一种新的三维纯角度无偏定位跟踪算法

三维空间中多站纯角度无源定位跟踪实质上是一个非线性状态估计问题。经典的扩展卡尔曼滤波(EKF)算法等递推类算法性能不稳定,而将非线性观测方程转化为伪线性方程会产生有偏估计。为了实现快速稳定无偏定位跟踪,提出了一种新的双站纯角度快速渐进无偏定位跟踪算法。该算法通过对未知状态变量含二次约束的伪线性方程进行约束最小二乘(CLS)极小化处理,最终只需要对一对矩阵束进行广义特征分解即可获得目标状态估计值。仿真结果表明,该算法与EKF算法及最小二乘(LS)算法相比,定位性能更稳定,精度更高,在测量误差较大或者两个观测站测量误差不一致时优势更明显。     

一种双站纯方位快速渐进无偏定位算法研究

针对多站无源定位中扩展卡尔曼滤波算法等递推类算法受初始状态影响大,滤波不稳定及将非线性观测方程转化为伪线性方程会产生有偏估计的缺点,提出了一种新的双站纯方位快速渐进无偏定位算法。该算法将扩维伪测量方程的系数误差协方差矩阵引入约束条件,通过对未知状态变量含二次约束的伪线性方程进行约束最小二乘(CLS)极小化处理,最终只需要对一对矩阵束进行广义特征分解,即可获得目标状态估计值。仿真结果表明,该算法与EKF算法及最小二乘算法相比,定位性能更稳定,精度更高,在测量误差较大或者2个观测站测量误差不一致时优势更明显。     

考虑载机位置误差的CLS多机无源定位算法

多机无源定位中存在载机位置误差却不予考虑时必然会降低目标的定位跟踪精度。为了解决存在载机位置误差情况下的定位问题,提出了一种考虑载机位置误差的约束最小二乘（CLS）多机无源定位算法。该算法对伪线性观测方程中由于测量误差和载机位置误差而导致的增广系数矩阵的误差协方差阵进行约束,并对伪线性观测方程的误差进行约束最小二乘处理,最终转化为对一组矩阵束的广义特征分解问题。仿真结果表明,相对于最小二乘（LS）算法和扩展卡尔曼滤波（EKF）算法,该算法具有更快的收敛速度和较高的定位精度,并且受载机位置误差影响小,在观测噪声比较大时仍能保持良好的定位性能。      

双站基于角度和时差的近似无偏定位算法

联合角度（DOA）和时差（TDOA）信息对运动目标进行无源定位实质上是一种非线性估计问题。针对将非线性观测方程转化为伪线性方程会产生有偏估计的缺点,该文基于双站定位中获得的角度和时差信息,给出了一种对三维空间目标定位跟踪的近似无偏估计滤波算法,它只需要对一对矩阵束进行广义特征分解,即可获得目标坐标和速度的估计值。计算机仿真结果表明,相比有偏估计滤波算法,如伪线性卡尔曼滤波（PLKF）算法或者最小二乘（LS）算法,该算法具有更高的定位精度,并且当观测误差增大时,其优势更加明显。     

基于约束最小二乘的纯方位多站被动跟踪算法

纯方位单站目标被动跟踪需要观测站作机动才能满足可观测条件,导致跟踪算法收敛时间较长。基于纯方位多站被动跟踪算法可以解决算法收敛时间较长的问题,文中提出了一种约束最小二乘算法用于纯方位多站被动跟踪,它首先为最小二乘算法引入约束条件,利用矩阵最小特征值所对应的特征向量,解决了EKF 算法需要初值的问题,避免了滤波的发散,同时也极大地减小了最小二乘估计的偏置。仿真表明,这种算法能够渐进地逼近估计误差的下限,并且其精度有所增加,是一种渐进、稳定以及近似无偏的估计算法。     

采用距离无偏估计的加权最小二乘定位算法

随着WiFi网络的广泛覆盖,基于接收信号强度的定位技术成为研究热点。针对已有基于接收信号强度定位算法定位性能不高的实际问题,提出一种基于距离无偏估计的加权最小二乘定位算法。该方法首先利用接收信号强度观测模型计算得到信号源与传感器之间距离的无偏估计量,然后根据距离计算公式建立方程组;接着把距离的无偏估计量代入方程组得到关于信号源位置的线性最小二乘模型,同时计算线性最小二乘模型中的噪声协方差矩阵;最后运用加权最小二乘方法计算得到信号源位置的估计量。该文对所提算法进行了充分的计算机仿真,仿真结果表明:在不同的定位环境下,所提算法的定位性能均优于传统加权最小二乘算法和最佳线性无偏估计算法。      

一种线性校正到达时间差定位算法

针对到达时间差(TDOA)定位中出现的非线性估计问题,该文提出一种线性校正TDOA定位算法。首先将高度非线性的TDOA定位方程组转化为一组关于辐射源位置的伪线性方程,利用加权最小二乘(WLS)估计进行初始求解;然后在此基础上通过一阶泰勒级数展开把伪线性方程组转化为关于估计偏差的线性加权最小二乘问题并进行求解,分析了所提算法在测量误差较小时的有效性。最后提出了一种基于加权最小二乘估计的恒加速度运动辐射源的定位方法,相应的估计性能在测量误差较小时也接近克拉美罗界(CRLB)。计算机仿真结果验证了该算法的有效性。     

一种基于最小化广义Rayleigh商的无源定位算法研究

 为改善只测角无源定位的性能,提出了一种基于最小化广义Rayleigh商的无源定位算法.该算法利用扰动观测矩阵和扰动观测向量的乘性结构,将约束总体最小二乘问题转化为最小化广义Rayleigh商问题,从而只需对一对矩阵束进行广义特征值分解即可求得全局最优定位解.仿真结果表明所提算法性能稳健且计算量较小,定位收敛精度逼近克拉美罗限(CRLB),远优于最小二乘(LS)算法和总体最小二乘(TLS)算法,实用性强.     

