基于加性无迹卡尔曼滤波的雷达目标跟踪方法

提出一种基于加性无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统,传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布,通过非线性系统传播,能以三阶精度获得非线性变换的均值和方差的估计。用无迹卡尔曼滤波进行雷达目标跟踪。通过Monte Carlo仿真,验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度。     

一种基于树形结构融合的目标跟踪算法

针对空中机动目标,利用目标多普勒信息和红外辐射信息建立具有树形结构的红外雷达跟踪系统状态估计模型.基于无迹卡尔曼滤波方法,提出一种自适应双波段红外并行融合算法,并基于红外融合结果,采用序贯滤波融合方法,与雷达传感器实现深层交互多模型融合估计.通过仿真表明了所提出的方法具有更小的距离跟踪误差和良好的跟踪精度.     

基于改进容积卡尔曼滤波的认知雷达跟踪算法

在认知雷达目标跟踪过程中,由于存在初始跟踪误差及系统量测方程的非线性等原因,导致卡尔曼滤波算法性能较差.为解决上述问题,将Gauss-Newton迭代方法与容积卡尔曼滤波算法相结合,建立迭代容积卡尔曼滤波算法.算法在迭代过程中利用最新的量测信息并更新迭代过程中产生的新息方差,降低了目标初始状态的估计误差,并且减小了线性化量测方程引入的传递误差.仿真结果表明,迭代容积卡尔曼滤波算法与传统的扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、容积卡尔曼滤波算法相比,在认知雷达中的跟踪精度更高,稳定性更好,对初始误差的容错性更强.结果可为雷达目标跟踪优化提供科学依据.     

含有多普勒频率的无迹卡尔曼滤波

针对扩展卡尔曼滤波不含多普勒频率和非线性的缺陷,提出一种新的含有多普勒频率的无迹卡尔曼滤波算法。新算法通过推导观测向量和状态向量之间的函数关系,结合无迹卡尔曼滤波思想,使滤波结果较扩展卡尔曼滤波算法具有更高的精度。最后对新老算法进行了仿真对比分析,结果表明了新算法的有效性和合理性。     

非线性滤波算法在机动目标跟踪中的研究

介绍了3种最基本非线性滤波算法--扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法的理论在机动目标跟踪中的应用.通过仿真试验对三者性能进行了分析比较.     

一种改进的迭代无迹卡尔曼滤波算法

针对非线性系统目标跟踪中状态估计的线性问题,在滤波过程的不同部分,利用统计和分析原理对状态估计进行线性化,提出一种改进的迭代无迹卡尔曼滤波(Improved Iterated Unscented Kalman Filter, IIUKF)。在系统方程和测量方程都具有较严重的非线性条件下,与无迹卡尔曼滤波器(UKF)和迭代扩展卡尔曼滤波(IEKF)进行仿真验证比较。结果显示该方法的跟踪性能优于UKF和IEKF,提高了系统的跟踪效果。     

改进卡尔曼滤波的目标跟踪研究

根据扩展卡尔曼滤波(EKF)是目标跟踪中的常用算法,但方法涉及Taylor级数的展开,引起了运算量较大,运算结果的均值和协方差只精确到一阶,使得滤波精度不高.为提高滤波速度和精度,将Unscented变换与卡尔曼滤波相结合,建立了Unscented卡尔曼滤波(UKF)数学模型.Unscented变换是基于高斯分布理论,通过Sigma 点能够获取精确到三阶矩均值和协方差,提高了滤波精度.计算仅涉及标准的向量和矩阵操作,不需要计算非线性函数的Jacobian或者Hessians矩阵,提高了滤波速度.通过运动实验进行仿真对比,结果表明对于非线性目标跟踪系统,UKF算法具有更高的滤波精度和稳定性.     

一种实用的融合方法在辅助粒子滤波中的应用

研究机动目标跟踪优化问题,传统的扩展卡尔曼滤波(Extended Kalman Filtering,EKF),无迹卡尔曼滤波(UnscentedKalman Filtering,UKF)跟踪机动目标强非线性系统,滤波精度有限,并存在噪声。为了提高跟踪滤波的精准性和可靠性,提出建立一种协同转弯非线性模型,将辅助粒子滤波(Auxiliary Particle Filtering)和数据融合相结合的跟踪滤波算法。辅助粒子滤波在重采样前对各个粒子权值依据似然函数进行修正,同时采用一种将多个滤波器结合的实用的数据融合方法,可以进一步提高滤波精度。经仿真表明,算法能减小运算量,并能很好的提高跟踪滤波精度。     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

非线性自适应平方根无迹卡尔曼滤波方法研究

针对带有附加噪声且噪声特性未知的系统,提出了一种非线性卡尔曼滤波方法--自适应平方根无迹卡尔曼滤波（NASRUKF）方法,该方法基于平方根滤波的思想,对传统的Sage-Husa自适应滤波算法进行了改进,并与平方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声方差阵的平方根进行递推与估算,确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术与SRUKF算法进行对比,结果表明NASRUKF方法在滤波精度、稳定性和自适应能力方面均优于SRUKF方法。     

