共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
5.
针对目标跟踪中非线性滤波精度下降甚至发散的问题,提出了一种时变噪声统计估计的自适应无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法.首先将系统模型和滤波算法修正为适于噪声非零均值时的情况,然后根据极大后验估计原理,推导出一种次优的时变噪声统计估计器,其系数通过指数加权的衰减因子计算得到,最后与传统UKF算法结合形成自适应的滤波算法.仿真结果表明,该算法保证了滤波收敛性,能够对目标进行有效跟踪,而且滤波精度显著提高. 相似文献
6.
在主/被动雷达复合制导背景下,提出一种基于H∞滤波和模糊逻辑的自适应融合算法,算法结合了H∞滤波和模糊推理的优点.为了克服卡尔曼滤波对模型和传感器噪声特性的依赖性,应用H∞滤波实现目标的状态估计.与卡尔曼滤波相比,H∞滤波不需要对噪声作任何假设.由于模糊推理方法具有很强的处理不确定性问题的能力,基于协方差匹配技术应用模糊推理方法在线估计每个H∞滤波器的性能,融合中心根据每个H∞滤波器的性能融合来自两滤波器的状态估计值.数字仿真结果表明了算法的有效性. 相似文献
7.
8.
对弹道导弹主动段进行跟踪是弹道导弹主动段防御中极其重要的任务,它是制导拦截的基础。针对传统方法在弹道导弹主动段跟踪能力不足,建立了弹道导弹主动段样条滤波算法。该滤波算法首先用样条函数建立了主动段运动模型,其次在此基础上将运动状态进行了解耦,建立了状态方程,最后基于解耦模型,应用Kalman滤波进行了状态估计,并且在估计中设计了模型更新方法,使算法具有很好的机动跟踪性能。仿真实验证明,该跟踪算法估计精度高于其它算法。 相似文献
9.
惯性+多模卫星组合导航系统通常采用定常参数的加权最小二乘算法进行多传感器信息融合,若加权系数与实际噪声统计特性不吻合,将会对组合导航精度产生不利影响.为解决该问题,提出一种基于自适应滤波的改进信息融合算法,对惯性及卫星导航数据应用自适应Kalman滤波以估计惯性导航误差,对滤波输出进行基于加权最小二乘法的多模信息融合,并根据滤波误差方差阵的解算结果对加权系数进行实时调整以优化估计精度.仿真结果表明该算法能够在一定程度上提高组合导航系统的精度和对不同随机噪声的适应能力. 相似文献
10.
11.
12.
在分析地形匹配以及粒子滤波算法原理的基础上,针对地形匹配辅助导航的非线性、噪声的非高斯性,研究了粒子滤波结合Kalman滤波的算法。仿真结果表明,粒子滤波对处理非线性系统、非高斯噪声有较强的处理能力,可以提高地形匹配的精度。 相似文献
13.
14.
针对常规运动目标滤波算法在提升光电跟踪系统性能方面存在较大困难,基于运动目标状态的当前统计(current statistics,CS)模型,设计了该模型下的鲁棒H∞滤波预估算法。根据H∞滤波理论及目标状态方程,求解H∞滤波预估算法,实现了对目标状态信息的有效预估,并将其应用于某型光电跟踪系统,进行了实验验证。实验结果表明:该算法能有效抑制脱靶量噪声与延迟对跟踪系统带来的不利影响,相较于Kalman滤波算法,滤波精度更高,鲁棒稳定性更强,能够提升系统跟踪精度与性能。 相似文献
15.
为了解决实时弹道测量数据滤波过程中量测噪声统计特性未知且时变的实际问题,对Sage-Husa算法进行了多种改进,提出了改进的Sage-Husa自适应卡尔曼滤波(improved Sage-Husa adaptive Kalman filter,ISHAKF)算法。该算法将量测噪声协方差估计矩阵变换为半正定矩阵和正定矩阵之和的形式,保证了量测噪声协方差估计矩阵的正定性,消除了量测噪声协方差估计矩阵非正定导致滤波异常的缺陷。设计了一种自适应遗忘因子,提升了滤波收敛速度,解决了量测噪声统计特性突变时Sage-Husa算法收敛较慢的问题。对卡尔曼增益矩阵进行了抗差改进,增强了算法的鲁棒性,削弱了野值对滤波效果的影响。分别对正定性改进、遗忘因子改进和抗差改进进行了对比仿真实验,对比结果验证了Sage-Husa算法改进的正确性和有效性。通过ISHAKF算法的实例应用,证明了该算法在实时弹道滤波上,具有更高的实时性、自适应性和抗差性,滤波效果提升明显。 相似文献
16.
对 INS/双星跑车试验数据进行了分析和处理,在跑车试验数据的基础上,使用野值修正 Kalman 滤波算法和常规 Kalman 滤波技术对 INS/双星的位置组合方案进行了仿真。仿真结果表明,存在较大范围野值的情况下,采用改进后的 Kalman 滤波技术比常规 Kalman 滤波算法具有更高的估计精度,它能有效地降低INS 的位置误差。 相似文献
17.
18.
19.
20.
闪烁噪声环境下目标跟踪的UPF算法研究 总被引:2,自引:0,他引:2
介绍了一种改进的粒子滤波(PF)算法——无味粒子滤波算法(UPF)。该算法结合UKF(unscented Kalman filter)和PF算法,利用UKF对非线性系统的处理能力,用UKF得到粒子滤波的重要性采样密度函数,从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上.将UPF、PF算法在雷达目标跟踪中进行了比较,仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。 相似文献