基于粒子滤波的非线性目标跟踪算法研究

针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明：在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。     

一种比例尺蒙特卡罗滤波算法

粒子滤波是一种极具潜力的非线性滤波算法,粒子退化是粒子滤波的主要问题。为此,提出一种比例尺粒子滤波算法(SPF)。在重要性抽样之后,按粒子重要性权值大小,将其分为好粒子群和较差粒子群两个种群,使用固定的或动态变化的比例尺系数对好粒子群和较差粒子群中的元素求取加权值,从而生成一些备选粒子。并通过重要性权值实现粒子的优选,从而使最好粒子参与状态估计。仿真结果表明,该算法是有效的。     

基于容积卡尔曼滤波的辅助粒子滤波算法

针对非线性系统的状态估计精度较低的问题,提出基于容积卡尔曼滤波(CKF)的辅助粒子滤波(APF)算法—CAPF算法。该算法采用容积数值积分原则计算非线性函数的均值和方差,生成粒子滤波算法的重要性密度函数,获得所需的带权值粒子,进而计算粒子均值,获得系统状态的最小均方误差估计。CAPF算法由于使用最新的量测信息产生粒子,因而提高了对系统状态估计的逼近程度。仿真结果表明,CAPF算法具有更高的滤波精度,验证了算法的可行性和有效性。     

修正Rodrigues参数在某型导弹捷联惯性制导中的应用

介绍了修正罗德里格参数(MRP),分析比较了姿态表示参数修正罗德里格参数和四元数的算法特点.通过仿真计算,比较了分别用修正罗德里格参数和四元数作为姿态表示参数在某型导弹捷联惯性制导中的应用,采用卡尔曼滤波估计了导弹航向、姿态及相应角速率的滤波效果.结果表明,用修正罗德里格参数法的姿态解算精度比用四元数法的姿态解算精度高,且计算效率明显优于四元数算法,计算量仅相当于四元数算法的一半,这是由于四元数的规范化条件(即模值为1),在姿态确定中会导致误差协方差阵奇异,而修正罗德里格参数虽然不是全局非奇异的,但是可以通过切换方法解决奇异性问题.     

一种改进的容积信息粒子滤波多目标跟踪算法

为了解决传统的自举式粒子滤波采用状态转移密度作为重要性采样函数呈现粒子退化、跟踪精度差等问题,文中采用后验概率作为重要性采样函数并提出其估计方法.通过容积信息滤波和Gating技术,估计重要性采样函数对应的均值和方差,完成重要性采样函数设计.使用改进后的粒子滤波方法,在非线性场景下对多个目标的状态和目标数目进行了估计.仿真结果表明,本算法在非线性多目标跟踪场景下具有估计精度高、稳定性好的优点.     

基于辅助模型的改进粒子滤波算法

针对非线性、非高斯系统的目标跟踪精度不太高这一问题,提出一种改进Sigma粒子滤波算法(MSP-PF)。该算法是由主模型产生第一个粒子,剩余的粒子则由辅助模型和平方根无迹卡尔曼滤波(SRUKF)来递归生成,辅助模型使粒子的观测信息得到充分有效地利用,解决了粒子滤波算法所面临的粒子退化和匮乏问题。仿真表明,提出的改进Sigma粒子滤波算法(MSPPF)的估计性能要明显优于粒子滤波(PF)、无迹粒子滤波(UPF)、Sigma粒子滤波算法(SPPF)。     

基于高斯粒子滤波的空-海BDO-TMA的研究

探讨了目标运动分析中基本的非线性估计问题。介绍了粒子滤波的基本思想和免重采样高斯PF（GPF）算法的基本原理．特别针对空-海单站只测方位-多普勒TMA（BDO-TMA）问题应用GPF和EKF（扩展卡尔曼滤波）进行了对照研究，建立了问题的离散非线性滤波估计模型．设计了典型的应用场景，给出了MonteCarlo仿真运行结果；表明GPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

