有色量测噪声下的改进求容积卡尔曼滤波器

为解决标准求容积卡尔曼滤波器在有色量测噪声条件下滤波精度退化的问题,提出改进求容积卡尔曼滤波器及其平方根形式.首先利用一阶马尔科夫模型白化非线性离散随机系统中有色量测噪声,将有色量测噪声下非线性离散随机系统转化为白噪声下非线性时滞系统.然后根据所得非线性时滞系统推导其高斯域的贝叶斯滤波框架,最后基于3度Spherical-Radial规则将该滤波框架近似为改进的求容积卡尔曼滤波器和其平方根形式.机动目标跟踪仿真试验结果表明两种改进求容积卡尔曼滤波算法在标准白噪声条件下与标准求容积卡尔曼滤波算法的估计精度相同,而在有色量测噪声背景下滤波精度和鲁棒性更优.     

带有色量测噪声的非线性系统 Unscented 卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)要求噪声必须为高斯白噪声, 无法解 决带有色噪声的非线性系统滤波问题. 为此, 本文提出了一种带有色量测噪声的UKF滤 波新算法. 首先,基于量测信息增广和最小方差估计, 推导出一类带有色量测噪声的非 线性离散系统状态的最优滤波框架, 接着采用Unscented变换(Unscented transformation, UT)来计算最优框架中的 非线性状态后验均值和协方差, 进而得到有色量测噪声下UKF滤波递推公式. 所设 计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题, 数 值仿真实例验证了其可行性和有效性.     

两级量测更新的粒子滤波检测前跟踪算法

针对低信噪比下弱目标的检测与跟踪问题,提出了一种基于两级量测更新的粒子滤波器检测前跟踪算法。算法在粒子滤波状态更新之后,在其状态估计附近,引入卡尔曼滤波框架,进行第2级的量测更新,提高了粒子携带信息的利用程度。仿真结果表明,新算法获得了更好的检测和跟踪性能。     

运动平台下的相对机动检测断续量测粒子滤波

由于多普勒盲区等因素,机载脉冲多普勒雷达对目标的量测可能出现断续,将盲区先验知识纳入粒子滤波体系能够处理此类断续量测.鉴于此,通过建立载机平台与目标间相对运动模型,分析机载雷达目标可检测条件,并据此提出一种改进的粒子滤波算法.该算法利用相对机动检测判断目标是否进入盲区,由盲区粒子预测目标可能重新出现的区域,保持对目标的跟踪.仿真结果表明了该方法的有效性和可行性.     

顺序更新式无序量测处理算法

在集中式多传感器目标跟踪系统中,常出现源自同一目标的量测到达处理中心时的乱序现象,即无序量测问题。本文借鉴等价量测与重新滤波法的思想,提出一种基于等价量测的顺序更新式无序量测处理算法。该算法用等价量测来代替重新滤波法中需要缓存的量测序列,然后从无序量测处开始用无序量测和等价量测进行顺序更新。通过理论分析和仿真实验证明:该算法在处理一步延迟时是最优的,在处理多步延迟时,接近最优;且该算法有较高的滤波精度和较小的额外存储量。     

多目标无序量测OOSM-GMPHD滤波算法

针对无序量测条件下多目标跟踪问题,提出了一种适用于线性系统的单步滞后无序量测滤波算法(OOSM-GMPHD).在前向预测框架内,以高斯混合概率假设密度(GMPHD)滤波器为基础滤波算法,对每一高斯分量分别用延迟到达的量测与等价量测进行预测、更新,经剪枝与合并等步骤获得最终的目标数量与状态估计.仿真结果表明:算法可有效消除无序量测的影响,准确估计多目标数目和状态.     

基于卡尔曼滤波预测的无偏量测转换方法

针对在目标跟踪系统中通常使用量测转换方法将球面坐标系下的量测量转换到笛卡尔坐标系下,传统量测转换方法在互距离测量误差增大时跟踪性能有所下降的问题,提出一种基于卡尔曼滤波预测的无偏量测转换方法。采用无偏量测转换方法变换量测量,基于卡尔曼滤波预测值,结合无迹变换算法估计转换量测方差。仿真结果表明,所提出的转换量测卡尔曼滤波算法较现有方法具有更高的跟踪精度和可信度。     

有色量测噪声下的HCKF及其应用

针对高阶容积卡尔曼滤波（HCKF）算法在有色量测噪声条件下滤波精度下降的问题,提出了有色量测噪声下的HCKF算法。通过一阶马尔科夫模型将有色量测噪声进行白化,将带有色量测噪声的非线性离散随机系统转化为白噪声下的非线性时滞系统,并给出高斯域内针对非线性时滞系统的贝叶斯滤波框架。利用高阶容积准则对该滤波框架进行近似计算,进而得到有色量测噪声下的HCKF算法。将所提算法应用到机动目标跟踪系统中,仿真实验结果表明,量测噪声为白噪声时,所提算法与标准HCKF算法具有相同的估计性能;在量测噪声为有色噪声时,所提算法相比于标准HCKF具有更优的估计精度和鲁棒性。     

一种带多步随机延迟量测高斯滤波器的一般框架解

提出了一种适用于线性和非线性系统的带多步随机延迟量测高斯滤波器的一般框架解. 为了完成状态的递归更新估计, 噪声向量和先前时刻状态向量被扩展到当前时刻状态向量中. 然后基于贝叶斯方法推导了扩展后状态向量的一般框架解. 对于非线性系统, 通过利用不同的数值计算方法计算贝叶斯解中的高斯加权积分可以推导获得不同的高斯近似滤波器. 最后本文利用三阶球径容积准则来实施提出的方法, 并通过量测被随机延迟多步的目标跟踪模型对所提出的方法进行了仿真, 仿真结果验证了提出方法的有效性和优点.     

