卡尔曼滤波在雷达偏差估计应用中的改进

为实时跟踪整个雷达网内各雷达的方位偏差和测距偏差的幅度变化,可利用卡尔曼滤波数据存储量小、便于实时处理的特点,用卡尔曼滤波算法对雷达方位偏差和测距偏差幅度进行实时跟踪,并在实际处理的过程中改进噪声计算方法,克服噪声线性化的问题,对实时估计雷达方位偏差和测距偏差非常有效。通过MATLAB仿真得到验证,改进后的雷达方位偏差和测距偏差的估计值比改进前更精确,并且收敛速度提高了2倍,结果表明,此方法既简单又快速、估计值更精确。     

航天器陨落落点计算偏差分析

航天器陨落落点计算的精度受多种影响因素制约,基于工程实际情况,从各类摄动力的对比、大气阻力参数的影响及初始位置速度误差影响等方面对主要影响因素产生的原因和影响量级进行了分析。同时,为分析落点在飞行弹道、飞行方向的偏离情况,对飞行弹道径切法各方向上加速度值进行了对比。结果表明,地球阻力和大气作用都会在法向产生分量,使落点偏离原弹道方向。研究结果对航天器陨落及返回落点的计算及分析有一定的参考价值。     

一种基于LSTM的弹丸长时间落点预测修正方法

针对炮位侦察校射雷达在弹丸上升段长时间预测落点偏差大的问题,文中提出了一种基于长短时记忆(LSTM)网络的弹丸长时间落点预测模型修正算法。针对训练样本少的问题,采用知识驱动和数据驱动相结合的双驱动方法,结合传统无迹卡尔曼滤波预测作为先验知识,利用LSTM网络对射向和侧向偏差量进行学习拟合构建误差模型,并利用误差模型对外推弹道进行射向和侧向修正。仿真验证表明：采用少量训练样本就可显著提升弹丸长时间落点预测的精度,落点预测射向精度提升55%,落点预测侧向精度提升85%～91%。     

扩展卡尔曼滤波算法在UWB定位中的应用

随着无线通信技术的发展,新兴的无线网络技术得到了广泛的应用,基于无线网络的定位技术尤其是UWB（Ultra Wide Band）无线定位技术具有广阔的发展前景。考虑到UWB定位系统中存在的非线性问题,在RSSI（Received Signal Strength Indication）算法的基础上将扩展卡尔曼滤波算法应用于UWB定位技术中,并对RSSI算法和扩展卡尔曼滤波算法进行了性能仿真分析,通过仿真证实了扩展卡尔曼滤波算法能够有效减少定位误差,提高定位精度。     

轨迹预测在红外多目标跟踪中的应用

针对红外多目标跟踪过程中的噪声、轨迹预测和轨迹交联问题,讨论了轨迹预测算法在红外多目标跟踪中的应用.首先,利用邻域轨迹预测算法剔除目标检测算法中误检的噪声点,然后运用卡尔曼滤波和最小二乘滤波的轨迹预测方法解决在跟踪过程中目标丢失的问题,及多目标轨迹出现交联时如何辨识出各个目标轨迹的问题.算法充分运用了目标运动的连续性和方向性,避免了噪声的干扰,实现了目标轨迹的预测和辨析.通过物理实验,验证了各个算法的有效性,并比较了工程应用中的优劣.实验证明:基于目标轨迹预测的算法较好地解决了红外多目标跟踪过程中的噪声、轨迹预测和交联问题.     

基于经纬仪测量数据的落点预测方法研究

由于作用距离和布站等因素的限制,经纬仪不能对弹道导弹进行全程的跟踪测量.本文采用解微分方程的方法对弹道落点进行预测.由于经纬仪测量的是目标的角度信息,本文采用两台经纬仪交汇测量的方法得到目标的位置和速度.     