联邦式扩展卡尔曼粒子滤波算法

为了使联邦滤波器能有效处理非高斯、非线性系统的状态估计问题,提出将扩展卡尔曼粒子滤波引入联邦滤波结构中,得到一种新的联邦式扩展卡尔曼粒子滤波算法。使用扩展卡尔曼粒子滤波对联邦滤波子系统的多源数据进行处理,从而摆脱了经典卡尔曼滤波的限制,拓宽了联邦滤波器的实际应用范围。将联邦式扩展卡尔曼粒子滤波算法应用于非线性滤波器的一个标准验证模型进行了仿真实验,结果表明该算法是有效性的。     

基于七维状态向量反向无迹卡尔曼滤波的弹道外推算法

针对弹道模型误差、参数估计误差以及外推距离过长导致定位精度低的问题,建立了基于七维状 态向量的反向无迹卡尔曼滤波外推算法。为精确建立状态模型,该算法将弹道系数作为状态参量,纳入滤波过程。采用无迹卡尔曼滤波算法,以提高非线性估计精度。此外,由于正向滤波外推距离长,模型误差积累大,该算法采用反向滤波处理,将雷达测得的首点作为滤波终点,通过4阶龙格-库塔方程外推炮位。仿真结果表明,该算法定位精度相较原算法提高约50%.     

舰载武器SINS非线性传递对准模型及滤波算法

为了满足舰载武器初始对准高精度和快速性的要求,更好地解决舰载武器在大失准角情况下的传递对准问题,提出了一种结合基于四元数的非线性传递对准模型与非线性无迹卡尔曼滤波（UKF）算法的方法,推导并建立了舰载武器捷联惯导系统（SINS）的非线性误差模型。该模型采用姿态四元数表示姿态误差,以提高姿态解算时的快速性和精度,选用速度加姿态作为量测量,以提高系统的可观测性,采用奇异值分解（SVD）方法解决了方差阵的病态问题,以确保算法的鲁棒性,仿真结果表明,该方法不仅解决了舰载武器在大失准角情况下的传递对准问题,而且能够有效提高传递对准的精度和快速性,其计算精度和对准时间满足系统设计要求。     

基于SUKF算法的组合导航方法

合成孔径声纳（SAS）运动补偿是其信号处理的重要环节,运动补偿需要水下导航数据,文中研究了基于捷联惯导（SINS）和多普勒声速剖面仪（ADCP）等设备的水下导航方法。针对大姿态误差角情况下的导航,论文建立了基于四元数的SINS／ADCP的非线性误差模型,并采用比例无迹卡尔曼滤波（SUKF）滤波算法进行了仿真。仿真结果表明,在SAS复杂运动情况下,采用非线性误差模型的SUKF方法优于传统线性误差模型的卡尔曼滤波方法,在一定程度上提高了SAS的导航精度。     

一种改进的UKF非线性滤波器研究

针对无味卡尔曼滤波器(UKF)存在的缺陷,提出一种能对多通道数据进行渐消的带多重次优渐消因子的UKF滤波算法(SMFUKF)。该方法基于强跟踪滤波器的概念,通过引入多重次优渐消因子到UKF滤波器,自适应的在线调整UKF滤波器的状态预测误差协方差矩阵、量测预测协方差阵、状态和量测之间的互协方差阵及相应的增益矩阵,从而达到对快速变化的状态进行强有力的跟踪。实验结果表明多重次优渐消因子的引人使得UKF滤波器有可能更多的利用系统的先验知识,SMFUKF滤波器对快速变化的状态将具有更强的跟踪能力。     

一种新的捷联惯导系统对准方法

针对舰载鱼雷捷联惯导系统的初始对准问题,提出了一种新的动基座快速传递对准方案——贯序传递对准方案。该方案采用＂先角速度匹配,后速度＋姿态匹配＂的方法,在基座角运动不明显时,使失准角快速收敛。运用卡尔曼滤波算法,对这一传递对准方法与速度＋姿态传递对准方案进行了仿真比较,研究结果表明,贯序传递对准方案具有更快的估计收敛速度,适用性更强。     

VLBI相关处理器动态条纹拟合方法

甚长基线干涉测量(VLBI)是重要的超远距离飞行器测角技术,具有极高的空间分辨率。相关处理是VLBI系统的重要组成部分,通过分析模型补偿后残留条纹误差的特征及其对长期积累算法的影响,建立了残留延迟的状态转移模型,设计了基于卡尔曼滤波的改进算法进行残留延迟率估计。对卡尔曼滤波的收敛速度及估计精度进行了分析。仿真实验表明,通过利用尔曼滤波算法对延迟率的拟合处理,相关处理器长期累加处理增益得到有效提高。     

