基于自适应滤波的惯性+多模卫星组合导航算法研究

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.     

基于Elman网络的传递对准容错联合滤波器设计与仿真

针对用于快速传递对准的Kalman滤波器阶数高,计算量大,滤波更新率低,鲁棒性差及对准精度不高等问题,采用联合强跟踪Kalman滤波器进行快速传递对准。提出一种基于模糊加权系数的误差方差阵估计方法,以提高传统强跟踪Kalman滤波算法的精度。在此基础上,设计了联合强跟踪Kalman滤波器的结构和算法。基于提高无故障子滤波器的鲁棒性来提高联合滤波器的快速重构能力考虑,同时兼顾子滤波器的精度和计算稳定性,提出利用改进的Elman网络进行信息分配系数的自适应调节,以实现融合信息在各子系统中的自适应分配。仿真结果表明,该滤波器不仅提高了解算速度,而且提高了系统对准精度、故障鲁棒性和快速重构能力。     

毫米波/红外复合制导目标融合跟踪算法

航迹融合是多传感器信息融合的一个重要环节,关系到信息融合结果的精确性。文章研究了简单加权、互协方差两种航迹融合算法。针对毫米波与红外传感器的情况,在部分反馈基础上,给出了一种基于环境变量的融合跟踪算法,并通过仿真实验证明了算法在保证跟踪性能的同时,提高了系统的抗干扰性能。     

再入飞行器弹道参数自适应稳健估计方法

建立了飞行器再入段动力学模型.通过对再入过载值的融合,避开了对弹道系数和大气密度的近似,使得再入动力学模型更加准确;通过对自适应Kalman滤波算法的简化,得到了再入弹道参数的精确、稳健的估计.仿真算例表明该方法可以在系统建模误差、传感器测量噪声模型未知的情况下得到相当好的结果.     

机动目标跟踪的多传感器分层加权融合算法

针对应用并行,Bar Shalom-Campo等融合算法实现多传感器对机动目标的融合跟踪时,经典的交互多模型(IMM)无法提供目标运动模型这个先验信息的问题,提出一种机动目标跟踪的多传感器分层加权融合算法,该算法通过分层加权得到多种融合算法所需的目标运动模型信息,最后使用扩展卡尔曼滤波器(EKF)对状态预测和量测进行融合估计,实现了多传感器对机动目标的融合跟踪。仿真实验表明,和单传感器相比,所提算法显著提升了机动目标的跟踪精度。     

"红外卫星-地基雷达"航迹融合算法的实现及精度分析

为提高对助推段弹道导弹轨迹跟踪的精度,设计一种"红外卫星-地基雷达"航迹融合算法.通过建立传感器量测和航迹融合的仿真模型,结合凸组合融合法和协方差交集法,分别实现了天波超视距雷达和红外预警卫星配准后航迹数据的融合,以及天波超视距雷达和红外预警卫星配准后航迹数据的融合.通过仿真证明了在进行航迹融合后的跟踪结果较SBIRS单独的跟踪结果精度更优.设计的凸组合融合法和协方差交集法的跟踪结果精度可以满足针对弹道导弹的早期预警需求.     

基于互协方差的L型嵌套阵列二维波达方向估计

为了解决L型均匀阵列波达方向（DOA）估计分辨率较低、估计信源数受限于阵元数、估计精度易受信噪比影响等问题,提出一种基于互协方差的L型嵌套阵列二维DOA估计算法。利用不同子阵间互协方差矩阵产生较长无冗余阵元的虚拟阵列,消除噪声干扰;利用虚拟阵列及其共轭矩阵构建等效协方差矩阵,实现虚拟阵列信号的解相干;采用旋转不变子空间技术对等效协方差矩阵进行处理,得到目标的角度信息;基于虚拟阵列等效信源的唯一性进行空间信源的角度匹配。对所提算法的DOA估计有效性进行仿真验证,结果表明,在阵元数相同情况下,该算法与L型均匀阵列相比在低信噪比环境下拥有更高的估计精度,能够辨识更多的空间信源。     

不完全量测下航迹辨识系统中滤波方差的期望收敛性问题

目标跟踪航迹辨识系统常常出现信号丢失现象,这时递推误差协方差阵(ECM)是一个随机过程;针对探测率小于1的不完全量测,给出了估计误差协方差系统统计稳定性的条件和稳态Kalman滤波的线性矩阵不等式(LMI)计算法。对给定滤波方差约束指标,设计一种新的滤波器,使得模型容许的噪声强度尽可能的大。在目标跟踪中,它的工程意义是在选定探测器性能指标下,设计出能适应目标机动范围较大的滤波器。最后利用航迹辨识系统的数值算例对研究结果给出了说明。     

不完全信息下分布式目标跟踪算法

针对分布式目标跟踪过程中出现数据丢包和不完全量测现象,提出一种分布式目标跟踪算法.该算法由统计意义下局部滤波器和基于协方差交叉算法融合滤波器构成,其中局部滤波器利用邻域内各节点测量信息计算局部滤波值,融合滤波器则将邻域内各节点局部滤波值进行融合处理,得到该节点的目标坐标信息;最后,利用典型目标航迹模型对该算法进行仿真分析.仿真结果表明:该算法可有效抑制不完全信息发生时对目标跟踪结果的不利影响,可为分布式目标跟踪系统在实际工程中的设计与研制提供有益的参考.     