预测修正的卡尔曼滤波

本文利用残差与观测量正交的特性,提出一种预测量修正的卡尔曼滤波方法。分析和模拟结果证明,该方法的稳健性好,滤波精度高。     

卡尔曼滤波算法在目标跟踪系统建模中的应用

卡尔曼滤波算法广泛应用于现代控制科学和随机过程的数据处理中．介绍了卡尔曼滤波算法的一般原理,给出了一套递推计算公式,然后将此算法应用于目标跟踪系统中,对被跟踪目标的运动状态进行预测估计;对实际应用中存在的不足,提出了相应的改进方法,取得了比较精确的跟踪结果．     

基于有色噪声的卡尔曼滤波算法在电力系统母线负荷预测中的应用

将卡尔曼滤波原理运用于电力系统负荷预测通常是针对线性定常系统,并在白噪声的前提下进行,然而模型的灵敏程度和预报精度不是十分理想。本课题将白色噪声对负荷预测的影响纳入了考虑范围,首先介绍了白噪声下的卡尔曼滤波方法,继而对有色噪声下卡尔曼滤波算法展开了讨论和研究。然而,并非所有有色噪声都是可以被白色化的,只有广义马尔可夫有色噪声序列才可以被白色化。本课题用状态扩充法来实现有色噪声白色化,然后在仿真时结合实际电网数据进行的预测计算取得了较好的效果。     

基于卡尔曼滤波的目标飞行体预测

在卡尔曼滤波出现以前,已经建立了采用最小二乘法处理观测数据和采用维纳滤波方法处理平稳随机过程的滤波理论。卡尔曼滤波以其物理意义直观的时间域语言和有限时间内的数据观测及简单的递推方法对高速飞行体进行实时的预测和跟踪。本文提出了匀速和匀加速运动目标的运动模型,通过卡尔曼滤波算法进行预测跟踪并对其进行仿真。     

基于Kalman预测和点模式匹配的多目标跟踪

针对复杂背景下多运动目标的跟踪方法不能有效解决遮挡和高速运动等问题,提出一种Kalman预测与点模式匹配相结合的多目标跟踪方法。利用Kalman滤波预测目标在下一帧图像中的位置,以此位置为中心确定目标搜索区域,然后以点模式匹配进行搜索区域和目标模板进行匹配,有效地解决目标的旋转和轻微的遮挡问题。为了提高匹配速度和实时性,在点模式匹配中利用Kalman滤波对目标旋转角度的预测与修正;同时为了保证跟踪的鲁棒性、连续性及准确性,对目标模板的更新采用置信度二级判决门限。实验表明该方法具有较好的实时性,并能够有效地解决遮挡等问题。     

基于稳健卡尔曼滤波的倾斜探测电离层MUF短期预报方法

为了改善电离层频率预报准确性低、短波通信连通率差以及工程中观测野值对预报精度影响严重等问题,提出一种基于稳健卡尔曼滤波的倾斜探测电离层MUF短期预报方法.通过研究实测MUF数据的变化规律及观测误差的成因与特征,利用电离层参考模型作为先验信息,改进卡尔曼滤波模型的状态估计方程;引入代价函数机制,通过Huber-M估计实现...     

卡尔曼滤波器在炮位侦察雷达中的应用

讨论了利用卡尔曼滤波器进行弹丸飞行模型辨识的方法,介绍了利用数值方法外推炮位的过程,并给出了两种火炮定位的计算机模拟结果。     

基于卡尔曼滤波算法船舶AIS轨迹估计研究

AIS是集船舶导航、避碰、海事监管于一体的现代化无线电系统,在水上交通运输领域里发挥着重要作用。为了弥补AIS数据堵塞等原因导致更新数据不及时,造成船舶轨迹的不准确或者误差较大的问题,提出利用对卡尔曼滤波算法进行适当的修改,引入系统噪声和测量噪声,利用AIS船舶观测节点数据对系统状态做最小二乘法估计,对船舶运动轨迹进行平滑和预测,并对不同时间段可靠性误差进行分析,能够比较正确地估计出船舶轨迹。     

