traditional methods such as the EKF     

一种改进粒子滤波的双站无源定位跟踪算法

在非线性非高斯状态空间下，粒子滤波器是一种有效的非线性滤波算法，它的关键问题包括粒子权重的计算、粒子重采样和状态估计等。本文根据粒子滤波算法思想和双站无源定位跟踪的非线性，将粒子滤波算法用于双站无源定位跟踪问题，给出了一种改进的粒子滤波算法，并对其关键问题根据双站无源定位跟踪的特殊性进行了改进。利用Matlab进行了仿真实验，与最小二乘算法、扩展卡尔曼滤波算法进行了比较，结果表明所提算法定位跟踪精度优于其他方法。     

CDKF在GPS/SINS组合导航系统非线性模型中的应用

GPS/SINS组合导航系统模型的非线性会导致扩展卡尔曼滤波（EKF）的估计精度降低。而中心差分卡尔曼滤波（CDKF）的新型非线性滤波方法,则利用插值公式对非线性系统的状态估计进行逼近,从而减小线性化误差对系统精度的影响。针对GPS/SINS导航系统的特点,建立了一种非线性误差模型,并将EKF与CDKF分别应用于组合导航系统模型中进行仿真比较。仿真结果表明,该算法简单易实现,且能满足系统在非线性模型下的导航要求,并具有较高的精度和收敛性。