基于改进 Mean Shift 的运动目标跟踪算法

为了提高传统 Mean Shift 算法在目标快速运动和被大面积遮挡两种情况下跟踪的效果,对 Mean Shift 跟踪算法进行了3点改进：采用 Kalman 滤波器预测运动目标轨迹,以提高算法对快速运动目标的鲁棒性;提出了一种融合Kalman 滤波器残差和 Bhattacharyya 系数的遮挡处理机制,以提高目标被大面积遮挡时的跟踪效果;提出了一种基于自适应更新因子的目标模型更新机制,以提高动态适应能力。对比实验结果表明,改进算法能有效提高在上述两种情况下的跟踪效果,并且在遮挡情况下具有较好的鲁棒性。     

“红外卫星-地基雷达”航迹融合算法的实现及精度分析

为提高对助推段弹道导弹轨迹跟踪的精度,设计一种“红外卫星-地基雷达”航迹融合算法。通过建立传感器量测和航迹融合的仿真模型,结合凸组合融合法和协方差交集法,分别实现了实现天波超视距雷达和红外预警卫星配准后航迹数据的融合,以及天波超视距雷达和红外预警卫星配准后航迹数据的融合。通过仿真证明了在进行航迹融合后的跟踪结果较SBIRS单独的跟踪结果精度更优。本文设计的凸组合融合法和协方差交集法的跟踪结果精度可以满足针对弹道导弹的早期预警需求。     

一种基于观测支持度的动态加权融合算法

为对无人机通过各种同类传感器获取的数据进行融合处理,得到更精确的导航数据,提出一种动态加权 融合算法。引入观测支持度的概念对传统的平均加权算法进行改进,通过计算各传感器测量数据间的相互支持度信 息,并依据观测支持度的变化特征,实时动态更新融合权重进行多传感器数据的融合。将算法应用到实际飞参数据 的分析处理,结果表明：该算法能够根据传感器数据特征实时调整权重分配,融合结果较传统的平均加权算法更加 准确、可靠。     

基于贝叶斯估计的加权最小二乘分布式融合

针对不同观测矩阵加权最小二乘算法没有考虑到模型参数本身信息的共同缺点,提出基于贝叶斯估计的带不同观测矩阵的加权最小二乘分布式(Bayes Estimation Weighted Least Square,BEWLS)融合Kalman滤波算法。该方法首先采用推广的离散卡尔曼滤波对非线性系统线性化,然后在考虑模型参数本身的先验信息条件下,采用基于贝叶斯(Bayes)估计方法对Kalman滤波算法的观测方程进行加权最小二乘融合。BEWLS融合算法减少了计算负担,提高了融合精度,便于实时应用。理论和仿真证明:BEWLS融合具有优越性。     

基于贴近度及分布图法的数据深度融合算法研究

针对船舶柴油机 SCR 系统中,氮氧化物传感器的测量值易受温度和其他气体干扰的特点,提出了基于贴近度及分布图法的数据融合算法;在建立扩维贴近度矩阵的基础之上加以改进,利用分布图法排除野值,弥补了基于贴近度的可靠性融合算法不能剔除无效信息的缺陷,动态地选取有效信息和权值分布进行加权融合,实现多传感器数据融合;通过数字仿真表明：该算法具有较强的抗干扰性能,相较其他的算法有一定的优势,融合精度较高。     

一种鲁棒自适应容积卡尔曼滤波方法及其在相对导航中的应用

针对无人机编队相对导航系统中视觉导航传感器量测噪声服从非高斯分布的问题,提出一种带噪声估计器的鲁棒自适应容积卡尔曼滤波(CKF)算法。该算法将Huber求解线性回归问题与协方差匹配方法相结合,利用残差序列实时估计,调整系统过程噪声和量测噪声的统计特性,并采用遗忘加权参数对接收到的测量数据进行加权,从而准确地估计出无人机之间的相对位置、速度和姿态信息,提高了鲁棒CKF算法的自适应能力。仿真结果表明,与标准CKF算法和鲁棒CKF算法相比,该算法对受污染的噪声统计特性有较强的自适应性,估计精度高,鲁棒性更强。     

基于神经网络的多平台多目标位置数据融合

针对传统的直接加权融合算法的缺点,对多平台多目标位置数据融合进行研究。通过设计基于BP神经网络的统计加权算法,建立数据融合模型。并以2个观测平台为例,进行1分钟之内的目标航迹数据的仿真实验。结果表明,该算法是有效、可行的,且精度更高,能有效对融合中心获得的关于目标位置航迹信息进行关联融合处理。     

加权最小二乘融合技术在主动侧杆中的应用

针对主动侧杆伺服跟踪系统中角位移传感器(rotary variable differential transformer,RVDT)和旋转变压器 去除噪声的问题,提出一种加权最小二乘(weighted least squares,WLS)算法。以主动侧杆系统为研究对象,在最小 二乘算法、递推最小二乘算法的基础上,对主动侧杆伺服跟踪系统进行分析,通过最小二乘算法、递推最小二乘算 法、加权最小二乘算法融合算法进行仿真。通过对比3 种融合算法的仿真结果,结果证明：该算法使伺服系统获得 了更精确的位置信息,具备去除噪声的优越性以及可行性。     

基于滑动窗迭代最大后验估计的多源组合导航因子图融合算法

在应用因子图算法完成多源组合导航数据融合的过程中,子系统观测噪声的时变特性将对导航状态估计的准确性产生极大影响。为解决这一问题,提出一种基于高斯模型下的子系统观测量均值向量和协方差矩阵的估计算法。该算法利用因子图最优化过程中每个迭代周期下的观测量残差,实时地更新各个子系统观测量的均值向量和协方差矩阵的最大后验估计值,从而得到更加准确的导航状态估计值,在提出新算法的同时也验证了新算法对最优化过程收敛性的影响。仿真测试与实验测试结果表明,与已有的标准因子图算法、基于最大似然估计的因子图算法和基于最大后验估计的因子图算法相比,所提出的基于迭代最大后验估计的因子图算法能够有效提高子系统观测状态变化时的多源组合导航估计精度。