五阶容积卡尔曼滤波算法及其应用

容积卡尔曼滤波(CKF)是一种新型的非线性滤波方法,可获得优于扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)的滤波精度和滤波效率.但是,传统的CKF基于三阶容积准则而提出,因此滤波精度受到限制,为进一步提高CKF滤波性能,文中将容积准则由三阶扩展到五阶,采用两种不同容积点集选择方案,提出一种新型的五阶CKF算法.该算法可有效改善传统CKF在精度方面的理论局限,并有效改善一般五阶CKF计算量大的问题.机动目标跟踪仿真结果表明了新方法的有效性和可行性.     

预测滤波技术在光电跟踪系统的应用

概述了目标跟踪系统应用滤波预测技术的目的、意义、方法，分析了有限记忆最小平方滤波、α-β-γ滤波、Kalman滤波的工作原理、性能及优、缺点。讨论了各种滤波器在雷达、红外、遥测等目标跟踪系统的发展和应用情况。     

容积卡尔曼一致滤波

针对卡尔曼一致滤波的应用受限于被估计系统需 满足线性条件的问题,通过容积卡尔曼滤波(CKF)和一致性策 略的动态结合,提出一种容积卡尔曼一致滤波(CKCF)算法。算法采用分布式融合机制, 传感器节点采集可通信相邻 节点的信息,并作为自身节点的量测信息应用于CKF,获取局部状态估计 值。在此基础上,利用一 致性策略实现对整个量测系统中传感器节点局部估计值的优化,进而通过增强传感器节点估 计值一致性实现目标 状态估计精度的提升。相对于标准卡尔曼一致滤波,本文算法将一致性策略推广到非线性系 统估计领域。理论分析 与仿真实验验证了算法的可行性与有效性。     

基于卡尔曼滤波和小波的网络流量预测算法研究

流量预测是流量工程,拥塞控制和网络管理的核心问题。该文针对网络流量的特点,将卡尔曼滤波和小波分析混合的预测算法引入到网络流量预测领域中,对其进行了理论证明。仿真结果表明,该算法与传统的算法相比,具有较高的预测精度和较好的实时性与广谱性。     

基于容积卡尔曼滤波的异质多传感器融合算法

针对机动目标跟踪系统建模中的非线性问题,提出一种基于容积卡尔曼滤波(CKF)的雷达与红外传感器融合算法。考虑到被估计系统对目标跟踪算法实时性与精度的要求,在容积滤波框架下构建了集中式量测融合(CMF)和分布式状态融合(DSF)两种结构形式。CMF结构采用最优加权方法,首先对雷达和红外两种异类传感器的方位角度量测信息进行融合,并将其与融合后的雷达径向距量测构建新的量测数据,进而通过CKF算法对机动目标进行跟踪。DSF结构则首先对雷达量测中径向距信息进行加权融合,并将融合结果作为红外传感器的虚拟径向距量测,以实现红外量测的扩维处理,进而对每组量测数据应用CKF进行分布式并行加权融合,获得目标运动状态的最终估计。仿真场景中,对两种融合方法的性能进行比较,理论分析与仿真实验验证了算法的可行性与有效性。     

基于卡尔曼滤波器的运动目标跟踪算法

为了有效解决运动目标遮挡时目标信息容易丢失从而导致跟踪失败的问题,提出一种基于卡尔曼滤波器的运动目标跟踪算法。该算法首先利用高斯混合模型的背景差分法,结合空间邻域的相关性信息得到运动目标图像,然后通过建立帧间关系矩阵将跟踪情况分为5种状态分别进行处理,这5种状态是新目标出现、目标匹配、目标遮挡、目标分离和目标消失。采用卡尔曼滤波器预测目标参数,建立目标在下一帧中的预测信息。当运动目标相互遮挡时,在卡尔曼滤波器预测区域内采用交叉搜索法实现多个运动目标的精确匹配。通过多个视频序列测试,该算法能够获得良好的跟踪结果。