粒子滤波的噪声相关下单步延迟无序量测更新算法

在目标跟踪系统中,因通信延迟等原因会出现传感器量测无序地到达融合中心的现象,将这些量测称为无序量测(OOSM).针对过程噪声、量测噪声相关的非线性系统中出现的无序量测问题,在现有算法基础上,提出了一种可处理单步延迟无序量测的新算法.在前向预测滤波框架下,对系统方程去相关化,并利用粒子滤波(PF)进行状态估计.仿真结果验证了算法的有效性.     

基于容积卡尔曼滤波的异类多传感器一致性融合算法

针对单一光频传感器获取目标特征信息存在的不一致性,提出一种基于容积卡尔曼滤波的异类多传感器一致性融合方法。首先,从原理上分析了激光、红外与雷达三类传感器量测信息的特征及其存在的差异,进而在容积卡尔曼滤波框架下,针对雷达、红外和激光探测等组成的典型目标侦测系统,结合一致性融合策略,通过对目标距离和方位信息融合处理改善目标状态估计精度。仿真结果表明：相对于传统的单传感器滤波方法,所提出的融合方法和策略具有较好的滤波性能。     

基于星凸形随机超曲面模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题, 提出了一种基于星凸形随机超曲面模型(Star-convex RHM)的多扩展目标多伯努利滤波算法.首先, 在有限集统计(Finite set statistics, FISST)理论框架下, 采用多伯努利随机有限集(MBer-RFS)和泊松RFS (Possion-RFS)分别描述多扩展目标的状态和观测, 并给出扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器.其次, 利用RHM去描述任意星凸形扩展目标的量测源分布, 提出了容积卡尔曼高斯混合星凸形多扩展目标多伯努利滤波器.此外, 本文给出了一种多扩展目标不规则形状估计性能的评价指标.最后, 通过多扩展目标和具有形状突变的多群目标的跟踪仿真实验验证了本文方法的有效性.     

带二次约束的容积卡尔曼目标跟踪算法

为了提高对带约束目标的跟踪精度,提出了一种带二次约束的容积卡尔曼目标跟踪算法。使用容积卡尔曼滤波得到当前时刻后验估计,通过将系统二次约束作为测量方程引入系统,对后验估计进行修正,最后采用仿真实验对算法性能进行测试。实验结果表明,相对于传统的约束卡尔曼滤波算法,在同等条件下,该算法提高了目标跟踪精度,并且稳定性更强。     

基于迭代容积卡尔曼滤波的神经网络训练算法

针对现有应用非线性滤波算法对神经网络进行训练时存在精度不足的问题,提出了一种基于迭代容积卡尔曼滤波的神经网络训练算法。首先,将前馈神经网络各个节点的连接权值和偏置作为状态向量,建立前馈神经网络的状态空间模型。其次,利用Spherical-Radial准则生成容积点,并依据Gauss-Newton迭代策略来优化量测更新过程中获取的状态估计值和状态估计误差协方差,通过容积卡尔曼滤波估计精度的改善,提升神经网络节点的连接权值和偏置的训练效果。理论分析和仿真实验结果验证了所提算法的可行性和有效性。     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

Cubature卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出cubature卡尔曼滤波-卡尔曼滤波算法(CKF-KF),分别应用CKF和KF估计模型中的非线性和线性状态.该算法对非线性与线性状态均进行cubature采样,并将两种样本通过线性方程和量测方程进行传播,以获得非线性状态估计.机动目标跟踪仿真结果表明,CKF-KF的估计精度比Rao-Blackwellized粒子滤波器(RBPF)略低,但算法运行时间不到其1％;与无迹卡尔曼滤波器(UKF-KF)相比,估计精度相当,但算法运行时间降低了22％,有效地提高了实时性.     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

基于Huber的鲁棒高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时高阶容积卡尔曼滤波（High-degree Cubature Kalman Filter,HCKF）算法的鲁棒性,提出了一种基于Huber方法的鲁棒高阶容积卡尔曼滤波算法。从近似贝叶斯估计角度解释了Huber方法作用于卡尔曼滤波算法的本质是对新息进行截断平均,通过在现有滤波框架内利用Huber方法对观测量进行预处理,并将处理后的观测量进行标准的HCKF量测更新,实现了HCKF算法的鲁棒化。所提算法无需通过统计线性回归模型对系统的非线性量测模型进行近似,高阶容积变换的优势得到充分利用,从而在保持鲁棒性的前提下提高了算法的滤波精度。单变量非平稳增长模型和再入飞行器目标跟踪问题验证了该算法在鲁棒性和滤波精度方面的优势。     

高斯混合交互式多模型容积信息滤波算法

针对机动目标跟踪中由于目标机动使系统的非线性强度增大,导致系统的线性误差增大和跟踪精度明显下降、甚至发散的问题,提出了基于高斯混合的交互式多模型容积信息滤波（ GMIMM-CIF）算法,实现对机动目标的精确跟踪。新算法在每次输入交互之后,保留概率较大的几个假设,并利用一个高斯混合项替换最优多模型算法中剩余的假设,从而使算法中假设的数量保持恒定;用容积信息滤波器（ CIF）代替传统的非线性滤波器,通过估计信息状态向量和信息矩阵而不是估计状态向量和协方差,可以减小系统的非线性误差。通过仿真对比实验,验证了该算法可以提高机动目标的跟踪精度。     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.