平方根容积卡尔曼滤波算法及其应用

针对使用扩展卡尔曼算法（extended Kalman filter,EKF）对复杂非线性状态估计时收敛速度慢、估计精度低的问题,提出一种平方根容积滤波算法（square root cubature Kalman filter,SRCKF）。SRCKF使用基于容积原则的数值积分方法直接计算非线性随机函数的均值和方差。该算法实现时只需计算函数值,避免了求导运算,降低了计算复杂度。且该算法传播了状态协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和稳定性。把平方根容积卡尔曼滤波算法（SRCKF）应用到未知弹道系数的再入弹道目标的状态进行估计中。Monte Carlo数值仿真表明,平方根容积滤波算法大大降低了未知弹道系数的再入弹道目标的状态估计误差,提高估计精度,且运行速度较快。     

基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

为解决锂电池荷电状态（SOC）难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波（IPSO-EKF）算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明：IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。     

基于速度约束与模糊自适应滤波的车载组合导航

针对车载组合导航系统中卫星信号易受遮挡而引起导航精度降低问题,提出采用车辆速度约束条件辅助的组合导航方案。利用车辆正常行驶过程中侧向和天向速度为零作为虚拟观测信息,推导得到卫星信号失效时组合导航滤波量测方程;考虑到Kalman滤波过程中量测噪声协方差矩阵难以获取,推导给出一种新的自适应Kalman滤波（ADKF）算法,该算法计算新息序列实际协方差与理论协方差比值后,利用模糊推理系统（FIS）自适应调节量测噪声协方差矩阵大小;通过光纤捷联惯性导航系统（SINS）进行了验证试验。结果表明：卫星信号失效时,虚拟速度组合能够提高SINS定位精度,其纬度最大误差由41.33 m减小为8.61 m,且采用FIS-ADKF组合导航算法时3个方向 位置精度相比标准Kalman滤波算法提高了60%以上,验证了所提出算法的有效性。     

基于新息自适应滤波的惯性测量单元误差在线标定方法研究

考虑到空天飞行器飞行环境和运动特性下导航传感器误差的噪声统计特性不可能完全精确已知,若使用常规卡尔曼滤波进行在线标定,将会导致滤波精度下降甚至发散。设计一种基于新息自适应滤波方法的惯性测量单元(IMU)误差在线标定方案和算法,克服常规卡尔曼滤波需预先知道噪声统计特性的不足,设计包含IMU安装误差、刻度因子误差和随机常值误差在内的27维高阶状态变量的误差标定模型,分析提出可同时对系统噪声和量测噪声协方差矩阵进行动态调整的新息自适应滤波在线标定算法。仿真验证实验表明,相较于采用常规卡尔曼滤波以及Salychev O自适应滤波算法进行在线标定,所设计的新息自适应滤波在线标定方法能更有效实现对IMU误差的动态标定及补偿,进一步提高了惯性导航系统精度。实物验证实验表明,该方法可有效标定IMU误差残差,提高导航精度,为工程应用带来较大便利。     

基于交互式多模型无迹卡尔曼滤波的悬架系统状态估计

为有效解决复杂行驶工况下非线性悬架系统运动状态无法精确获取的难题,实现模型参数不确定以及时变路面激励工况下悬架状态精确估计的目标,开展了悬架系统状态估计研究。在路面激励模型和非线性悬架系统模型的基础上,结合交互式多模型算法与基于马尔可夫链的蒙特卡洛理论,设计了考虑模型参数不确定以及时变路面激励工况下多模型交互无迹卡尔曼滤波（IMMUKF）状态估计算法,且利用随机控制稳定判据验证了所设计的非线性观测器稳定性判定。对比分析了不同路面激励工况下悬架系统对于传统无迹卡尔曼滤波观测器与IMMUKF观测器的状态估计精度,并进行了台架试验验证。试验与仿真结果表明,IMMUKF观测器可获取更高的系统状态识别精度,不同路面激励仿真工况下状态估计误差最大均方根值不超过8%.