基于约束加权最小二乘的多站无源定位

针对传统加权最小二乘算法在噪声较大时会出现门限效应的问题。本文将约束加权最小二乘算法应用于多站无源定位,分别提出了基于多站时差定位的约束加权最小二乘算法以及基于时差频差联合定位的约束加权最小二乘算法。算法首先将非线性观测方程转化为两个伪线性方程,然后对伪线性方程加入限制条件,得到目标位置。仿真实验表明,与经典加权最小二乘算法及其改进算法相比,新算法在计算量增大不多的情况下扩展了适用范围,当噪声超过门限值时依然能获得较高的定位精度。新算法对噪声具有较强的鲁棒性,能有效克服门限效应带来的影响。      

基于约束总体最小二乘方法的到达时差到达频差无源定位算法

两步加权最小二乘方法(two-stage WLS)是求解TDOA/FDOA无源定位问题的经典线性方法,但也存在着定位偏差和均方误差对测量噪声的适应能力较差的缺点。该文根据TDOA/FDOA的伪线性定位方程组特点,将其建立为一种带约束条件的约束总体最小二乘(CTLS)模型,并采用拉格朗日乘子法求解带约束条件的CTLS问题,建立了几种最小二乘类定位方法的统一解,从而将约束加权最小二乘(CWLS)定位解和约束最小二乘(CLS)定位解变为该文CTLS定位解的特例。仿真表明,该文方法比两步加权最小二乘方法具有更低的均方误差,并能够有效减小定位偏差,因而具有更好的测量噪声适应能力。     

鲁棒的前视红外目标多核跟踪算法

针对前视红外目标跟踪中常见的目标位置偏差和部分遮挡问题,在均值漂移算法的框架下,提出了一种基于投影直方图匹配和拓扑约束的多核跟踪算法。首先,对前后帧图像进行基于空间-灰度二维投影直方图匹配的目标位置预测;然后,充分利用目标的前景和背景信息构建多个独立的核跟踪器;最后,采用拓扑约束选取跟踪性能好的核跟踪器,组合得到最终的跟踪结果。实验结果表明:此算法能对目标进行准确跟踪,对目标位置偏差和部分遮挡具有较好的鲁棒性,在有遮挡的情况下,平均跟踪误差远小于传统的跟踪算法。因此,该算法在前视红外成像制导中具有较好的实用性和可行性。     

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。     

基于角度约束采样的单站无源定位混合粒子滤波算法

为实现固定单站对运动辐射源的快速定位,该文给出了一种基于角度约束采样的混合粒子滤波算法。该算法从EKF(Extended Kalman Filter)滤波得到建议分布,利用角度测量对状态变量的约束关系从建议分布产生所需粒子,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能,降低运算成本。结合利用多普勒变化率和角度测量的单站定位方法,与EKF,UKF(Unscented Kalman Filter)以及一般混合粒子滤波算法的仿真比较表明,该算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差更接近Cramer-Rao下界。     

基于UT的混合粒子滤波单站无源定位算法

为利用无源固定单站对运动辐射源快速定位,将粒子滤波和UT(unscented transformation)应用于单站无源定位,给出了一种基于UT的角度约束采样混合粒子滤波无源定位算法,该算法从UKF滤波得到建议分布,从该建议分布采样时引入角度测量对状态变量的约束,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能.与EKF、UKF(unscented kalman filter)以及基于EKF的混合粒子滤波算法的仿真比较表明,本文算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差可以接近Cramer-Rao下界.     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。     

基于BLUE与PCRLB的快速雷达资源管理

为提高相控阵雷达资源管理的实时性,提出了一种基于最优线性无偏估计滤波(Best Linear Unbiased Estimation,BLUE)和后验克拉美罗界(Posterior Cramer-Rao Lower Bound,PCRLB)的快速雷达资源管理算法.首先,使用BLUE算法代替传统跟踪滤波算法,完成目标跟踪,并得到目标在直角坐标系下的状态估计;然后,快速计算得到PCRLB作为代价函数,形成雷达资源管理模型;最后,利用该模型对多目标进行波束和驻留时间的分配.仿真结果表明,该算法以BLUE方法进行跟踪滤波,避免了传统PCRLB计算中雅可比矩阵(Jacobian Matrix)的运算,在保持跟踪精度的同时大幅减少运算量;以两步资源管理算法完成对波束、驻留时间的联合管理,合理分配雷达资源.     

基于卡尔曼滤波器的焊缝识别算法

为了提高工业现场焊缝跟踪的准确性和抗干扰能力,提出了一种基于约束卡尔曼滤波器的焊缝识别算法。采用结构光测量系统获取焊缝连续图像,然后利用形态学处理定位焊缝图像角点,并通过高斯拟合法提取激光条纹中心点,将角点和中心点的位置和速度作为卡尔曼滤波器的状态变量,建立卡尔曼滤波器的状态方程和测量方程,再由角点和中心点的位置关系构建等式约束方程,通过约束方程对卡尔曼滤波后的结果进行修正。结果表明该算法能有效实现焊缝跟踪,提高了焊缝识别的精度和抗干扰能力。     

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。