基于无味卡尔曼滤波的多雷达方位配准算法

将无味卡尔曼滤波（Unscented Kalman filter，UKF）应用于雷达配准，提出一种新的多雷达方位配准算法。在该算法中，目标的运动状态和方位误差由选定的采样点来近似，在每个更新过程中，采样点随着状态方程传播并随非线性测量方程变换，得到目标的运动状态和方位误差的均值，避免了对非线性方程的线性化，且具有较高的计算精度。与传统的扩展卡尔曼滤波（Extended Kalman filter，EKF）方法进行了仿真比较，结果表明UKF方法能有效地克服非线性跟踪问题中很容易出现的滤波发散问题，且估计精度高于UKF方法。     

车载网的新型定位算法

针对目前车载定位实时性差等缺点,提出了一种单基站.方位时差联合定位算法.该算法利用方位角和信号到达时间差建立车载定位跟踪模型,然后采用SUKF算法对车载定位跟踪模型进行滤波.仿真结果表明,SUKF滤波算法不但降低了运算量,而且极大地提高了系统的实时性,可应用于车载网的定位.     

RBPF粒子滤波在目标跟踪中的应用研究

针对雷达目标跟踪中的某一类非线性问题,传统处理方法都是先行线性化再进行处理,但当线性化后的测量噪声相关性较大时则无法满足要求。为此,应用RBPF粒子滤波进行研究。在仿真实验中对RBPF多权值的情况进行探讨,提出一种可行的处理方法。对RBPF在噪声相关性较大时的性能进行分析,并讨论其在时间推移时的相对估计误差变化情况。     

改进的强跟踪SVD-UKF算法在组合导航中的应用

针对无迹卡尔曼滤波（Unscented Kalman Filter,UKF）在系统强非线性或状态模型不精确的情况下,存在滤波精度降低甚至发散的问题,提出一种改进的强跟踪SVD-UKF算法。该算法采用奇异值分解（Singular Value Decomposition,SVD）的方法改进UKF中状态协方差矩阵的迭代,保证协方差矩阵的非负定性及迭代的稳定性;算法基于强跟踪滤波（Strong Tracking filter,STF）理论框架,对改进的SVD-UKF引入多重渐消因子自适应调整状态协方差矩阵,在系统状态发生突变的情况下,实现系统真实状态的强跟踪。将该算法在BDS/INS组合导航中仿真验证,结果表明了该算法的有效性。     

基于UKF的超视距雷达跟踪算法研究

天波超视距雷达跟踪目标时电磁波是通过电离层的折射传播的,因而导致在地理坐标系下的量测方程中存在强非线性,而采用传统的EKF（Extended Kalman Filter）实现的跟踪算法,在非线性方程的线性化中舍去了含强非线性的二阶以上的高阶项,导致目标的跟踪精度较低;提出采用UKF（Unscented Kalman Filter）方法处理超视距雷达系统在跟踪算法中的强非线性问题.UKF算法有效降低了非线性方程中的舍入误差,可确保三阶以上的精度.仿真结果表明UKF滤波算法较EKF算法提高估计精度.     

空间非合作目标在轨主/被动融合跟踪方法

针对空间远距离非合作目标的点目标跟踪问题,研究基于非地面测控数据支持的远距离空间目标的在轨主/被动融合跟踪方法。包括运用基于被动传感器以及雷达间歇辅助测距跟踪的Unscented卡尔曼滤波(UKF)方法,得到非合作目标的运动状态信息,即利用光学跟踪摄像机的二维角度量测值及雷达间歇提供的距离量测值,估计目标的惯性位置与速度方法,为后续自主空间操作建立初始轨道状态数据。仿真结果表明,当状态误差和量测噪声改变时,UKF均能持续跟踪远距离非合作目标,使得雷达间歇提供的距离信息可以得到更好的跟踪精度。     

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法：融合了交互式多模型（IMM）、粒子滤波（PF）和无迹卡尔曼滤波（UKF）的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。     

自适应理论在目标跟踪中的应用

在机动目标跟踪与定位中,结合EKF和自适应理论的优点和目标跟踪的非线性特征,提出了一种非线性系统的基于“当前”统计模型的自适应扩展卡尔曼滤波算法,根据机动目标的测量信息修正加速度方差,消除随机误差和噪声的干扰,提高预测的精度。通过Monte Carlo对比仿真实验表明该算法正确有效,定位精度较高,滤波效果得到改善,同时增强了稳定性,优于一般的EKF和MVEKF算法,为机动目标精确跟踪与定位的实现提供一种新的方法。     

基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法

对于非线性系统而言,容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法是处理状态估计问题的一种有效方法,并且其在高斯噪声下可以获得良好的估计性能。然而,当噪声被重尾噪声污染时,其性能通常会急剧下降。为解决此问题,将Huber方法应用于CKF框架中,取代了传统的最小均方误差（Minimum Mean Square Error,MMSE）准则,以提高算法的鲁棒性。在所提算法中,通过将量测方程线性化构造了线性回归模型,并采用固定点迭代的方法求解基于Huber方法的最小化问题。因此,推导了基于固定点迭代的Huber鲁棒CKF（FP-IHCKF）算法,在该算法中先验信息和量测信息通过Huber方法进行了重构。通过对再入目标跟踪问题进行仿真,验证了所提算法的有效性和鲁棒性。