一种基于角度和时差信息的改进型滤波算法

联合角度（DOA）信息和时差（TDOA）信息对运动目标进行多站无源定位实质上是一种非线性估计问题。文章基于DOA和TDOA信息，提出了二种多站对三维空间目标进行定位跟踪的修正增益扩展卡尔曼滤波（MGEKF）算法，文中分别推导了角度观测方程和时差观测方程的修正增益函数。计算机仿真表明该算法的定位精度和稳健性能均要高于扩展卡尔曼滤波（EKF）算法。     

基于扩展Kalman滤波器的球面交会定位系统

研究了在球面交会模型下，基于单个运动观测平台，通过扩展卡尔曼滤波算法对静止目标进行定位的问题。首先在空间大地坐标系中建立状态方程和测量方程，然后利用运动观测平台在各个侦察时刻的位置信息和目标来波方向信息，在球面交会模型下，代入扩展卡尔曼滤波算法进行定位。仿真结果表明，该方法具有定位精度高、算法稳定等优点，是一种好的滤波算法。最后介绍了滤波初始值选择方法和测量数据野值剔除算法。     

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。     

单站无源定位原理浅析

探讨了一种基于目标频域和空域参数测量信息，利用固定单站对机动目标进行无源定位与跟踪的算法，并详细分析了定位原理。在建立目标机动模型与测量方程的基础上，运用修正增益的扩展卡尔曼滤波（MGEKF）算法，实现对机动目标进行定位与跟踪。     

固定单站对三维运动辐射源无源定位算法及可观测性分析

实现固定单站对运动辐射源无源定位,传统的方法是测量TOA和DOA。本文将方位角变化率测量信息也引入该定位问题,提出了基于MGEKF(修正增益扩展卡尔曼滤波),对三维运动辐射源的无源定位跟踪算法。通过推导伪线性测量方程,本文进行了测量TOA和DOA对三维运动目标无源定位的可观测性分析。最后给出了计算机仿真结果。     

基于修正Rodrigues参数的鲁棒滤波算法在组合导航中的应用

组合导航的观测量常会因外界复杂环境的干扰,出现滤波精度下降的现象。提出一种基于修正Rodrigues参数的鲁棒滤波算法,利用修正Rodrigues参数来重新构造组合导航姿态表达,通过引入HUBER鲁棒策略实现抑制观测量干扰等问题。在捷联惯导/卫星组合导航仿真例子中,比较了传统基于四元数的滤波算法、基于修正Rodrigues参数的滤波算法及其鲁棒化滤波算法,仿真实验结果表明算法具有计算量低和抑制外部干扰等效果,证明了算法的有效性。     

多传感器自适应滤波融合算法

该文提出了一种在线调整权值的多传感器自适应滤波数据融合跟踪算法,用于解决复杂背景下机动目标跟踪问题。首先自适应寻找各个传感器所对应的最优加权因子,确定融合后某一时刻目标最优观测值;其次,以输入信号作为相关自适应滤波器的观测信号,通过新息相关自适应滤波算法根据状态方程及观测方程中误差的变化,实时动态地调整增益矩阵,同时依据自适应滤波状态偏差输出信号及当前观测数据,应用模糊推理在线调整各传感器权值,最终系统输出即为测量轨迹在两级自适应调整融合下最优轨迹。仿真结果证明了算法有效性。     

基于信息理论和概率假设密度的自适应多站多目标无源定位与跟踪算法

<正>本文针对密集杂波和冲击噪声条件下的多站多目标无源定位与跟踪问题，基于信息理论和随机有限集提出一种新的自适应高斯混合概率假设密度（PHD）滤波算法。该算法引入渐消因子，基于新息的方差动态修正滤波增益，并采用KL度量对量测更新步骤中多目标密度近似前后的差异进行衡量，在最小信息增量意义下对高斯元进行合并，得到更准确的多目标状态后验分布，提高了多站多目标无源定位与跟踪精度，并降低了冲击噪声等对估计结果的影响。本文给出了基于信息理论的自适应多目标跟踪算法的高斯混合实现方式，所提出的方法继承了PHD滤波器的优点，具有较好的实时性和多目标跟踪性能。最后，采用仿真实验对本文提出的算法进行验证，实验结果证明了本文所提出算法的有效性和优越性。     

基于阵列单通道的机动目标DOA跟踪方法

针对现有利用阵列单通道系统对机动目标跟踪精度不高,实时性差等不足,提出了一种新的基于改进粒子滤波算法的阵列单通道机动目标波达方向(direction of arrival, DOA)跟踪方法。该方法首先在利用接收机轮流采样建立数学模型的基础上,建立跟踪模型。然后,利用粒子群优化算法对马尔科夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)粒子滤波算法的重采样环节进行优化处理,给出了一种交互MCMC粒子滤波算法,该算法克服了传统粒子滤波算法粒子退化及样本贫化的固有缺陷。最后利用该算法求解跟踪方程,实现了实时DOA估计。理论分析与仿真结果表明,本文方法可实现基于阵列单通道的DOA跟踪与波束形成一体化,且能够处理相干信号,与标准粒子滤波和子空间类算法相比,收敛速度快,跟踪精度高。      

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。